Профессия
Аналитик данных
52 часа
13 курсов
Освойте профессию аналитика данных
Зачем нужен сертификат?
• Подтверждение целостности полученных знаний
• Предъявить будущему работодателю или HR
• Прикрепить к резюме как подтверждающий документ
• Предъявить будущему работодателю или HR
• Прикрепить к резюме как подтверждающий документ
Инструкторы:
Кулиев Виталий
Шафиева Анастасия
Озова Залина
Алтов Иван
Иконникова Дарья
Козлова Дарья
Введение в Python для Data Science
В этом курсе вы ознакомитесь с языком программирования Python и его применении в Data Science.
1Введение в Data Science
50
Импорт библиотек
100
Исправление ошибки в импорте
100
Как исправить импорт библиотеки?
50
Создание переменных
50
Работа с числами
100
Работа со строками
100
Частые ошибки при работе со строками
100
Допустимые названия переменных
50
Функции в Python
50
Ошибка в вызове функции
100
Поиск телефона
100
Библиотека Pandas
50
Знакомимся с датафреймом
100
Загрузка датафрейма Pandas
100
Работаем со столбцами в таблице
50
Выделение столбцов в датафрейме
100
Исправление ошибок при выделении столбцов
100
Частые ошибки при выделении столбцов
100
Работаем с рядами в таблице
50
Логические выражения
100
Поиск похитителя
100
Анализ логов с сотовой станции
100
Линейные графики
50
Добавляем легенду на диаграмму
100
Подписываем оси графиков
100
Построение линейного графика
100
Построение графика на основе датафрейма
100
Добавляем текст на графики
50
Добавляем текст на диаграмму
100
Изменяем стили графиков
50
Стиль линий и маркеры
100
Стиль диаграммы
100
Изменяем основные параметры диаграммы
100
Точечная диаграмма
50
Строим точечную диаграмму
100
Изменяем точечную диаграмму
100
Столбиковая диаграмма
50
Столбиковая диаграмма
100
Гистограмма
50
Строим гистограмму
100
Изменяем стиль гистограммы
100
Находим преступника!
50
Преступник пойман
50
4 часа
Python для среднего уровня
Изучение Python имеет решающее значение для любого начинающего специалиста
2Matplotlib – 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
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
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
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
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
5 часов
Обработка данных с помощью pandas
Pandas – самая популярная в мире библиотека Python для обработки и анализа данных. Учимся выбирать, фильтровать и преобразовывать данные
3Введение
50
Изучение DataFrame
100
Компоненты DataFrame
100
Сортировка и выборка
50
Сортировка строк
100
Выборка столбцов
100
Выборка строк
100
Выборка по текстовым значениям переменных
100
Новые столбцы
50
Добавление новых столбцов
100
Закрепление полученных знаний
100
Сводная статистика
50
Среднее и медиана
100
Подведение итогов
100
Пишем свои сводные показатели
100
Нарастающие итоги
100
Подсчет
50
Удаление дубликатов
100
Считаем текстовые строки
100
Сводная статистика по группам
50
Считаем долю продаж каждого вида магазинов
100
Вычисления с помощью .groupby()
100
Группировка нескольких показателей
100
Сводные таблицы
50
Выбор по одной переменной
100
Заполнение пропусков и суммирование значений с помощью сводных таблиц
100
Индексы
50
Установка и удаление индексов
100
Выборка через .loc[]
100
Установка многоуровневых индексов
100
Сортировка по значениям индекса
100
Срез и выборка .loc и .iloc
50
Срез по значениям индекса
100
Срез в обоих направлениях
100
Срез временного ряда
100
Выборка по номеру строки/столбца
100
Работа со сводными таблицами
50
Сводная температура по городам и годам
100
Выборка сводных таблиц
100
Вычисления в сводной таблице
100
Визуализация данных
50
Создание графиков
100
Анализ изменения данных во времени
100
Анализ переменных данных
100
Сравнение цен
100
Пропущенные значения
50
Поиск пропущенных значений
100
Удаление пропущенных значений
100
Замена пропущенных значений
100
Создание DataFrames
100
Список словарей
100
Словарь списков
100
Чтение и запись CSV
50
CSV в DataFrame
100
DataFrame в CSV
100
Итоги изучения
50
4 часа
Объединение данных с помощью pandas
В этом курсе Вы научитесь необходимым навыкам по объединению данных в pandas.
