Основы работы с количественными данными

Дорогие студенты!

Это страница обязательного курса «Основы работы с количественными данными», читаемого на программе
«Коммуникации в государственных структурах и НКО» 1 курса магистратуры в 1 модуле 2024-2025 учебного года.

Занятия ведёт: Тамбовцева Алла Андреевна.

Правила игры

• Формула оценки: Итог = 0.48 * ДЗ + 0.2 * Проверочные работы + 0.32 * Экзамен.
• Программа курса, организационная презентация.
• Домашние задания, сданные позже дедлайна, оцениваются со штрафом:
  в пределах часа – 10% от оценки, суток – 30%, недели – 60%.

Программное обеспечение

На этом курсе для практической работы с данными мы используем язык Python и среду Jupyter Notebook (или ее облачный аналог Google Colab).
Для создания и редактирования файлов в Google Colab ничего устанавливать не нужно, но нужно иметь аккаунт Google (Gmail).

Для работы в Jupyter Notebook на своем компьютере, а не в облачной среде, удобнее всего установить дистрибутив Anaconda (скачать можно здесь),
который включает в себя интерпретатор языка Python, библиотеки для обработки, анализа и визуализации данных, а также саму среду Jupyter Notebook.

Установка Anaconda и работа в Jupyter Notebook и Google Colab

• Материалы онлайн-курса (доступен всем в SmartLMS): подготовка рабочего места, инструкция по открытию файлов в Jupyter.
• Запуск Jupyter без Anaconda Navigator (инструкция).
• Работа в Jupyter Notebook (видео), отличия Google Colab от Jupyter (видео).

Дополнительно для желающих:

• Набор текста в Jupyter Notebook (видео, ipynb), больше о Markdown.

Материалы

Неделя 1. Шкалы данных. Введение в Python

• Шкалы данных (слайды). Введение в Python (ipynb).
• Практикум 1: переменные и проверка условий (ipynb), решения (ipynb).

Дополнительно (для желающих узнать больше о Python):

• Вычисления, переменные, типы данных в Python (ipynb).
• Ввод и вывод, форматирование строк (ipynb). Условные конструкции (ipynb).
• Документация библиотеки sympy для решения уравнений и других вычислений.

Неделя 2. Описание данных. Числовые массивы в Python

• Описательные статистики (слайды). Последовательности в Python: строки, списки, массивы (ipynb).
• Практикум 2. Описательные статистики (ipynb), решения (ipynb).

Неделя 3. Визуализация количественных данных. Датафреймы Pandas

• Принципы визуализации. Визуализация количественных данных (слайды).
• Практикум 3. Описание и визуализация количественных данных (ipynb, salaries.csv), решения (ipynb).

Неделя 4. Визуализация количественных и качественных данных

• Практикум 4.1. Обработка и визуализация количественных данных (ipynb, charity_data.csv), решения (ipynb).
• Практикум 4.2. Обработка и визуализация качественных данных (ipynb, NPK_24_last.xlsx), еще не разбирали.

Дополнительно:

• Названия готовых цветов, поддерживаемые в Python: документация.
• Названия цветов от colorscheme.ru с кодами HTML: каталог.
• Источники готовых палитр сочетаемых цветов: Color Hunt, Coolors.

Неделя 5. Выборочное оценивание и доверительные интервалы

• Выборочное оценивание и доверительные интервалы (слайды).
• Полезная визуализация для доверительных интервалов (ссылка).

Неделя 6. Доверительные интервалы и проверка гипотез

• Введение в проверку статистических гипотез (слайды).
• Практикум 5-6. Доверительные интервалы и проверка гипотез (ipynb, sentiment.csv), решения (ipynb).

Дополнительно:

• Памятка по доверительным интервалам.
• Памятка по проверке гипотез (не только чрез p-value).

Домашние задания

Домашнее задание	Дедлайн	Куда сдавать
Домашнее задание 1 (варианты)	25.09 23:59	ссылка
Домашнее задание 2 (варианты, wgidataset.csv)	09.10 23:59	ссылка
Домашнее задание 3 (варианты)	20.10 23:59	ссылка
Домашнее задание 4 (варианты)	-	-