7_판다스3

import warnings
warnings.filterwarnings('ignore')
from IPython.display import Image
import numpy as np
import pandas as pd

#분석하기 좋은 데이터
#분석하기 좋은 데이터는 데이터 집합을 분석하기 좋은 형태로 만들어 놓은 것을 
#말하고 데이터 분석 단계에서 데이터 정리는 아주 중요한 작업으로 실제 데이터 
#분석 작업의 70% 이상을 차지하고 있는 작업이 데이터 정리 작업이다.
#=> 데이터 전처리
#분석하기 좋은 데이터는 데이터 분석 목적에 맞는 데이터를 모아 표(table)를 
#만들어야 하고 측정한 값은 행으로 변수는 열로 구성을 하며 이 조건을 만족하는 
#데이터를 깔끔한 데이터(Tidy Data)라고 부른다.

df1 = pd.read_csv('./data/concat_1.csv')
df1

	A	B	C	D
0	a0	b0	c0	d0
1	a1	b1	c1	d1
2	a2	b2	c2	d2
3	a3	b3	c3	d3

df2 = pd.read_csv('./data/concat_1.csv')
df2

	A	B	C	D
0	a0	b0	c0	d0
1	a1	b1	c1	d1
2	a2	b2	c2	d2
3	a3	b3	c3	d3

df3 = pd.read_csv('./data/concat_1.csv')
df3

	A	B	C	D
0	a0	b0	c0	d0
1	a1	b1	c1	d1
2	a2	b2	c2	d2
3	a3	b3	c3	d3

#concat()함수는 연결하려는 데이터프레임을 리스트에 담아서 전달하면
#연결된 데이터프레임으로 변환한다. 
#=>두개 이상 연결할 때 concat([데이터프레임1, 데이터프레임2, .....])
#데이터프레임을 연결할 때 기본값으로 위에서 아래 방향으로 연결되고
#df1,df2,df3은 열 이름이 모두 A,B,C,D로 같고 데이터프레임을 연결한
#다음에도 열이 그대로 유지되고 인덱스도 유지된다.
#row_concat = pd.concat([df1,df2,df3], axis=0)
row_concat = pd.concat([df1,df2,df3])
row_concat

	A	B	C	D
0	a0	b0	c0	d0
1	a1	b1	c1	d1
2	a2	b2	c2	d2
3	a3	b3	c3	d3
0	a0	b0	c0	d0
1	a1	b1	c1	d1
2	a2	b2	c2	d2
3	a3	b3	c3	d3
0	a0	b0	c0	d0
1	a1	b1	c1	d1
2	a2	b2	c2	d2
3	a3	b3	c3	d3

#데이터프레임에 시리즈 연결하기
new_row_series=pd.Series(['n1', 'n2', 'n3', 'n4'])
new_row_series

0    n1
1    n2
2    n3
3    n4
dtype: object

#시리즈가 새로운 행으로 추가되지 않고 새로운 열로 추가된다.
#=>NaN을 누락값(결축치)이라 부른다.
#시리즈에 열 이름이 없기 때문에 시리를 데이터프레임에 새로운
#행으로 추가혈 해도 제대로 추가되지 않는다.
#새로운 시리즈를 새로운 열로 간주해서 '0'이라는 이름의 
#열로 추가한다.
pd.concat([df1,new_row_series ])

	A	B	C	D	0
0	a0	b0	c0	d0	NaN
1	a1	b1	c1	d1	NaN
2	a2	b2	c2	d2	NaN
3	a3	b3	c3	d3	NaN
0	NaN	NaN	NaN	NaN	n1
1	NaN	NaN	NaN	NaN	n2
2	NaN	NaN	NaN	NaN	n3
3	NaN	NaN	NaN	NaN	n4

#행이 한개인 데이터프레임을 생성해서 df1에 추가한다.
#데이터프레임을 만드는 DataFrame()함수로 데이터프레임을
#구성하려는 데이터는 반드시 전체를 리스트로 묶어 전달해야 한다.
#데이터프레임으로 구성할 데이터를 리스트로 묶어서 전달하지 않으면
#데이터 하나하나를 개별 데이터로 취급해서 행 단위의 데이터프레임이
#생성되지 않고 열 단위의 데이터프레임이 생성된다.
new_row_df = pd.DataFrame(['n1', 'n2', 'n3', 'n4']) # 열 단위의 데이터프레임이 생성된다.
new_row_df

