Czechitas-Python · ZelenyMartin · May 30, 2022 · May 29, 2022 · May 29, 2022 · May 29, 2022
diff --git a/datova-analyza/pandas-agregace/assets/maturita.csv b/datova-analyza/pandas-agregace/assets/maturita.csv
@@ -1,4 +1,4 @@
-jméno,předmět,známka,den,místnost
+jmeno,predmet,znamka,den,mistnost
 Lukáš Jurčík,Dějepis,3.0,pá,u202
 Pavel Horák,Matematika,2.0,út,u202
 Lukáš Jurčík,Společenské vědy,2.0,pá,u202

diff --git a/datova-analyza/pandas-agregace/assets/maturita2.csv b/datova-analyza/pandas-agregace/assets/maturita2.csv
@@ -1,4 +1,4 @@
-jméno,předmět,známka,den,místnost,datum,předs
+jmeno,predmet,znamka,den,mistnost,datum,preds
 Lukáš Jurčík,Dějepis,3.0,pá,u202,24.5.2019,Alena Pniáčková
 Lukáš Jurčík,Společenské vědy,2.0,pá,u202,24.5.2019,Alena Pniáčková
 Pavel Kysilka,Biologie,1.0,pá,u202,24.5.2019,Alena Pniáčková

diff --git a/datova-analyza/pandas-agregace/assets/predsedajici.csv b/datova-analyza/pandas-agregace/assets/predsedajici.csv
@@ -1,4 +1,4 @@
-den,datum,jméno
+den,datum,jmeno
 po,20.5.2019,Marie Zuzaňáková
 út,21.5.2019,Marie Zuzaňáková
 st,22.5.2019,Petr Ortinský

diff --git a/datova-analyza/pandas-agregace/assets/u202.csv b/datova-analyza/pandas-agregace/assets/u202.csv
@@ -1,4 +1,4 @@
-jméno,předmět,známka,den
+jmeno,predmet,znamka,den
 Jana Zbořilová,Chemie,,pá
 Lukáš Jurčík,Dějepis,3,pá
 Pavel Horák,Matematika,2,út

diff --git a/datova-analyza/pandas-agregace/assets/u203.csv b/datova-analyza/pandas-agregace/assets/u203.csv
@@ -1,4 +1,4 @@
-jméno,předmět,známka,den
+jmeno,predmet,znamka,den
 Kateřina Novotná,Společenské vědy,3,po
 Arnošt Sas,Matematika,5,po
 Vasil Lácha,Informatika,3,po

diff --git a/datova-analyza/pandas-agregace/assets/u302.csv b/datova-analyza/pandas-agregace/assets/u302.csv
@@ -1,4 +1,4 @@
-jméno,předmět,známka,den
+jmeno,predmet,znamka,den
 Petr Tábor,Informatika,1,po
 Petr Tábor,Společenské vědy,1,po
 Marie Krejcárková,Matematika,5,čt

diff --git a/datova-analyza/pandas-agregace/assets/vaha.txt b/datova-analyza/pandas-agregace/assets/vaha.txt
@@ -1,4 +1,4 @@
-den	váha	běh	týden
+den	vaha	beh	tyden
 pá 3.	75,6 kg	3 km	1
 so 4.	75,3 kh	pauza	1
 ne 5.	75,9kg	pauza	1

diff --git a/datova-analyza/pandas-agregace/excs/studenti/assets/jmena100.csv b/datova-analyza/pandas-agregace/excs/studenti/assets/jmena100.csv
@@ -1,4 +1,4 @@
-jméno,četnost,věk,pohlaví,svátek,původ
+jmeno,cetnost,vek,pohlavi,svatek,puvod
 Jiří,296090,49,m,24.4,řecký
 Jan,293938,40,m,24.6. a 6.7,hebrejský
 Petr,272135,42,m,22.2. a 29.6,řecký

