Основы анализа данных в Python: различия между версиями
Строка 47: | Строка 47: | ||
* '''Лекция 3.''' Визуализация данных ([https://www.dropbox.com/scl/fi/5eh1oj2d2qmq3hm4gbjoa/03.pdf?rlkey=7w8b5en3ia9ej2c6vmaplfho6&dl=0 слайды]). | * '''Лекция 3.''' Визуализация данных ([https://www.dropbox.com/scl/fi/5eh1oj2d2qmq3hm4gbjoa/03.pdf?rlkey=7w8b5en3ia9ej2c6vmaplfho6&dl=0 слайды]). | ||
− | * '''Практикум 3.''' | + | * '''Практикум 3.1.''' Обработка пропущенных значений и визуализация количественных данных ([https://www.dropbox.com/scl/fi/x9rhm4g775r7i1a76fm3m/practice03-01.ipynb?rlkey=rj3yw7k8z0o1jczhjzind5d7z&dl=0 ipynb]). |
+ | * '''Практикум 3.2.''' Обработка опросных данных и визуализация качественных данных ([ipynb], [NPK_fin.xlsx]). | ||
=== Домашние задания === | === Домашние задания === |
Версия 08:49, 10 октября 2023
Дорогие студенты!
Это страница обязательного курса «Основы анализа данных в Python», читаемого на программе «Политология» 3 курса бакалавриата в 1-2 модулях 2023-2024 учебного года.
Преподаватель: Тамбовцева Алла Андреевна.
Содержание
Правила игры и план курса
- Программа курса, организационная презентация.
- Формула оценки: 0.21 * Тесты + 0.28 * Домашнее задание + 0.3 * Экзамен + 0.21 * Контрольная работа.
- Подробный план курса, с примерными датами.
- Сопровождающий онлайн-курс «Сбор и анализ данных в Python».
Программное обеспечение
Перед занятиями необходимо установить дистрибутив Anaconda (скачать можно здесь), который включает в себя интерпретатор языка Python, библиотеки для обработки, анализа и визуализации данных, а также среду для работы Jupyter Notebook. Также есть возможность работать в Jupyter Notebook онлайн, используя ресурс Google Colab (для создания и редактирования файлов нужен аккаунт Gmail).
Установка Anaconda и запуск Jupyter Notebook:
- Для установки Anaconda нужно скачать установочный файл для своей системы отсюда, запустить его и следовать инструкциям.
- Среду Jupyter Notebook можно запускать через приложение Anaconda Navigator (находим Anaconda Navigator в списке программ, запускаем, кликаем на кнопку Launch под Jupyter Notebook) и отдельно от него (см. инструкцию).
- Работа в Jupyter Notebook (видео), работа в Google Colab (видео).
- Набор текста в Jupyter (видео, ipynb).
Для тех, кто не работал в Python и Jupyter: можно записаться на вышкинский онлайн-курс «Python как иностранный» (открыт для записи в SmartLMS). Для подготовки рабочего места рекомендуется ознакомиться со следующими материалами в теме 1: Видео. Подготовка рабочего места, инструкция по открытию файлов в Jupyter Notebook, Видео. Первая программа, Задачи для тренировки.
Материалы
Введение в выборочные обследования
Генеральная совокупность и выборка. Репрезентативность выборки. Способы формирования выборок.
Нарушение свойства репрезентативности и виды смещений. Ошибка выборки (sampling error).
- Лекция 1. Введение в выборочные обследования (слайды, ipynb с примерами, файл students.csv).
- Практикум 1. Модуль random. Обработка данных с pandas (ipynb, beasts.csv), решения (ipynb).
Дополнительно:
- Массивы NumPy и датафреймы Pandas (читать).
- Основные операции с датафреймами Pandas (читать, Salaries.csv)
Описание данных
- Лекция 2. Описательные статистики (слайды).
- Практикум 2. Описательные статистики, группировка и агрегирование в pandas (ipynb, c.xlsx), решения (ipynb).
Визуализация данных
- Лекция 3. Визуализация данных (слайды).
- Практикум 3.1. Обработка пропущенных значений и визуализация количественных данных (ipynb).
- Практикум 3.2. Обработка опросных данных и визуализация качественных данных ([ipynb], [NPK_fin.xlsx]).
Домашние задания
Домашнее задание | Файлы | Дедлайн | Сдача |
---|---|---|---|
Домашнее задание 1 | ipynb owls.csv | 08.10 23:59 | ссылка на Dropbox |
Домашнее задание 2 | |||
Домашнее задание 3 | |||
Домашнее задание 4 | |||
Домашнее задание 5 | |||
Домашнее задание 6 | |||
Домашнее задание 7 |