	0
0	n1
1	n2
2	n3
3	n4

pd.concat([df1, new_row_df])

	A	B	C	D	0
0	a0	b0	c0	d0	NaN
1	a1	b1	c1	d1	NaN
2	a2	b2	c2	d2	NaN
3	a3	b3	c3	d3	NaN
0	NaN	NaN	NaN	NaN	n1
1	NaN	NaN	NaN	NaN	n2
2	NaN	NaN	NaN	NaN	n3
3	NaN	NaN	NaN	NaN	n4

new_row_df2 = pd.DataFrame([['n1', 'n2', 'n3', 'n4']]) # 행 단위의 데이터프레임이 생성된다.
new_row_df2

	0	1	2	3
0	n1	n2	n3	n4

# 열 이름을 지정하지 않으면 판다스가 '0', '1', '2', '3'과 같은 방식으로 열 이름을 붙여주기 때문에 columns 속성을 사용해서
# 데이터프레임 생성시 열 이름을 지정해야 한다.
print(list(new_row_df2.columns))
new_row_df2 = pd.DataFrame([['n1', 'n2', 'n3', 'n4']], columns=['A', 'B', 'C', 'D'])
print(list(new_row_df2.columns))

[0, 1, 2, 3]
['A', 'B', 'C', 'D']

pd.concat([df1, new_row_df2])

	A	B	C	D
0	a0	b0	c0	d0
1	a1	b1	c1	d1
2	a2	b2	c2	d2
3	a3	b3	c3	d3
0	n1	n2	n3	n4

new_row_df3 = pd.DataFrame([['n1', 'n2', 'n3', 'n4']])
new_row_df3

	0	1	2	3
0	n1	n2	n3	n4

# columns 속성만 사용하면 데이터프레임의 열 이름을 얻어오는 기능을 실행한다.
print(list(new_row_df3.columns))
# 데이터프레임의 columns 속성만 사용하면 데이터프레임의 열 이름을 얻어오지만 columns 속성에 리스트로 묶인 열 이름을 전달하면
# 데이터프레임의 열 이름을 변경할 수 있다.
new_row_df3.columns = ['A', 'B', 'C', 'D']
print(list(new_row_df3.columns))

[0, 1, 2, 3]
['A', 'B', 'C', 'D']

pd.concat([df1, new_row_df3])

	A	B	C	D
0	a0	b0	c0	d0
1	a1	b1	c1	d1
2	a2	b2	c2	d2
3	a3	b3	c3	d3
0	n1	n2	n3	n4

# concat() 함수로 데이터프레임을 연결할 때 axis=1로 지정하면 왼쪽에서 오른쪽으로 합치기가 실행된다.
col_concat = pd.concat([df1, df2, df3], axis=1)
col_concat

	A	B	C	D	A	B	C	D	A	B	C	D
0	a0	b0	c0	d0	a0	b0	c0	d0	a0	b0	c0	d0
1	a1	b1	c1	d1	a1	b1	c1	d1	a1	b1	c1	d1
2	a2	b2	c2	d2	a2	b2	c2	d2	a2	b2	c2	d2
3	a3	b3	c3	d3	a3	b3	c3	d3	a3	b3	c3	d3

col_concat.columns

Index(['A', 'B', 'C', 'D', 'A', 'B', 'C', 'D', 'A', 'B', 'C', 'D'], dtype='object')

# 같은 열 이름이 있는 데이터프레임에서 열 이름으로 데이터를 추출하면 해당 열 이름의 데이터를 모두 추출한다.
col_concat['A']

	A	A	A
0	a0	a0	a0
1	a1	a1	a1
2	a2	a2	a2
3	a3	a3	a3

# concat() 함수에 ignore_index=True 옵션을 지정하면 기존 열 이름을 무시하고 0부터 1씩 증가하면서 열 이름이 다시 부여된다.
col_concat = pd.concat([df1, df2, df3], axis=1, ignore_index=True)
col_concat