diff --git a/datova-analyza/pandas-agregace/excs/studenti/assets/studenti1.csv b/datova-analyza/pandas-agregace/excs/studenti/assets/studenti1.csv
@@ -1,4 +1,4 @@
-jméno,příjmení,obor,ročník,kruh,prospěch
+jmeno,prijmeni,obor,rocnik,kruh,prospech
 Ludmila,Šindlerová,informatika a management,4,11,2.49
 Jan,Pekárek,softwarové inženýrství,1,7,1.05
 Milan,Weiss,počítačová grafika,5,11,2.62

diff --git a/datova-analyza/pandas-agregace/excs/studenti/assets/studenti2.csv b/datova-analyza/pandas-agregace/excs/studenti/assets/studenti2.csv
@@ -1,4 +1,4 @@
-jméno,příjmení,obor,ročník,kruh,prospěch
+jmeno,prijmeni,obor,rocnik,kruh,prospech
 Petr,Vanžura,správa IT systémů,3,3,2.24
 Josef,Pícha,webové inženýrství,2,9,2.52
 Michal,Steiner,informatika a management,2,2,2.33

diff --git a/datova-analyza/pandas-agregace/pandas-agregace.md b/datova-analyza/pandas-agregace/pandas-agregace.md
@@ -4,7 +4,7 @@ V předchozí lekci jsme si ukázali, jak se v Pandas vytvoří DataFrame a jak
 
 Abychom měli nějaký praktický příklad k procvičování, použijeme fiktivní data z výsledků maturitních zkoušek během jednoho týdne na nějakém menším gymnáziu. Maturita se odehrává ve třech místnostech: U202, U203 a U302. Máme tedy tři tabulky dat, z každé místnosti jednu. Níže si můžete prohlédnout příklad tabulky z místnosti U202. Všechny tabulky jsou ke stažení zde: [u202.csv](assets/u202.csv), [u203.csv](assets/u203.csv), [u302.csv](assets/u302.csv).
 
-| jméno             | předmět          | známka | den |
+| jmeno             | predmet          | znamka | den |
 | ----------------- | ---------------- | ------ | --- |
 | Jana Zbořilová    | Chemie           |        | pá  |
 | Lukáš Jurčík      | Dějepis          | 3      | pá  |
@@ -44,7 +44,7 @@ Pokud Pandas narazí na prázdnou buňku, vloží místo ní do tabulky speciál
 Série obsahují metodu `isnull`, která vrátí pravdivostní sérii s hodnotou `True` všude tam, kde v původní sérii chybí hodnota. Metoda `notnull` pracuje přesně opačně. Vrátí pravdivostní sérii s hodnotami `True` všude tam, kde v původní sérii hodnota nechybí.
 
 ```pycon
->>> u202['známka'].isnull()
+>>> u202['znamka'].isnull()
 0      True
 1     False
 2     False
@@ -60,14 +60,14 @@ Série obsahují metodu `isnull`, která vrátí pravdivostní sérii s hodnotou
 12    False
 13    False
 14    False
-Name: známka, dtype: bool
+Name: znamka, dtype: bool
 ```
 
-Tyto metody můžeme využít například k tomu, abychom získali všechna data, kde chybí hodnota ve sloupečku <i>známka</i>.
+Tyto metody můžeme využít například k tomu, abychom získali všechna data, kde chybí hodnota ve sloupečku <i>znamka</i>.
 
 ```pycon
->>> u202[u202['známka'].isnull()]
-            jméno  předmět  známka den
+>>> u202[u202['znamka'].isnull()]
+            jmeno  predmet  znamka den
 0  Jana Zbořilová   Chemie     NaN  pá
 9    Petr Valenta  Dějepis     NaN  pá
 ```
@@ -103,9 +103,9 @@ Pozor ale na to, že v takto vzniklém DataFrame se nám rozbije index, protože
 To už je lepší. Stále nám však zůstává jeden problém. Po spojení tabulek do jedné už nevíme, kdo maturoval v jaké místnosti. Tuto informaci si proto doplníme do původních tří tabulek jako nový sloupeček. Až poté tabulky spojíme do jedné.
 
 ```pycon
->>> u202['místnost'] = 'u202'
->>> u203['místnost'] = 'u203'
->>> u302['místnost'] = 'u302'
+>>> u202['mistnost'] = 'u202'
+>>> u203['mistnost'] = 'u203'
+>>> u302['mistnost'] = 'u302'
 >>> maturita = pandas.concat([u202, u203, u302], ignore_index=True)
 ```
 
