Справочник

аналитика
Python
 Python

Python — это высокоуровневый интерпретируемый язык программирования общего назначения.

Он выделяется своей простотой и читаемостью, что делает его популярным выбором для

новичков и профессионалов.

Основные преимущества Python:

Простота синтаксиса: Понятный и лаконичный код, который легко читать и писать.

Большая экосистема библиотек: Python предлагает мощные библиотеки для анализа данных,

машинного обучения и визуализации.

Кроссплатформенность: Работает на Windows, macOS и Linux.

Огромное сообщество: Легко найти помощь и множество обучающих материалов.

Python стал лидером среди языков для анализа данных благодаря своей гибкости

и огромному количеству библиотек, которые упрощают сложные задачи обработки,

анализа и визуализации данных.

22 стр.
 Python

Основные области применения Python

в аналитике данных:

Сбор данных:
Автоматизация сбора данных из файлов (Excel, CSV), баз данных и API.
Работа с неструктурированными данными (текст, веб-скрапинг).

Очистка и предобработка данных:

Обработка пропущенных данных, удаление выбросов.
Преобразование данных в удобный для анализа формат.

Очистка и предобработка данных:

Статистические расчеты, корреляция и тренды.
Построение моделей для предсказательного анализа.

Визуализация:
Построение графиков и диаграмм для понимания данных.

Машинное обучение:
Обучение моделей на основе исторических данных для прогнозирования и классификации.

23 стр.
 Python

Основные понятия в Python

для аналитика данных

1. Ввод/Вывод
Ввод и вывод данных используются для взаимодействия пользователя с программой. Функция print() выводит информацию
на экран, а input() позволяет пользователю вводить данные.

Синтаксис Пример
Вывод в консоль print("Привет, мир!")
Ввод от пользователя name = input("Введите имя: ")
Приветствие print(f"Привет, {name}!")

2. Основные типы данных

Python поддерживает несколько базовых типов данных, таких как целые числа, числа с плавающей запятой, строки,
логические значения, списки, словари, кортежи и множества.

Тип данных Пример

int x = 10
float y = 3.14
str s = "Это строка."
bool flag = True
list numbers = [1, 2, 3]
dict person = {"имя": "Иван"}
tuple point = (1, 2)
set unique_numbers = {1, 2, 3}

24 стр.
 Python

Основные понятия в Python

для аналитика данных

3. Основные операции
Python поддерживает стандартные математические и логические операции, включая арифметические,
сравнение и логические операции.

Операция Пример
Сложение sum = 10 + 5
Умножение prod = 10 * 5
Деление div = 10 / 5
Остаток mod = 10 % 3
Возведение в степень exp = 2 ** 3

4. Условные операторы
Условные операторы позволяют выполнять код в зависимости от выполнения определенных условий.
Используются конструкции if, elif и else.

Тип данных Пример

Условие if x > y:
Альтернативное условие elif x == y:
Иначе else:

25 стр.
 Python

Основные понятия в Python

для аналитика данных

5. Циклы
Циклы используются для многократного выполнения блока кода. В Python есть два основных типа циклов: for и while.

Тип цикла Синтаксис Пример

for for элемент in последовательность: for i in range(5): print(i)
while while условие: while count < 5: count += 1

6. Списки
Список — это упорядоченная изменяемая коллекция, которая поддерживает добавление, удаление и сортировку элементов.
Операция Пример
Создание списка numbers = [1, 2, 3, 4, 5]
Добавление элемента [Link](6)
Удаление элемента [Link](2)
Итерация for num in numbers: print(num)

7. Функции
Функции используются для организации и многократного использования кода. Они могут принимать параметры
и возвращать значения.
Операция Пример
Определение функции def greet(name):
Возврат значения return f"Привет, {name}!"

26 стр.
 Python

Основные понятия в Python

для аналитика данных

8. Словари
Словарь — это коллекция пар "ключ-значение", где ключи уникальны, а значения могут изменяться.

Операция Пример
Создание словаря person = {"имя": "Иван", "возраст": 30}
Добавление значения person["город"] = "Москва"
Получение значения print(person["имя"])
Итерация for key, value in [Link](): print(f"{key}: {value}")

9. Работа с файлами
Работа с файлами включает чтение, запись и обновление данных в текстовых или бинарных файлах.

