1. Creating functions, loops, for-loop and while-loops, nested loops. [20 points]

In a single Jupyter notebookfile, name thefile as ‘answer1.ipynb’

Task1: Write a program to accept 3 integers separated by a comma (e.g. 1,3,5) from a user and then find average of those numbers without using any built-in.

Task2: Write a program to accept one string as an input from user and print the same string in reverse order. (Note: Don’t use built-in function. If input is “apple”, output should be “elppa”)

Task3: Create three text files and name them file1.txt, file2.txt and file3.txt. Populate each file with 10 random numbers separated by commas. Keep these files on the same folder as your python script (e.g. file1.txt could contain 4, 7, 10, 30, 2, 1, 20, 15, 8, 3). Write a program which will perform following tasks:

a)   Accept name of text file from user.

b)  Read the numbers from the first text file into a list.

c)   Sort the list and print the original as well as the sorted list.

d)  Experiment with other two files as well.

 QUESTION 2

2. Data Visualization using Python (matplotlib) [20 points]

In a single Jupyter notebookfile, name thefile as ‘answer1.ipynb’

Task1: Read the Salaries data set (Salaries.csv) and create some vectors of variables, which are rank,discipline, phd, service, sex, and salary.

•   Part A: Create a Bar plot based on service and summaries the salaries per service category.What information we can extract from the plot???

•   Part B: Create Box plot comparing salary and phd, comment on the output plot based on medianand quantiles.

•   Part C: Create Pie chart comparing salary package of ten professionals

•   Part D: Create  Scatter plot that  shows the relationship between two  factors  of an experiment(You can assume any two factors from dataset, comment on your output and selection)

Task2: Create a pie chart for Persons Weekly Spent Time per activities based on given

following toy dataset

•   days = [1,2,3,4,5]

•   sleeping = [7,8,6,11,7]

•   eating = [2,3,4,3,2]

•   working = [7,8,7,2,2]

•   playing = [8,5,7,8,13]

•   slices = [39,14,26,41]

•   activities = ['sleeping', 'eating', 'working', 'playing']

•   cols = ['c','m','r', 'b','g']

QUESTION 3

3. Building Prediction Models [20 points]

In a single Jupyter notebookfile, name thefile as ‘answer1.ipynb’

Task1: Read the ‘Marketing_MSA.xlsx’ file. The Master’s in Business Administration (MBA), once  a  flagship program  in  School  of Business  in United  States.  While  elite  schools  like GWSB, Georgetown, and Chicago are still attracting applicants, other schools are finding it much  harder  to  entice  students.  As  a  result, business  schools  are  focusing  on  specialized master’s programs to give graduates the extra skills necessary to be career ready and successful in  more  technically  challenging  fields.  An  educational  researcher  is  trying  to  analyze  the determinants of the applicant pool for the specialized Master of Science in Accounting (MSA) program at medium-sized universities in the United States. Two important determinants are the marketing expense of the business school and the percentage of the MSA alumni who were employed within three months after graduation. Consider the data collected on the number of applications  received  (Applicants),  marketing  expense  (Marketing,  in  $1,000s),  and  the percentage employed within three months (Employed).

•   Part A: Estimate and interpret the effect of Marketing and Employed on the number of applications received. For a given marketing expense of $80,000, predict the number of applications received  if 50%  of the  graduates  were  employed within  three months. Repeat the analysis with 80% employed within three months

QUESTION 4

4. Machine Learning using Python [20 points]

In a single Jupyter notebookfile, name thefile as ‘answer1.ipynb’

Task1: Perform KMean cluster analysis on ‘Country clusters.csv’

•   Part A: Cluster the countries based on “Latitude:”, “Longitude” and “Language:”

•   Part B: Add scatter and dendrogram plot

•   Part C: Use both elbow and Hierarchical clustering method

Task2: A national phone carrier conducted a socio-demographic study of their current mobile phone subscribers. Subscribers were asked to fill out survey questions about their current annual salaries (Salary), whether or not they live in a city (City equals 1 if living in a city, 0 otherwise), and socio-demographic information such as marital status (Married equals  1 if married, 0 otherwise), sex (Sex equals 1 if male, 0 otherwise), and whether or not they have completed a college degree (College equals 1 if college degree, 0 otherwise). Read the survey data file “Mobile Phone Sub. xlsx” collected from 196 subscribers.

•   Part A: Perform agglomerative hierarchical clustering and interpret the results.