@@ -121,7 +121,7 @@ Výslednou tabulku si můžete stáhnout jako soubor [maturita.csv](assets/matur
 
 Už jsme si ukázali, jak v Pandas spojovat tabulky za sebe, což v SQL odpovídá příkazu UNION. Pandas však umí DataFrame také mergovat, což odpovídá SQL příkazu JOIN. Abychom si tento postup mohli předvést, nečteme si tabulku, která uvádí, kdo v který den předsedal maturitní zkoušecí komisi.
 
-| den | datum     | jméno            |
+| den | datum     | jmeno            |
 | --- | --------- | ---------------- |
 | po  | 20.5.2019 | Marie Zuzaňáková |
 | út  | 21.5.2019 | Marie Zuzaňáková |
@@ -141,7 +141,7 @@ Join tabulek se v Pandas dělá pomocí funkce `merge`. Nejprve ji otestujme pou
 >>> test = pandas.merge(u202, preds)
 ```
 
-Takto na poprvé se však s úspěchem nesetkáme, neboť výsledkem příkazu bude prázdný DataFrame. Důvod je ten, že metoda `merge` dělá ve výchozím nastavení INNER JOIN podle všech sloupečků, které mají stejná jména. Naše dvě tabulky se tedy spojí podle sloupečků <i>jméno</i> a <i>den</i>. Tyto dva sloupečky ale nemají pro žádný řádek v obou tabulkách stejnou hodnotu, takže nám ve výsledku žádný řádek nezbude.
+Takto na poprvé se však s úspěchem nesetkáme, neboť výsledkem příkazu bude prázdný DataFrame. Důvod je ten, že metoda `merge` dělá ve výchozím nastavení INNER JOIN podle všech sloupečků, které mají stejná jména. Naše dvě tabulky se tedy spojí podle sloupečků <i>jmeno</i> a <i>den</i>. Tyto dva sloupečky ale nemají pro žádný řádek v obou tabulkách stejnou hodnotu, takže nám ve výsledku žádný řádek nezbude.
 
 Můžeme být neoblomná a zaexperimentovat s OUTER JOIN
 
@@ -154,45 +154,45 @@ Takto nám ale ve výsledku vznikne ohromné množství nedefinovaných hodnot.
 ```pycon
 >>> test = pandas.merge(u202, preds, on=['den'])
 >>> test.head()
-         jméno_x           předmět  známka den mistnost      datum           jméno_y
+         jmeno_x           predmet  znamka den mistnost      datum           jmeno_y
 0   Lukáš Jurčík           Dějepis     3.0  pá     u202  24.5.2019   Alena Pniáčková
 1   Lukáš Jurčík  Společenské vědy     2.0  pá     u202  24.5.2019   Alena Pniáčková
 2  Pavel Kysilka          Biologie     1.0  pá     u202  24.5.2019   Alena Pniáčková
 3    Pavel Horák        Matematika     2.0  út     u202  21.5.2019  Marie Zuzaňáková
 4    Pavel Horák            Chemie     5.0  út     u202  21.5.2019  Marie Zuzaňáková
 ```
 
-Potíž je v tom, že se teď oba sloupečky <i>jméno</i> automaticky přejmenovaly, aby neměly v tabulce stejný název. Zde můžeme použít metodu `rename`, abychom sloupečky přejmenovali na něco smysluplného.
+Potíž je v tom, že se teď oba sloupečky <i>jmeno</i> automaticky přejmenovaly, aby neměly v tabulce stejný název. Zde můžeme použít metodu `rename`, abychom sloupečky přejmenovali na něco smysluplného.
 
 ```pycon
-test = test.rename(columns={'jméno_x': 'jméno', 'jméno_y': 'předs'})
+test = test.rename(columns={'jmeno_x': 'jmeno', 'jmeno_y': 'preds'})
 ```
 
 Nyní už tabulka vypadá hezky. Proveďme tedy totéž pro celý náš maturitní dataset a opět si jej uložme do souboru, ať jej máme vždy po ruce.
 