	0	1	2	3	4	5	6	7	8	9	10	11
0	a0	b0	c0	d0	a0	b0	c0	d0	a0	b0	c0	d0
1	a1	b1	c1	d1	a1	b1	c1	d1	a1	b1	c1	d1
2	a2	b2	c2	d2	a2	b2	c2	d2	a2	b2	c2	d2
3	a3	b3	c3	d3	a3	b3	c3	d3	a3	b3	c3	d3

col_concat.columns = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L']
col_concat

	A	B	C	D	E	F	G	H	I	J	K	L
0	a0	b0	c0	d0	a0	b0	c0	d0	a0	b0	c0	d0
1	a1	b1	c1	d1	a1	b1	c1	d1	a1	b1	c1	d1
2	a2	b2	c2	d2	a2	b2	c2	d2	a2	b2	c2	d2
3	a3	b3	c3	d3	a3	b3	c3	d3	a3	b3	c3	d3

# 데이터프레임['열이름'] = [리스트] 형태로 실행하면 간편하게 새로운 열을 추가할 수 있다.
col_concat['new_col_list'] = ['n1', 'n2', 'n3', 'n4']
col_concat

	A	B	C	D	E	F	G	H	I	J	K	L	new_col_list
0	a0	b0	c0	d0	a0	b0	c0	d0	a0	b0	c0	d0	n1
1	a1	b1	c1	d1	a1	b1	c1	d1	a1	b1	c1	d1	n2
2	a2	b2	c2	d2	a2	b2	c2	d2	a2	b2	c2	d2	n3
3	a3	b3	c3	d3	a3	b3	c3	d3	a3	b3	c3	d3	n4

# concat() 함수는 한 번에 2개 이상의 데이터프레임을 연결하는 함수이다. 만약 연결할 데이터프레임이 1개라면 append() 함수를 
# 사용하면 된다.
#df2 = pd.read_csv('./data/concat_1.csv')
#new_row_df3 = pd.DataFrame([['n1', 'n2', 'n3', 'n4']])

df2.append(new_row_df3)

	A	B	C	D
0	a0	b0	c0	d0
1	a1	b1	c1	d1
2	a2	b2	c2	d2
3	a3	b3	c3	d3
0	n1	n2	n3	n4

# concat(), append() 함수를 사용해서 데이터프레임을 연결할 때 인덱스를 다시 부여하려면 ignore_index 옵션을 사용한다.
# ignore_index 옵션은 생략시 기본값이 False이고 기존 인덱스가 유지되지만 True로 지정하면 기존 인덱스가 무시되고 0부터 1씩 증가
# 하면서 다시 부여된다.
df2.append(new_row_df3, ignore_index=True)

	A	B	C	D
0	a0	b0	c0	d0
1	a1	b1	c1	d1
2	a2	b2	c2	d2
3	a3	b3	c3	d3
4	n1	n2	n3	n4

# append() 함수에 딕셔너리를 사용하면 데이터를 판다스 데이터프레임으로 구성하지 않고도 데이터프레임에 추가할 수 있다.
# 데이터프레임.append(추가할 데이터가 저장된 딕셔너리)
data_dict = {'A': 'n5', 'B': 'n6', 'C': 'n7', 'D': 'n8'}
print(data_dict)
# append() 함수로 딕셔너리를 데이터프레임에 추가하려면 딕셔너리는 데이터프레임을 구성하는 인덱스가 없으므로 ignore_index=True
# 옵션을 지정해서 인덱스를 다시 부여해야 에러가 발생되지 않는다.
#df3.append(data_dict) # 에러
df3.append(data_dict, ignore_index=True)

{'A': 'n5', 'B': 'n6', 'C': 'n7', 'D': 'n8'}

	A	B	C	D
0	a0	b0	c0	d0
1	a1	b1	c1	d1
2	a2	b2	c2	d2
3	a3	b3	c3	d3
4	n5	n6	n7	n8

#join속성을 'inner'로 지정해서 데이터프레임의 공통 열만
#골라 연결하면 누락값이 생기지 않는다.
#join 속성의 기본값은 'outer'로 공통연결 여부와 상관없이
#연결한다.
print(df1.columns)

df2.columns = ['E', 'F', 'G', 'H']
print(df2.columns)

df3.columns = ['A', 'C', 'F', 'H']
print(df3.columns)