Операция Пример
Запись в файл with open("[Link]", "w") as file: [Link]("Это тест.")
Чтение из файла with open("[Link]", "r") as file: content = [Link]()

27 стр.
 Python

Основные библиотеки Python

для аналитики данных

Библиотека Назначение
Pandas Работа с таблицами (DataFrame), обработка данных.
NumPy Математические операции и работа с массивами.
Matplotlib Создание графиков и визуализация.
Seaborn Статистическая визуализация данных (гистограммы, тепловые карты).
Scikit-learn Машинное обучение.

Pandas: основные методы и функции

1. Загрузка данных

import pandas as pd

data = pd.read_csv("[Link]")

data = pd.read_excel("[Link]", sheet_name="Sheet1")

28 стр.
 Python

Pandas: основные методы и функции

2. Основные операции с DataFrame

Операция Синтаксис Пример

Посмотреть первые строки [Link](n) [Link](5)

Посмотреть последние строки [Link](n) [Link](5)
Размер таблицы [Link] (количество строк, количество столбцов)
Столбцы таблицы [Link] ndex(['col1', 'col2'], dtype='object')
I

Информация о данных [Link]() Показывает типы данных и пропуски.

Статистика по данным [Link]() Основные статистики: среднее, медиана.

3. Фильтрация данных

Операция Синтаксис Пример

Фильтрация по условию data[data['col'] > value] data[data['age'] > 30]

Фильтрация по нескольким условиям (cond1) & (cond2) data[(data['age'] > 30) & (data['city'] == 'NY')]
Выбор определённых столбцов data[['col1', 'col2']] data[['name', 'age']]

29 стр.
 Python

Pandas: основные методы и функции

4. Работа с пропущенными данными

Операция Синтаксис Пример

Проверить пропуски [Link]() Покажет True для пропущенных значений.

Количество пропусков [Link]().sum() Подсчёт пропусков по столбцам.
Удалить строки с пропусками [Link]() Удаляет строки с NaN.
Заполнить пропуски [Link](value) [Link](0)

5. Добавление и удаление столбцов

Операция Синтаксис Пример

Добавить столбец data['new_col'] = values data['total'] = data['price'] * data['qty']

Удалить столбец [Link]('col', axis=1) [Link]('price', axis=1, inplace=True)

6. Группировка данных

Операция Синтаксис Пример

Группировка по столбцу [Link]('col') [Link]('city').mean()

Агрегирование [Link]('col').agg(func) [Link]('city').agg({'price': 'sum'})

30 стр.
 Python

Pandas: основные методы и функции

7. Работа с дубликатами
Операция Синтаксис Пример

Проверить дубликаты [Link]() Показывает True для дубликатов.

Удалить дубликаты data.drop_duplicates() Удаляет дубликаты.

8. Сортировка данных
Операция Синтаксис Пример

Сортировка по одному столбцу data.sort_values('col') data.sort_values('age')

Сортировка по нескольким столбцам data.sort_values(['col1', 'col2']) data.sort_values(['city', 'age'])

9. Слияние таблиц (JOIN)

Операция Синтаксис Пример

Внутреннее соединение [Link](df1, df2, on='key') [Link](students, courses, on='course_id')

Левое соединение [Link](df1, df2, on='key', how='left') [Link](students, grades, how='left', on='student_id')

10. Применение функций

Операция Синтаксис Пример

Применить функцию к столбцу data['col'].apply(func) data['price'].apply(lambda x: x * 1.2)

31 стр.
 Python

NumPy: основные функции

Пример полного анализа:

import pandas as pd Функция Описание

import numpy as np [Link]() Создание массива.
[Link]() Среднее значение.
[Link]() Медиана.
data = pd.read_csv("[Link]") [Link]() Стандартное отклонение.
[Link]() Сумма элементов.

data.drop_duplicates(inplace=True)
[Link]([Link](), inplace=True)

avg_price = data['price'].mean()
print(f"Средняя цена: {avg_price}")

import [Link] as plt

import seaborn as sns
[Link](data['price'], kde=True)
[Link]("Распределение цен")
[Link]()
32 стр.