 ```pycon
 >>> maturita2 = pandas.merge(maturita, preds, on=['den'])
->>> maturita2 = maturita2.rename(columns={'jméno_x': 'jméno', 'jméno_y': 'předs'})
+>>> maturita2 = maturita2.rename(columns={'jmeno_x': 'jmeno', 'jmeno_y': 'preds'})
 >>> maturita2.to_csv('maturita2.csv', index=False)
 ```
 
 Výslednou tabulku si opět můžete stáhnout jako soubor [maturita2.csv](assets/maturita2.csv).
 
 ## Grupování
 
-Z databází známe kromě UNION a JOIN také operaci GROUP BY. V Pandas ji provedeme tak, že pomocí metody <i>groupby</i> vyrobíme z DataFrame speciální objekt `DataFrameGroupBy`. Dejme tomu, že chceme grupovat podle sloupečku <i>místnost</i>.
+Z databází známe kromě UNION a JOIN také operaci GROUP BY. V Pandas ji provedeme tak, že pomocí metody <i>groupby</i> vyrobíme z DataFrame speciální objekt `DataFrameGroupBy`. Dejme tomu, že chceme grupovat podle sloupečku <i>mistnost</i>.
 
 ```pycon
->>> maturita2.groupby('místnost')
+>>> maturita2.groupby('mistnost')
 <pandas.core.groupby.generic.DataFrameGroupBy object at 0x7f96153a1cf8>
 ```
 
 Na tomto speciálním objektu pak můžeme používat různé agregační funkce. Nejjednodušší je funkce `count`
 
 ```pycon
->>> maturita2.groupby('místnost').count()
-          jméno  předmět  známka  den  datum  předs
-místnost
+>>> maturita2.groupby('mistnost').count()
+          jmeno  predmet  znamka  den  datum  preds
+mistnost
 u202         13       13      13   13     13     13
 u203         13       13      13   13     13     13
 u302         12       12      12   12     12     12
@@ -215,13 +215,13 @@ Další užitečné agregační funkce jsou například
 Nemusíme samozřejmě grupovat přes všechny sloupečky. Vybereme si pouze ty, které nás zajímají. Zkusme například spočítat průměrnou známku z jednotlivých předmětů.
 
 ```pycon
->>> maturita2.groupby('předmět')['známka'].mean()
+>>> maturita2.groupby('predmet')['znamka'].mean()
 ```
 
 Všimněte si, že takto obdržíme sérii, nikoliv DataFrame. Pozornější z vás možná tuší, že abychom získali DataFrame, musíme psát
 
 ```pycon
->>> maturita2.groupby('předmět')[['známka']].mean()
+>>> maturita2.groupby('predmet')[['znamka']].mean()
 ```
 
 ## Cvičení

diff --git a/datova-analyza/pandas-dotazy/excs/ceska-jmena/assets/jmena100.csv b/datova-analyza/pandas-dotazy/excs/ceska-jmena/assets/jmena100.csv
@@ -1,4 +1,4 @@
-jméno,četnost,věk,pohlaví,svátek,původ
+jmeno,cetnost,vek,pohlavi,svatek,puvod
 Jiří,296090,49,m,24.4,řecký
 Jan,293938,40,m,24.6. a 6.7,hebrejský
 Petr,272135,42,m,22.2. a 29.6,řecký

diff --git a/datova-analyza/pandas-dotazy/excs/ceska-jmena/exercise.md b/datova-analyza/pandas-dotazy/excs/ceska-jmena/exercise.md
@@ -3,16 +3,16 @@ title: Česká jména
 demand: 2
 ---
 
-Stáhněte si soubor [jmena100.csv](assets/jmena100.csv), který obsahuje tabulku 100 nejpoužívanějších českých křestních jmen seřazených od nejpoužívanějšího k nejméně používanému. Otevřete Python konzoli a pomocí Pandas načtěte tuto tabulku jako DataFrame. Jako index zvolte sloupec s názvem 'jméno'.
+Stáhněte si soubor [jmena100.csv](assets/jmena100.csv), který obsahuje tabulku 100 nejpoužívanějších českých křestních jmen seřazených od nejpoužívanějšího k nejméně používanému. Otevřete Python konzoli a pomocí Pandas načtěte tuto tabulku jako DataFrame. Jako index zvolte sloupec s názvem 'jmeno'.
 