Index(['A', 'B', 'C', 'D'], dtype='object')
Index(['E', 'F', 'G', 'H'], dtype='object')
Index(['A', 'C', 'F', 'H'], dtype='object')

row_concat = pd.concat([df1, df2, df3])
row_concat

	A	B	C	D	E	F	G	H
0	a0	b0	c0	d0	NaN	NaN	NaN	NaN
1	a1	b1	c1	d1	NaN	NaN	NaN	NaN
2	a2	b2	c2	d2	NaN	NaN	NaN	NaN
3	a3	b3	c3	d3	NaN	NaN	NaN	NaN
0	NaN	NaN	NaN	NaN	a0	b0	c0	d0
1	NaN	NaN	NaN	NaN	a1	b1	c1	d1
2	NaN	NaN	NaN	NaN	a2	b2	c2	d2
3	NaN	NaN	NaN	NaN	a3	b3	c3	d3
0	a0	NaN	b0	NaN	NaN	c0	NaN	d0
1	a1	NaN	b1	NaN	NaN	c1	NaN	d1
2	a2	NaN	b2	NaN	NaN	c2	NaN	d2
3	a3	NaN	b3	NaN	NaN	c3	NaN	d3

#df1, df2, df3 데이터프레임은 3개 모두 공통열(하나라도 비지 않은 열)이
#없기 때문에 빈 데이터프레임이 출력된다(인덱스만 나온다.).
row_concat = pd.concat([df1, df2, df3], join='inner')
row_concat

0
1
2
3
0
1
2
3
0
1
2
3

#df1, df3데이터프레임은 2개 모두 공통 열이 있기 때문에
#공통 열을 연결한다.
#=>A,C열이 공통 열로 연결된다.
pd.concat([df1, df3], join='inner')

	A	C
0	a0	c0
1	a1	c1
2	a2	c2
3	a3	c3
0	a0	b0
1	a1	b1
2	a2	b2
3	a3	b3

#df1, df3데이터프레임은 2개 모두 공통 열이 있기 때문에
#공통 열을 연결한다.
#=>F,H열이 공통 열로 연결된다.
pd.concat([df2, df3], join='inner')

	F	H
0	b0	d0
1	b1	d1
2	b2	d2
3	b3	d3
0	c0	d0
1	c1	d1
2	c2	d2
3	c3	d3

print(df1.index)
print(list(df1.index))

#데이터프레임의 인덱스를 변경하려면
#데이터프레임의 index 속성에 새 인덱스를
#리스트로 전달하면 된다.
df2.index = [4,5,6,7]
print(list(df2.index))

df3.index = [0,2,5,6]
print(list(df3.index))

RangeIndex(start=0, stop=4, step=1)
[0, 1, 2, 3]
[4, 5, 6, 7]
[0, 2, 5, 6]

col_concat = pd.concat([df1, df2, df3], axis= 1)
col_concat

	A	B	C	D	E	F	G	H	A	C	F	H
0	a0	b0	c0	d0	NaN	NaN	NaN	NaN	a0	b0	c0	d0
1	a1	b1	c1	d1	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
2	a2	b2	c2	d2	NaN	NaN	NaN	NaN	a1	b1	c1	d1
3	a3	b3	c3	d3	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
4	NaN	NaN	NaN	NaN	a0	b0	c0	d0	NaN	NaN	NaN	NaN
5	NaN	NaN	NaN	NaN	a1	b1	c1	d1	a2	b2	c2	d2
6	NaN	NaN	NaN	NaN	a2	b2	c2	d2	a3	b3	c3	d3
7	NaN	NaN	NaN	NaN	a3	b3	c3	d3	NaN	NaN	NaN	NaN

#df1, df2, df3 데이터프레임은 3개 모두
#공통인덱스가 없으므로 빈 데이터프레임이
#출력된다.
pd.concat([df1, df2, df3], axis= 1, join="inner")

	A	B	C	D	E	F	G	H	A	C	F	H

#df1, df3 데이터프레임은 2개 모두 공통 인덱스가
#있으므로 공통 인덱스를 연결한다.
#=>0,2행이 공통 행으로 연결된다.
pd.concat([df1,df3], axis= 1, join="inner")

	A	B	C	D	A	C	F	H
0	a0	b0	c0	d0	a0	b0	c0	d0
2	a2	b2	c2	d2	a1	b1	c1	d1

#df2, df3 데이터프레임은 2개 모두 공통 인덱스가
#있으므로 공통 인덱스를 연결한다.
#=>5,6행이 공통 행으로 연결된다.
pd.concat([df2,df3], axis= 1, join="inner")