4INNER JOIN
50
Выбор столбца для соединения
50
Ваш первый INNER JOIN
100
INNER JOIN и количество возвращаемых строк
100
Отношение "один ко многим"
50
Классификация отношения "один ко многим"
50
Слияние отношения "один ко многим"
100
Соединение нескольких DataFrame
50
Соединение трех таблиц (1)
100
Соединение трех таблиц (2)
100
Слияние "один ко многим" с несколькими таблицами
100
LEFT JOIN
50
Подсчет отсутствующих строк с LEFT JOIN
100
Дополнение набора данных
100
Подсчет строк с LEFT JOIN
50
RIGHT JOIN и OUTER JOIN
50
Поиск уникальных значений с RIGHT JOIN
100
Поиск популярных жанров с RIGHT JOIN
100
Использование OUTER JOIN для выбора данных
100
Соединение таблицы с собой
50
SELF JOIN
100
Как pandas обрабатывает SELF JOIN?
50
Соединение по индексам
50
Соединение индексов для оценки фильмов
100
Приносят ли фильмы с продолжением больший доход?
100
FILTERING JOIN
50
Этапы полусоединения
50
Использование антисоединения
100
Выполнение полусоединения
100
Соединение DataFrame по вертикали
50
Основы слияния
100
Слияние с ключами
100
Использование метода append()
100
Проверка целостности
50
Проверка соединения
50
Соединение для поиска общих данных
100
Использование merge_ordered()
50
Соотношения между ВВП и S&P500
100
Строим график с использованием функции merge_ordered()
100
Соединение данных с использованием merge_ordered()
100
Использование merge_asof()
50
Использование merge_asof() для изучения данных
100
Использование merge_asof() для создания DataFrame
100
Различия merge_asof() и merge_ordered()
50
Выборка данных с помощью .query()
50
Изучение финансовых показателей с помощью .query()
50
Выборка строк с помощью .query()
100
Изменение структуры данных с помощью .melt()
50
Выберите аргументы right .melt()
50
Использование .melt() для изменения структуры данных
100
Использование .melt() для сравнения показателей
100
Итоги изучения курса
50
4 часа
Визуализация данных с помощью Matplotlib
В этом курсе вы узнаете как представить информацию в виде графиков и рисунков при помощи Matplotlib – мощной библиотеки визуализации данных на Python.
5Знакомство с визуализацией данных с помощью Matplotlib
50
Используем matplotlib.pyplot интерфейс
100
Добавляем данные в объект Axes
100
Настройка ваших графиков
50
Настраиваем внешний вид данных
100
Настраиваем метки осей и добавляем заголовки
100
Панельная диаграмма (small multiple)
50
Создаем сетки подграфиков
50
Создаем панельную диаграмму с помощью plt.subplots
100
Рисуем панельную диаграмму с общей осью Y
100
Построение временных рядов данных
50
Считываем данные при помощи временного индекса
100
Строим временные ряды данных
100
Используем временной индекс для увеличения масштаба
100
Построение временных рядов с различными переменными
50
Строим график двух переменных
100
Определяем функцию, которая отображает данные временных рядов
100
Используем функцию для построения графика
100
Аннотация данных временных рядов
50
Аннотируем график данных временных рядов
100
Построим временные ряды: соберём всё воедино!
100
Количественные сравнения: столбчатые диаграммы
50
Строим столбчатую диаграмму
100
Создаем многослойную столбчатую диаграмму
100
Количественные сравнения: гистограммы
50
Создаем гистограмму
100
Создаем ступенчатую гистограмму
100
Статистическое построение графиков
50
Добавляем столбики ошибок к столбчатой диаграмме
100
Добавляем столбики ошибок к графику
100
Создаем "Ящик с усами" (диаграмму размаха)
100
Количественные сравнения: диаграммы рассеяния (точечная диаграмма)
50
Создаем простую точечную диаграмму
100
Кодируем время по цвету
100
Подготовка ваших графиков для обмена с другими пользователями
50
Выбираем стиль для печати
50
Учимся переключать стили
100
Сохранение ваших визуализаций
50
Сохраняем файл несколько раз, меняя параметры
100
Сохраняем изображение с разными размерами
100
Изменение визуализации в зависимости от поступивших данных
50
Извлекаем уникальные значения из столбца
100
Автоматизируйте свою визуализацию
100
Что будем делать дальше?