 Datový soubor obsahuje následující sloupečky
 
-- **jméno** \- křestní jméno
-- **četnost** \- počet obyvatel ČR mající toto jméno
-- **věk** \- průměrný věk nositelů jména
-- **pohlaví** \- zda je jméno mužské či ženské
-- **svátek** \- datum, kdy má dané jméno svátek
-- **původ** \- původ jména
+- **jmeno** \- křestní jméno
+- **cetnost** \- počet obyvatel ČR mající toto jméno
+- **vek** \- průměrný věk nositelů jména
+- **pohlavi** \- zda je jméno mužské či ženské
+- **svatek** \- datum, kdy má dané jméno svátek
+- **puvod** \- původ jména
 
 Vyřešte následující úkoly.
 

diff --git a/datova-analyza/pandas-transformace/assets/vaha.txt b/datova-analyza/pandas-transformace/assets/vaha.txt
@@ -1,4 +1,4 @@
-den	váha	běh	týden
+den	vaha	beh	tyden
 pá 3.	75,6 kg	3 km	1
 so 4.	75,3 kh	pauza	1
 ne 5.	75,9kg	pauza	1

diff --git a/datova-analyza/pandas-transformace/pandas-transformace.md b/datova-analyza/pandas-transformace/pandas-transformace.md
@@ -60,7 +60,7 @@ Vytváření vlastních funkcí jsme si nevysvětlovali jen tak nazdařbůh. Na
 
 Uvažme jakéhosi Kristiána, jenž se snaží o zhubnutí do svého obleku, který má ještě z tanečních na střední škole. Náš Kristián se rozhodl po 14 dní zdravěji jíst a chodit pravidelně běhat. Své úsilí si poctivě zaznamenával do následující tabulky.
 
-| den    | váha    | běh   | týden |
+| den    | vaha    | beh   | tyden |
 | ------ | ------- | ----- | ----- |
 | pá 3.  | 75,6 kg | 3 km  | 1     |
 | so 4.  | 75,3 kh | pauza | 1     |
@@ -176,7 +176,7 @@ print(vaha)
 ```
 
 ```pycon
-    den     váha    běh  týden  číslo dne
+    den     vaha    beh  tyden  číslo dne
 0   pá   75,6 kg   3 km      1          3
 1   so   75,3 kh  pauza      1          4
 2   ne    75,9kg  pauza      1          5
@@ -215,12 +215,12 @@ def kilogramy(vstup):
 Nyní jsme připravení tuto funkci vypustit na naše data. K tomu použijeme metodu na sériích s názvem `apply`. Tato metoda očekává jako vstup nějakou funkci. Tuto funkci pak spustí na každou jednotlivou položku série a ze získaných výsledků vyrobí novou sérii. Pokud vám tento postup připomíná chroustání seznamů, trefili jste do černého. Pojďme si tento postup vyzkoušet s naší novou funkcí.
 
 ```pycon
-vaha['váha'] = vaha['váha'].apply(kilogramy)
+vaha['vaha'] = vaha['vaha'].apply(kilogramy)
 print(vaha)
 ```
 
 ```pycon
-    den  váha    běh  týden  číslo dne
+    den  vaha    beh  tyden  číslo dne
 0   pá   75.6   3 km      1          3
 1   so   75.3  pauza      1          4
 2   ne   75.9  pauza      1          5
@@ -244,15 +244,15 @@ Nádhera! Naše data jsou nyní mnohem učesanější a můžeme je začít vyho
 Naše dnešní povídání o Pandas završíme tím, že si vytvoříme vlastní agregační funkci. Agregace pomocí vestavěných funkcí jako je součet, průměr, rozptyl apod. už jsme viděli. Takto bychom například mohli spočítat průměr váhy za každý týden zvlášť.
 