	E	F	G	H	A	C	F	H
5	a1	b1	c1	d1	a2	b2	c2	d2
6	a2	b2	c2	d2	a3	b3	c3	d3

# survey_person.csv  => 관측한 사람
# survey_site.csv    => 관측 위치
# survey_survey.csv  => 날씨 정보 
# survey_visited.csv => 관측 날짜
person = pd.read_csv('./data/survey_person.csv')
person

	ident	personal	family
0	dyer	William	Dyer
1	pb	Frank	Pabodie
2	lake	Anderson	Lake
3	roe	Valentina	Roerich
4	danforth	Frank	Danforth

site = pd.read_csv('./data/survey_site.csv')
site

	name	lat	long
0	DR-1	-49.85	-128.57
1	DR-3	-47.15	-126.72
2	MSK-4	-48.87	-123.40

survey = pd.read_csv('./data/survey_survey.csv')
survey

	taken	person	quant	reading
0	619	dyer	rad	9.82
1	619	dyer	sal	0.13
2	622	dyer	rad	7.80
3	622	dyer	sal	0.09
4	734	pb	rad	8.41
5	734	lake	sal	0.05
6	734	pb	temp	-21.50
7	735	pb	rad	7.22
8	735	NaN	sal	0.06
9	735	NaN	temp	-26.00
10	751	pb	rad	4.35
11	751	pb	temp	-18.50
12	751	lake	sal	0.10
13	752	lake	rad	2.19
14	752	lake	sal	0.09
15	752	lake	temp	-16.00
16	752	roe	sal	41.60
17	837	lake	rad	1.46
18	837	lake	sal	0.21
19	837	roe	sal	22.50
20	844	roe	rad	11.25

visited = pd.read_csv('./data/survey_visited.csv')
visited

	ident	site	dated
0	619	DR-1	1927-02-08
1	622	DR-1	1927-02-10
2	734	DR-3	1939-01-07
3	735	DR-3	1930-01-12
4	751	DR-3	1930-02-26
5	752	DR-3	NaN
6	837	MSK-4	1932-01-14
7	844	DR-1	1932-03-22

from IPython.display import Image
#merge()함수는 기본적으로 내부(inner) 조인을 실행하며
#함수를 실행한 데이터프레임이 왼쪽(left_on)으로 지정되고
#첫번째 인수로 지정된 데이터프레임이 오른쪽(right_on)으로
#지정되며 left_on, right_on속성은 각각 왼쪽과 오른쪽 
#데이터프레임에서 일치해야할 열을 지정한다.
print(site.columns)
print(visited.columns)
site
visited
s2v_merge = site.merge(visited, left_on='name', right_on='site')
s2v_merge

Index(['name', 'lat', 'long'], dtype='object')
Index(['ident', 'site', 'dated'], dtype='object')

	name	lat	long	ident	site	dated
0	DR-1	-49.85	-128.57	619	DR-1	1927-02-08
1	DR-1	-49.85	-128.57	622	DR-1	1927-02-10
2	DR-1	-49.85	-128.57	844	DR-1	1932-03-22
3	DR-3	-47.15	-126.72	734	DR-3	1939-01-07
4	DR-3	-47.15	-126.72	735	DR-3	1930-01-12
5	DR-3	-47.15	-126.72	751	DR-3	1930-02-26
6	DR-3	-47.15	-126.72	752	DR-3	NaN
7	MSK-4	-48.87	-123.40	837	MSK-4	1932-01-14

print(person.columns)
print(survey.columns)

p2s_merge = person.merge(survey, left_on='ident', right_on='person')
p2s_merge

Index(['ident', 'personal', 'family'], dtype='object')
Index(['taken', 'person', 'quant', 'reading'], dtype='object')

