Pandas с нуля: интерактивный самоучитель анализа данных (10 уроков)
Анализ данных уровня Excel — только быстрее, воспроизводимее и без лимита строк
Редакция Питоники
Excel на миллионе строк захлёбывается — Pandas обрабатывает их быстрее, чем Excel открывает файл. Таблицы DataFrame — главный инструмент аналитика данных на Python: фильтрация, сводные таблицы, объединение источников, временные ряды.
Весь курс — одна сквозная история: вы анализируете данные интернет-магазина, от первого read_csv до полного отчёта о продажах. По дороге научитесь чистить грязные данные, группировать, считать метрики и объединять таблицы.
Каждый урок заканчивается практикой в браузерном интерпретаторе: код запускается на странице, а тест закрепляет материал. Ничего устанавливать не нужно.
Чему научитесь
- Читать CSV, Excel и JSON и сразу видеть структуру данных
- Выбирать строки и столбцы через loc и iloc без ошибок
- Чистить пропуски, дубликаты и кривые типы данных
- Строить сводные через groupby и pivot_table
- Объединять таблицы как в SQL: merge, concat, join
- Провести полный анализ продаж от сырого CSV до выводов
Для кого: Начинающим аналитикам, экономистам, маркетологам и всем, кто устал от Excel.
- Урок 1. Что такое Pandas и как установить через pip: первые Series и DataFrameПервая таблица DataFrame в библиотеке pandas, умный столбец Series и быстрый осмотр данных через head, info и describe — старт сквозного анализа данных интернет-магазина.35 мин
- Урок 2. Чтение файлов в Pandas: read_csv, read_excel и знакомство с даннымиread_csv со всеми нужными параметрами и примерами: разделители, кодировки с кириллицей, чтение куска большого файла и первые ошибки, которые вы увидите на практике.35 мин
- Урок 3. Выборка данных в Pandas: loc, iloc и фильтрация строк по условиюloc и iloc, булева маска, isin и between — достаём из таблицы заказов именно те строки и столбцы, которые нужны, и не попадаемся на SettingWithCopyWarning.40 мин
- Урок 4. Очистка данных в Pandas: пропуски NaN, дубликаты и типыНастоящая грязная выгрузка из CRM: пропуски NaN, дубликаты и цены-строки. Чистим её isna, dropna, fillna, drop_duplicates и astype — шаг за шагом.40 мин
- Урок 5. Группировка groupby в Pandas: агрегация как в Excel, только мощнееgroupby, agg и pivot_table — считаем выручку по городам и товарам, строим сводные таблицы и не теряем строки с NaN.45 мин
- Урок 6. Сортировка, топы и подсчёты: sort_values, value_counts, ranksort_values по нескольким столбцам, nlargest вместо сортировки всей таблицы, частоты value_counts и рейтинги rank — собираем отчёты «топ-10 товаров» и «доли городов».35 мин
- Урок 7. Объединение таблиц: merge, concat и join в Pandasmerge с параметром how как SQL JOIN, concat для склейки выгрузок и join по индексу — соединяем товары, заказы и клиентов в одну таблицу и не теряем строки по дороге.40 мин
- Урок 8. Новые столбцы в Pandas: apply, map и векторные операции над колонкамиДобавляем в DataFrame выручку, скидки и категории: векторные операции, np.where, map и apply — и разбираемся, почему apply по строкам почти всегда лишний.40 мин
- Урок 9. Даты и временные ряды в Pandas: resample и rollingСтроки «01.07.2024» превращаются в настоящие даты, выручка агрегируется по неделям и месяцам через resample, а шум сглаживает rolling — строим тренд продаж магазина.40 мин
- Урок 10. Проект на Pandas: полный анализ продаж интернет-магазинаФинальный проект раздела: сырая выгрузка заказов, чистка по чек-листу, выручка и средний чек, топ-товары, сводные по городам, тренд по месяцам и выводы для руководителя.55 мин