 ```py
-print(vaha.groupby('týden')['váha'].mean())
+print(vaha.groupby('tyden')['vaha'].mean())
 ```
 
 ```pycon
 Name: den, dtype: object
-týden
+tyden
 1    75.457143
 2    74.414286
-Name: váha, dtype: float64
+Name: vaha, dtype: float64
 ```
 
 V reálném světě tam venku se nám však snadno může stát, že budeme potřebovat agregovat data nějakým složitějším způsobem nebo prostě způsobem, který v sobě Pandas nemá přímo zabudovaný. Uvažme například situaci, kdy chceme spočítat takzvané rozpětí váhy za každý týden. Rozpětí je rozdíl mezi minimální a maximální hodnotou. Takovouto agregační funkci Pandas přímo nenabízí. Musíme si ji napsat sami.
@@ -267,7 +267,7 @@ def spread(serie):
 Nyní stačí tuto funkci předat metodě `agg`. Tuto metodu můžeme volat na jednotlivých sériích. Zjistěme například rozpětí všech vah za celých 14 dní.
 
 ```py
-print(vaha['váha'].agg(spread))
+print(vaha['vaha'].agg(spread))
 ```
 
 ```pycon
@@ -277,12 +277,12 @@ print(vaha['váha'].agg(spread))
 Mnohem mocnější jsou však agregace při grupování. Naše funkce `spread` se tak zavolá na každou skupinu, která grupováním vznikne. Můžeme tedy rovnou spočítat rozpětí váhy v jednotlivých týdnech.
 
 ```py
-print(vaha.groupby('týden')['váha'].agg(spread))
+print(vaha.groupby('tyden')['vaha'].agg(spread))
 ```
 
 ```pycon
-týden
+tyden
 1    1.2
 2    1.4
-Name: váha, dtype: float64
+Name: vaha, dtype: float64
 ```
diff --git a/zaklady-programovani/hodnoty-promenne-funkce/excs/prumerne-teploty.md b/zaklady-programovani/hodnoty-promenne-funkce/excs/prumerne-teploty.md
@@ -1,5 +1,5 @@
 ---
-title: Průměrní teploty
+title: Průměrné teploty
 demand: 2
 ---
 

diff --git a/zaklady-programovani/opakovani/assets/studenti.txt b/zaklady-programovani/opakovani/assets/studenti.txt
@@ -1,4 +1,4 @@
-jméno příjmení  rodné číslo
+jmeno prijmeni  rodne cislo
 Květoslava	Příbrská	895203/6093
 Jindřich	Linhart	940720/2024
 Josef	Hurta	880705/7017

diff --git a/zaklady-programovani/prvni-programy/excs/teploty-jako-program.md b/zaklady-programovani/prvni-programy/excs/teploty-jako-program.md
@@ -3,4 +3,4 @@ title: Teploty jako program
 demand: 1
 ---
 
-Minulý týden jsme dělali [cvičení na zpracování teplot](text-chroustani#excs>seznam-teplot). Udělejte toto cvičení znovu, tentokrát jako program, který všechny požadované informace vypíše hezky přehledně na obrazovku.
+Minule jsme dělali [cvičení na zpracování teplot](text-chroustani#excs>seznam-teplot). Udělejte toto cvičení znovu, tentokrát jako program, který všechny požadované informace vypíše hezky přehledně na obrazovku.
diff --git a/zaklady-programovani/text-chroustani/text-chroustani.md b/zaklady-programovani/text-chroustani/text-chroustani.md
@@ -243,8 +243,7 @@ Pokud se pak rozhodneme, že bychom chtěli jen celé kilometry bez desetinných
 ## Seznamy seznamů
 
 Ještě zajímavější situace nastane, budeme-li chtít zchroustat seznam seznamů.
-Minulý týden jsme vyráběli seznam známek ze čtyř písemek pro šest účastníků
-kurzu. Mohl by vypadat například takto:
+Zkusme se podívat na seznam známek ze čtyř písemek od šesti účastníků kurzu. Mohl by vypadat například takto:
 
 ```py
 pisemky = [