	ident	personal	family	taken	person	quant	reading
0	dyer	William	Dyer	619	dyer	rad	9.82
1	dyer	William	Dyer	619	dyer	sal	0.13
2	dyer	William	Dyer	622	dyer	rad	7.80
3	dyer	William	Dyer	622	dyer	sal	0.09
4	pb	Frank	Pabodie	734	pb	rad	8.41
5	pb	Frank	Pabodie	734	pb	temp	-21.50
6	pb	Frank	Pabodie	735	pb	rad	7.22
7	pb	Frank	Pabodie	751	pb	rad	4.35
8	pb	Frank	Pabodie	751	pb	temp	-18.50
9	lake	Anderson	Lake	734	lake	sal	0.05
10	lake	Anderson	Lake	751	lake	sal	0.10
11	lake	Anderson	Lake	752	lake	rad	2.19
12	lake	Anderson	Lake	752	lake	sal	0.09
13	lake	Anderson	Lake	752	lake	temp	-16.00
14	lake	Anderson	Lake	837	lake	rad	1.46
15	lake	Anderson	Lake	837	lake	sal	0.21
16	roe	Valentina	Roerich	752	roe	sal	41.60
17	roe	Valentina	Roerich	837	roe	sal	22.50
18	roe	Valentina	Roerich	844	roe	rad	11.25

v2s_merge = visited.merge(site, left_on='site', right_on='name')
v2s_merge
print(p2s_merge.columns)
print(v2s_merge.columns)
#중복되는 열 이름에는 _x. _y가 추가된다.
#_x는 왼쪽 데이터프레임을, _y는 오른쪽
#데이터프레임의 열 이름을 의미한다.
#p2s_v2s_merge = p2s_merge.merge(v2s_merge, left_on=['ident', 'taken', 'quant'], right_on=['person', 'ident', 'quant'])
p2s_v2s_merge = p2s_merge.merge(v2s_merge, left_on=['taken'], right_on=['ident'])
p2s_v2s_merge

Index(['ident', 'personal', 'family', 'taken', 'person', 'quant', 'reading'], dtype='object')
Index(['ident', 'site', 'dated', 'taken', 'person', 'quant', 'reading'], dtype='object')

	ident_x	personal	family	taken_x	person_x	quant	reading_x	ident_y	site	dated	taken_y	person_y	reading_y
0	dyer	William	Dyer	619	dyer	rad	9.82	619	DR-1	1927-02-08	619	dyer	9.82
1	dyer	William	Dyer	619	dyer	sal	0.13	619	DR-1	1927-02-08	619	dyer	0.13
2	dyer	William	Dyer	622	dyer	rad	7.80	622	DR-1	1927-02-10	622	dyer	7.80
3	dyer	William	Dyer	622	dyer	sal	0.09	622	DR-1	1927-02-10	622	dyer	0.09
4	pb	Frank	Pabodie	734	pb	rad	8.41	734	DR-3	1939-01-07	734	pb	8.41
5	pb	Frank	Pabodie	734	pb	temp	-21.50	734	DR-3	1939-01-07	734	pb	-21.50
6	pb	Frank	Pabodie	735	pb	rad	7.22	735	DR-3	1930-01-12	735	pb	7.22
7	pb	Frank	Pabodie	751	pb	rad	4.35	751	DR-3	1930-02-26	751	pb	4.35
8	pb	Frank	Pabodie	751	pb	temp	-18.50	751	DR-3	1930-02-26	751	pb	-18.50
9	lake	Anderson	Lake	734	lake	sal	0.05	734	DR-3	1939-01-07	734	lake	0.05
10	lake	Anderson	Lake	751	lake	sal	0.10	751	DR-3	1930-02-26	751	lake	0.10
11	lake	Anderson	Lake	752	lake	rad	2.19	752	DR-3	NaN	752	lake	2.19
12	lake	Anderson	Lake	752	lake	sal	0.09	752	DR-3	NaN	752	lake	0.09
13	lake	Anderson	Lake	752	lake	temp	-16.00	752	DR-3	NaN	752	lake	-16.00
14	lake	Anderson	Lake	837	lake	rad	1.46	837	MSK-4	1932-01-14	837	lake	1.46
15	lake	Anderson	Lake	837	lake	sal	0.21	837	MSK-4	1932-01-14	837	lake	0.21
16	roe	Valentina	Roerich	752	roe	sal	41.60	752	DR-3	NaN	752	roe	41.60
17	roe	Valentina	Roerich	837	roe	sal	22.50	837	MSK-4	1932-01-14	837	roe	22.50
18	roe	Valentina	Roerich	844	roe	rad	11.25	844	DR-1	1932-03-22	844	roe	11.25