df = pd.read_csv("sales.csv")
df.head(3)
Out[1]:
| region | ads | revenue | |
|---|---|---|---|
| 0 | Tbilisi | 12.5 | 96.4 |
| 1 | Batumi | 8.0 | 71.2 |
| 2 | Kutaisi | 6.5 | 64.8 |
DATA ANALYTICSWITHPYTHON
ისწავლე Python მონაცემთა ანალიზისთვის: Python-ის საფუძვლებიდან pandas-ით მონაცემთა ფილტრაციამდე, დაჯგუფებამდე და გაერთიანებამდე, მონაცემთა ბაზებთან მუშაობამდე, ETL-მდე და Matplotlib ვიზუალიზაციამდე. კურსს უძღვება Report/BI Developer, Paysera-დან.
- ლექტორი
- Report/BI Developer, Paysera
- ფორმატი
- ონლაინ
- დაწყება
- 16 ნოემბერი
- ხანგრძლივობა
- 2.5 თვე
- შეხვედრები
- 18 შეხვედრა, 36 სთ
- განრიგი
- ორშ, ხუთ 20:00
ინსტრუმენტები, რომლებიც ისწავლება:
PythonpandasMatplotlibSQLAlchemypsycopg2ეს კურსი Python-ს ანალიტიკისთვის იყენებს: pandas DataFrame-ები, ფილტრაცია, დაჯგუფება, ETL და Matplotlib გრაფიკები. SQL-სა და Power BI-ზე ორიენტირებული კურსი არის Data Analytics & BI Development, ხოლო ბექენდ პროგრამირება ისწავლება Python დეველოპმენტის კურსზე.
შენი პირველი describe()
df.describe() ანალიტიკოსის პირველი ნაბიჯია ნებისმიერ მონაცემთა ნაკრებზე (ლექცია 10), ხოლო მნიშვნელობების გაფილტვრა ლექცია 11-ის თემაა. შეცვალე ციფრები და ნახე, როგორ იცვლება mean, median, std და IQR წესით აღმოჩენილი ამოვარდნილები.
მონაცემები
s = pd.Series([...]) # დღიური გაყიდვები, ათასი ₾
ცარიელ ველს pandas-ის მსგავსად გამოვტოვებთ (NaN).
შედეგი
s.describe()
mean0
median (50%)0
std0
ამოვარდნილი0
გამოთვლა საგანმანათლებლო მიზნით: std გამოითვლება pandas-ის ნაგულისხმევი წესით (ddof=1), კვარტილები წრფივი ინტერპოლაციით, ამოვარდნილია მნიშვნელობა Q1 - 1.5·IQR-ზე ნაკლები ან Q3 + 1.5·IQR-ზე მეტი.
18 შეხვედრა, სამი ეტაპი
36 საათი: Python-ის საფუძვლებიდან pandas-ით მონაცემთა ანალიზამდე, მონაცემთა ბაზებამდე, ETL-მდე, Matplotlib რეპორტამდე და ფინალურ პროექტამდე.
კურსის ბოლოს
კურსი განკუთვნილია Junior ან Middle დონის მონაცემთა ანალიტიკოსებისთვის, ვისაც სურს დიდ და კომპლექსურ მონაცემებთან Python-ით, ბევრად მარტივი ინსტრუმენტებით გამკლავება.
გეცოდინება
- Python-ის მონაცემთა ტიპები, ცვლადები და ციკლები
- ფუნქციები, ფაილები და OOP-ის საფუძვლები
- pandas DataFrame და Series
- Matplotlib ვიზუალიზაციის პრინციპები
- psycopg2 და SQLAlchemy
- Data Engineering-ისა და ETL-ის საწყისები
შეძლებ
- Python-ის გამოყენებას მონაცემთა ანალიზისთვის
- მონაცემების შექმნას, ანალიზს და მოდიფიცირებას pandas-ით: ფილტრაცია, სახელის შეცვლა, დაჯგუფება
- ვიზუალიზაციების და სრული რეპორტის აგებას Matplotlib-ით
- მონაცემთა ბაზებთან მუშაობას Python-იდან
- სტრუქტურირებულ და არასტრუქტურირებულ მონაცემებთან მუშაობას
- პროექტების აღებას Upwork-ზე და სხვა პლატფორმებზე
მონაცემთა ანალიტიკოსიმონაცემთა მეცნიერიPython დეველოპერიData Analyst
გეგა
ჯღარკავა
Report/BI Developer, Paysera
0+ წლის გამოცდილება მონაცემთა ანალიტიკასა და BI რეპორტინგში
ლექტორი
გეგამ გაიარა გზა Data Analyst-იდან Senior Data Analyst-სა და Reporting/BI Developer-ის პოზიციამდე. მუშაობდა ქართულ კომერციულ ბანკებსა და საერთაშორისო ფინანსურ ინსტიტუტებში.
მისი ძირითადი პასუხისმგებლობა იყო მსხვილი და კომპლექსური ბიზნეს ამოცანების გადაჭრა, საინტერესო ვიზუალიზაციებისა და ინსტრუმენტების შექმნა.
- ქართული კომერციული ბანკიუმცროსი რეპორტინგ დეველოპერი, კარიერის საწყისი ეტაპი
- TBI BankBulgaria, მონაცემთა ანალიტიკა
- PayseraLithuania, Report/BI Developer. ევროპული საერთაშორისო ფინანსური ინსტიტუტი, რომელიც SWIFT, SEPA და Target გადარიცხვებს მსოფლიოს 180 ქვეყანაში უზრუნველყოფს
ადგილის დაჯავშნა
ონლაინ, 2.5 თვის განმავლობაში, 18 შეხვედრა (36 სთ). დაწყება 16 ნოემბერს.
ადგილები შეზღუდულია.
ორშაბათი20:00-22:00
ხუთშაბათი20:00-22:00
მოთხოვნები: Windows ოპერაციული სისტემის მქონე კომპიუტერი/ლეპტოპი, აუცილებლად ლოკალური ადმინისტრატორის უფლებებით.
კურსის შემდეგ შეგიძლია ჩაერთო კარიერის განვითარების პროგრამაში: რეზიუმე, გასაუბრებისთვის მომზადება და პარტნიორ კომპანიებთან დაკავშირება.