Придбаний DEV-PYDATA. Программирование на Python для анализа данных [2020] [Высшая инженерная школа СПбПУ] [Дмитрий Федоров]

[Gadzhi]

• .

DEV-PYDATA. Программирование на Python для анализа данных [2020]
Высшая инженерная школа СПбПУ (Санкт-Петербургский Политехнический Университет)
Дмитрий Федоров

Целью курса является формирование и/или совершенствование теоретических знаний и умений в области анализа данных с применением языка Python, а также приобретение практических навыков обработки данных на языке Python для широкого круга специалистов, работающих с данными.

Вы будите знать

1. Основные принципы анализа данных с помощью возможностей языка Python.
2. Возможности выполнения операций над векторами и матрицами в NumPy.
3. Типы данных pandas.
4. Основы обработки естественного языка.
5. Принципы работы с файлами разных форматов.
6. Методы очистки и подготовки данных.
7. Принципы взаимодействия с базами данных (SQL).

Вы будите уметь

1. Умение использовать Jupyter Lab, использование системного командного процессора.
2. Выполнение операций над векторами и матрицами с помощью модуля NumPy.
3. Обработка табличных данных с помощью pandas.
4. Умение выбрать подмножество из таблицы.
5. Умение визуализировать данные.
6. Умение осуществлять сбор и подготовку данных с помощью языка Python, работа с модулем requests.
7. Умение взаимодействовать с базами данных (SQL).

Полученные навыки

1. Осуществлять сбор и подготовку необходимых для анализа и визуализации данных с помощью языка Python.
2. Работать с модулем requests.
3. Осуществлять анализ данных из различных источников средствами языка Python.
4. Использовать модули NumPy и pandas для анализа данных.
5. Визуализировать аналитические данные.

Содержание
Тема 1. Введение в анализ данных. Операции над векторами и матрицами в NumPy

1.1 Введение в анализ данных. Возможности Jupyter Lab

• Введение в анализ данных.
• Выполнение внешнего кода %run.
• Длительность выполнения кода %timeit.
• Справка по магическим функциям.
• Использование системного командного процессора

1.2 Возможности модуля NumPy

• Операции над векторами и матрицами в NumPy.
• Сравнение list и ndarray.
• Создание ndarray из списка.
• Атрибуты массивов NumPy.
• Индексация массива.
• Срезы массива.
• Изменение формы массивов.
• Медлительность циклов Python.
• Универсальные функции NumPy.
• Агрегирование.
• Суммирование значений.
• Минимум и максимум.
• Транслирование.
• Сравнение, маски, булева логика.
• Прихотливая индексация. Сортировка массивов

Практические занятия:
Работа с векторами и матрицами в NumPy.
Агрегирование данных массива.​

Тема 2. Операции над таблицами в pandas

2.1 Общее знакомство с pandas, обзор возможностей

• Обзор типов данных pandas.
• Выбор подмножества из таблицы.
• Построение графиков.
• Создание новых столбцов.
• Создание сводной статистики.
• Работа с текстовыми данными.

2.2 Типы данных pandas и операции над ними

• Работа с объектами Series и DataFrame.
• Использование индексных объектов.
• Переиндексация.
• Удаление элементов из оси.
• Доступ по индексу, выборка, фильтрация.
• Сортировка и ранжирование

Практические занятия:
Построение графиков.
Работа с текстовыми данными.
Работа с объектами Series и DataFrame.​

Тема 3. Сбор и подготовка данных с помощью языка Python

3.1 Работа с файлами разных форматов

• Чтение и запись CSV, XML, JSON, Excel, HTML

3.2 Очистка и подготовка данных

• Обработка отсутствующих данных.
• Фильтрация отсутствующих данных.
• Восполнение отсутствующих данных.
• Устранение дубликатов.
• Преобразование данных.
• Замена значений.
• Манипуляции со строками

3.3 Модуль requests

• Обзор возможностей модуля requests.
• Обращение к внешним API (погода, курс валют).

3.4 Взаимодействие с базами данных (SQL).

• Работа с реляционными БД (sqlite3), выполнение SQL-запросов.
• SQL-запросы из pandas

3.5 Основы обработки естественного языка

• Предварительная обработка текста.
• Лексемизация слов.
• Нормализация слов

Практические занятия:
Работа с файлами разных форматов.
Очистка и подготовка данных.​

Тема 4. Анализ данных с помощью возможностей языка Python

4.1 Операции над таблицами в pandas

• Иерархическое индексирование.
• Сводная статистика по уровню.
• Комбинирование и слияние наборов данных.
• Изменение формы и поворот.
• Агрегирование данных и групповые операции.
• Метод apply.
• Сводные таблицы

4.2 Визуализация данных

• Matplotlib: рисунки, подграфики, цвета, маркеры, аннотации.
• Seaborn/plotly: линейные графики, столбчатые диаграммы, гистограммы

4.3 Временные ряды

• Типы данных, относящиеся к дате и времени.
• Диапазоны дат, сдвиг.
• Скользящие оконные функции

4.4 Анализ данных из открытых источников

• Анализ данных из открытых источников

Практические занятия:
Визуализация данных.
Анализ данных из социальной сети ВКонтакте.​

5. Итоговая аттестация.

https://www.avalon.ru/Courses/Course/DEV-PYDATA-Programmirovanie-na-Python-dlya-analiza-dannyx/2171/