50
4 часа
Визуализация данных в Seaborn. Введение
В этом курсе вы познакомитесь с Seaborn и научитесь представлять данные с помощью таких диаграмм, как диаграммы рассеяния, квадратные и столбчатые диаграммы.
6Введение в Seaborn
50
Построение диаграммы рассеяния с помощью списков
100
Построение столбчатой диаграммы с помощью списков
100
Использование pandas с Seaborn
50
"Опрятные" и "неопрятные" данные
100
Построение столбчатой диаграммы с помощью DataFrame
100
Добавление третьей переменной при помощи hue
50
Hue и диаграмма рассеяния
100
Hue и столбчатая диаграмма
100
Знакомство с реляционными диаграммами и подграфиками
50
Создание подграфиков с помощью col и row
100
Создание двухфакторных подграфиков
100
Персонализация диаграмм рассеяния
50
Изменение размера точек диаграммы рассеяния
100
Изменение стиля точек диаграммы рассеяния
100
Изучение линейных диаграмм
50
Создание линейных диаграмм
100
Представление стандартного отклонения с помощью линейных диаграмм
100
Построение подгрупп в линейных диаграммах
100
Столбчатая диаграмма.
50
Столбчатая диаграмма
100
Столбчатые диаграммы с процентным соотношением
100
Персонализация столбчатых диаграмм
100
Диаграмма размаха.
50
Построение диаграммы размаха
100
Учет исключений
100
Регулировка "усов"
100
Точечные диаграммы
50
Персонализация точечных диаграмм
100
Точечные диаграммы с подгруппами
100
Изменение стиля и цвета диаграмм
50
Изменение стиля и палитры
100
Изменение масштаба
100
Использование пользовательской палитры
100
Добавление заголовков и меток: Часть 1
50
FacetGrids или AxesSubplots
100
Добавление заголовка к объекту FacetGrid
100
Добавление заголовков и меток: Часть 2
50
Добавление заголовка и меток осей
100
Поворот меток оси X
100
Объединение всего изученного
50
Диаграмма размаха с подгруппами
100
Диаграмма размаха с подгруппами и подграфиками
100
Молодец! Что дальше?
50
4 часа
Импорт данных в Python. Введение
Данный курс расскажет вам о различных способах импорта данных в Python.
7Импорт обычных текстовых файлов
50
Изучаем рабочий каталог
50
Импорт целого текстового файла
100
Импорт обычных текстовых файлов построчно
100
Импорт текстовых файлов
50
Пример текстовых файлов
50
Что является текстовым файлом?
50
Почему нам нравятся текстовые файлы и дзен Python
50
Импорт текстовых файлов с помощью NumPy
50
Использование NumPy для импорта текстовых файлов
100
Настройка импорта NumPy
100
Импорт различных типов данных
100
Работа со смешанными типами данных (1)
50
Работа со смешанными типами данных (2)
100
Импорт текстовых файлов с помощью pandas
50
Импорт текстовых файлов как DataFrame с помощью pandas (1)
100
Импорт текстовых файлов как DataFrame с помощью pandas (2)
100
Настройка импорта данных в pandas
100
Подведем итоги
50
Введение в другие типы файлов
50
Не текстовый файл
50
Загрузка файлов pickle
100
Перечисление листов в файлах Excel
100
Импорт листов из файлов Excel
100
Настройка импорта электронных таблиц
100
Импорт файлов SAS/Stata с помощью pandas
50
Импорт SAS7BDAT
50
Импорт SAS файлов
100
Метод read_stata для импорта файлов Stata
50
Импорт файлов Stata
100
Импорт файлов HDF5
50
Метод File() для импорта файлов HDF5
50
Использование h5py для импорта файлов HDF5
100
Извлечение данных из файла HDF5
100
Импорт файлов MATLAB
50
Загрузка файлов с расширением .mat
100
Структура файлов с расширением .mat в Python
100
Введение в реляционные базы данных
50
Реляционная модель
50
Создание механизма баз данных в Python
50
Создание механизма баз данных в Python
100
Какие таблицы есть в базе данных?
