Add CS version of the case study

Author: bcopy

content/titanic/CaseStudy.cs.md

@@ -141,7 +141,7 @@ plt.show()
 #počet přeživších
 f,ax=plt.subplots(figsize=(5,5))
 survivd_counts = df_titanic.Survived.value_counts()
-přežil_počet.plot.bar(ax=ax)
+survivd_counts.plot.bar(ax=ax)
 ax.set_title('Zahynulí vs. přežili')
 plt.show()
 #Procento přeživších
@@ -195,7 +195,7 @@ Histogram lze udělat několika způsoby. Ukážeme si 3 způsoby.
 - pd.Sereis.hist(): nejjednodušší a standardně zvládne NaN
 ##### Úkol 10: Vykreslete histogram pro věk
 Použijte funkci pandas Series hist(), která zpracovává chybějící hodnotu.
-#use dataframe hist(), který bude standardně zpracovávat NaN
+# použít dataframe hist(), který bude standardně zpracovávat NaN
 obr, ax = plt.subplots()
 df_titanic.Age.hist(ax=ax, bins=20, edgecolor='black', alpha=0.5)
 ##### Úkol 11: Naskládejte věkový histogram přežitých na vrchol celkového věkového histogramu
@@ -220,7 +220,7 @@ Předvedeme si plnění průměrem/režimem a odhadem z dalších sloupců.
 #### Vyplňte průměrem/režimem
 Embarked má pouze 2 chybějící hodnoty a neexistuje žádný zřejmý způsob, jak odhadnout chybějící hodnotu, jednoduše ji doplníme režimem sloupce nebo 'S'
 ##### Úkol 12: Doplňte chybějící Nastoupili jste s režimem
-#fill NaN v režimu Embarked with
+# fill NaN v režimu Embarked with
 df_titanic['Embarked'].fillna(df_titanic.Embarked.mode()[0],inplace=True)
 df_titanic.info()
 #### Vyplňte odhadovanou hodnotou
@@ -232,7 +232,7 @@ Pokud se podíváme na všechna jména cestujících Titaniku, vidíme, že jmé
 - Nejprve použijeme regulární výraz k extrahování názvu z názvu.
 - Poté převedeme název na velká písmena.
 - Chybějící věk pak doplníme průměrným věkem konkrétního titulu.
-#extrahujte předponu z názvu
+# extrahujte předponu z názvu
 df_titanic['Title']=df_titanic.Name.str.extract('([A-Za-z]+\.)')
 df_titanic.head()
 ##### Úkol 13: převeďte počáteční písmena na velká písmena.

content/titanic/CaseStudy_Titanic-Solution.ipynb

@@ -708,7 +708,7 @@
     "\n",
     "Categorical Features in the dataset: Sex,Embarked.\n",
     "\n",
-    "##### Continous Feature:\n",
+    "##### Continuous Feature:\n",
     "A feature is said to be continous if it can take values between any two points or between the minimum or maximum values in the features column.\n",
     "\n",
     "Continous Features in the dataset: Fare"
@@ -2061,7 +2061,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "##### Task16: Contruct a regresson on Fare\n",
+    "##### Task16: Construct a regression on Fare\n",
     "Construct regression model with statsmodels.\n",
     "\n",
     "Pick Pclass, Embarked, FamilySize as independent variables."