Python для среднего уровня
Изучение Python имеет решающее значение для любого начинающего специалиста
Преподаватель
Анастасия Шафиева
Преподаватель по курсам компьютерные сети, телекоммуникации и связь
5часов
18видео
69упражнений
7400опыта
Описание курсаИзучение Python имеет решающее значение для любого начинающего специалиста в области науки о данных. Научитесь визуализировать реальные данные с помощью функций Matplotlib и познакомьтесь со структурами данных, такими как словарь и DataFrame pandas. После изучения ключевых понятий, таких как булева логика, логические операторы и циклы в Python, вы будете готовы объединить все, что вы узнали, для решения тематического, исследования используя кейсы статистики хакеров.
1. Matplotlib
Визуализация данных – ключевой навык для начинающих data scientist. Matplotlib позволяет легко создавать значимые и понятные графики. В этой главе вы узнаете, как создавать различные типы графиков и настраивать их так, чтобы они были более привлекательными и понятными.Matplotlib – базовые графики
50
Линейный график (1)
100
Линейный график (2) – Интерпретация
50
Линейный график (3)
100
Точечная диаграмма (1)
100
Точечная диаграмма (2)
100
Гистограмма
50
Построение гистограммы (1)
100
Построение гистограммы (2): интервалы
100
Построение гистограммы (3): сравнение
100
Выберите подходящий график (1)
50
Выберите подходящий график (2)
50
Настройка графиков
50
Метки
100
Координаты
100
Размеры
100
Цвета
100
Дополнительные настройки
100
Интерпретация
50
2. Словари и Pandas
В этой главе вы узнаете о словарях и pandas DataFrame, стандартах для работы с табличными данными в Python. Вы получите практические навыки создания наборов данных и управления ими, а также узнаете, как получить доступ к необходимой информации из этих структур.
Словари, часть 1
50
Причины создания словарей
100
Создание словарей
100
Доступ к словарю
100
Словари, часть 2
50
Управление словарями (1)
100
Управление словарями (2)
100
Создание словаря
100
Pandas, часть 1
50
Словарь в DataFrame (1)
100
Словарь в DataFrame (2)
100
CSV в DataFrame (1)
100
CSV в DataFrame (2)
100
Pandas, часть 2
50
Квадратные скобки (1)
100
Квадратные скобки (2)
100
Результаты с loc и iloc (1)
100
Результаты с loc и iloc (2)
100
Результаты с loc и iloc (3)
100
3. Логика, поток управления и фильтрация
Логика – это основа принятия решений в программах на Python. Вы узнаете о различных операторах сравнения, как комбинировать их с логическими операторами и как использовать эти результаты в управляющих структурах. Вы также научитесь фильтровать данные в pandas DataFrame с помощью логики.Операторы сравнения
50
Равенство
100
Больше и меньше
100
Сравнение массивов
100
Логические операторы
50
and, or, not (1)
100
and, or, not (2)
50
Логические операторы с NumPy
100
if, elif, else
50
Разминка
50
if
100
Добавляем else
100
elif
100
Фильтрация c помощью pandas DataFrames
50
Поиск данных (1)
100
Поиск данных (2)
100
Выборка данных (1)
100
Выборка данных (2)
100
4. Циклы
Есть несколько методов, которые вы можете использовать для многократного выполнения кода Python. Цикл while похож на повторяющийся оператор if, цикл for итерирует всевозможные структуры данных. Обо всем этом вы узнаете в этой главе.Цикл while
50
while: разминка
50
Создаем цикл while
100
Добавляем условные обозначения
100
Цикл for
50
Перебор списка
100
Индексы и значения (1)
100
Индексы и значения (2)
100
Перебор списка списков
100
Структуры данных, часть 1
50
Перебор словаря
100
Перебор массива NumPy
100
Структуры данных, часть 2
50
Цикл в DataFrame (1)
100
Цикл в DataFrame (2)
100
Добавление столбца (1)
100
Добавление столбца (2)
100
5. Пример использования: хакерская статистика
Эта глава позволит вам применить все концепции, которые вы изучили в этом курсе. Вы будете использовать хакерскую статистику, чтобы рассчитать свои шансы на выигрыш ставки. Используйте генераторы случайных чисел, циклы и Matplotlib, чтобы получить конкурентное преимущество!Случайные числа
50
Случайное дробное число
100
Бросаем кости
100
Определите свой следующий шаг
100
Случайное блуждание
50
Следующий шаг
100
Поиск наименьшего значения
100
Поиск случайной блуждающей величины
100
Распределение
50
Имитация случайного блуждания
100
Визуализируем все броски
100
Вводим новые данные
100
Строим график распределения
100
Рассчитаем шансы!
50