100
Запрос к реляционным базам данных в Python
50
Первый SQL запрос
100
Настройка первых запросов SQL
100
Фильтрация записей с помощью WHERE в SQL
100
Упорядочивание записей SQL с помощью ORDER BY
100
Запрос к реляционным базам данных с помощью pandas
50
Pandas и первый SQL запрос
100
Pandas для выполнения более сложных запросов
100
Расширенные запросы: использование связей между таблицами
50
Сила SQL в отношениях между таблицами: INNER JOIN
100
Фильтрация INNER JOIN
100
Заключение
50
3 часа
Импорт данных в Python. Продвинутый уровень
В этом курсе вы расширите базу знаний. Научитесь импортировать данные из интернета и получать данные из интерфейсов прикладного программирования.
8Импорт текстовых файлов из интернета
50
Импорт текстовых файлов из интернета
100
Открытие и чтение текстовых файлов из интернета
100
Импорт нетекстовых файлов из интернета
100
HTTP-запросы для импорта файлов из интернета
50
Выполнение HTTP-запросов в Python с помощью urllib
100
Вывод результата HTTP-запроса в Python с помощью urllib
100
Выполнение HTTP-запросов в Python с помощью requests
100
Скрапинг веб-сайта в Python
50
Парсим HTML с помощью BeautifulSoup
100
Преобразование веб-страницы в данные с помощью BeautifulSoup: получение текста
100
Преобразование веб-страницы в данные с помощью BeautifulSoup: получение гиперссылок
100
Введение в API и JSON
50
Что такое JSON?
50
Загрузка и изучение JSON
100
Изучаем JSON
50
API и интернет
50
Что такое API?
50
API requests
100
JSON из интернета в Python
100
Проверка API Википедии
100
Аутентификация API ВКонтакте
50
Аутентификация API ВКонтакте
100
Получение данных из постов ВКонтакте в формате JSON
100
Загрузка и изучение данных ВКонтакте
100
Данные ВКонтакте в DataFrame
100
Анализ текста в ВКонтакте
100
Построение графика данных ВКонтакте
100
Заключение
50
3 часа
Очистка данных в Python
В этом курсе вы узнаете, как определять, диагностировать и исправлять различные проблемы очистки данных в Python, от простых до сложных.
9Ограничение типа данных
50
Общие типы данных
50
Числовые данные или …?
100
Суммирование строк и объединение чисел
100
Ограничения диапазона данных
50
Ограничения по размеру шин
100
Назад в будущее
100
Ограничения уникальности
50
Насколько большая ваша выборка?
50
Поиск копий
100
Обработка копий
100
Ограничения принадлежности
50
Только принадлежащие
50
Поиск согласованности
100
Категориальные переменные
50
Категории ошибок
50
Несовместимые категории
100
Переназначение категорий
100
Очистка текстовых данных
50
Удаление заголовков и создание имен
100
Сохраняем описание
100
Единообразие
50
Неоднозначные даты
50
Единая валюта
100
Приведение дат к стандартному формату
100
Кросс-валидация
50
Сопоставление концепций и методов с их категориями
50
Как у нас с целостностью данных?
100
Полнота
50
Это пропало случайно?
50
Пропавшие инвесторы
100
Следите за деньгами
100
Сравнение строк
50
Минимальный промежуток редактирования
50
Точка отсечения
100
Переназначение категорий II
100
Генерация пар
50
Связать или не связывать?
50
Пары ресторанов
100
Похожие рестораны
100
Связывание фреймов данных
50
Получение правильного индекса
50
Давайте подытожим!
100
Поздравляем!
50
4 часа
Анализ данных в Python
В этом курсе представлены инструменты, необходимые для очистки и проверки данных, визуализации распределений и связей между переменными, а также для использования регрессионных моделей для прогнозирований и объяснений.
10DataFrame и Series
50
Кодовая книга
50
Изучение данных
100
Очистить и валидировать
50
Очистить и валидировать
50
Очистка переменной
100
Вычисление переменной
100
Фильтрация и валидация
50
Создание гистограммы
100
Вычисление веса при рождении
100
Фильтрация
100
Функция вероятности
50
Знакомимся с PMF
100
График PMF
100
Функция распределения (CDF)
50
Знакомимся с CDF
100
Вычислить интерквартильный размах (IQR)
100
График CDF
100
Сравнение распределений
50
Распределение образования
50
Уровень образования
100
CDF уровня доходов
100
Моделирование распределений
50
Распределение доходов
100
Сравнение CDF
100
Сравнение PDF
100
Исследование отношений
50
PMF возраста
100
Диаграмма рассеяния
100
Флуктуация
100
Визуализация отношений
50
Рост и вес
100
Распределение уровня доходов
100
Доход и рост
100
Корреляция
50
Вычисление корреляции
100
Интерпретация корреляции
50
Простая регрессия
50
Взаимосвязь дохода и еды
100
Вычисление линии тренда
100
Пределы простой регрессии
50
Регрессия и причинно-следственная связь
50
Использование статистических моделей
100
Множественная регрессия
50
Взаимосвязь дохода и образования
100
Нелинейная модель образования
100
Визуализация результатов регрессии
50
Составление прогнозов
100
Визуализация прогнозов
100
Логистическая регрессия
50
Прогнозирование бинарной переменной
100
Следующие шаги
50
4 часа
Импорт данных с помощью pandas
Данный курс познакомит Вас с формами хранения данных и методами их получения.
11Введение в текстовые файлы
50
Получение данных из CSV-формата
100
Получение данных из прочих текстовых форматов
100
Различные способы получения данных из текстовых файлов
50
Импорт подмножества столбцов
100
Получение фрагмента файла
100
Обработка ошибок и недостающих данных
50
Указание типа данных
100
Указание пользовательского значения NA
100
Пропуск ошибочных данных
100
Введение в электронные таблицы
50
Получение данных из электронных таблиц
100
Загрузить часть электронной таблицы
100
Получение данных с нескольких листов таблицы
50
Выбор одного листа таблицы
100
Выбор нескольких листов таблицы
100
Обработка нескольких электронных таблиц
100
Получение логических данных
50
Формирование столбцов с логическими данными
100
Установка пользовательских значений True/False
100
Парсинг даты при получении
50
Парсинг простой даты
100
Получение даты и времени из нескольких столбцов таблицы
100
Парсинг нестандартных форматов даты
100
Введение в базы данных
50
Подключение к базе данных
100
Загрузка таблицы с данными
100
Конкретизация данных при их получении с помощью SQL-запросов
50
Выбор столбцов таблицы с помощью SQL запросов
100
Выбор строк таблицы с помощью SQL запросов
100
Фильтрация данных по нескольким условиям
100
Сложные SQL-запросы
50
Получение различных значений базы данных
100
Выполнение подсчета в группах базы данных
100
Работа с агрегатными функциями
100
Загрузка нескольких таблиц, соединенных между собой
50
Объединение таблиц
100
Присоединение и фильтрация таблиц
100
Объединение, фильтрация и агрегирование таблиц
100
Введение в JSON
50
Загрузка данных из JSON файла
100
Работа с ориентацией данных в JSON файле
100
Введение в API
50
Получение данных с помощью API
100
Установка параметров API
100
Задание заголовков запроса
100
Работа с вложенными JSON объектами
50
Сведение вложенных JSON объектов
100
Обработка глубоко вложенных JSON объектов
100
Объединение нескольких наборов данных
50
Добавление маркированных структур данных
100
Объединение маркированных структур данных
100
Заключение
50
4 часа
Анализ данных с помощью pandas
В ходе этапов прохождения курса вы получите опыт по очистке неупорядоченных данных, созданию визуализаций, объединению и изменению датасетов, а также в обработке данных временных рядов.
12Датасет Исследовательского института города Программинск
50
Изучение датасетов
100
Удаление столбцов
100
Удаление строк
100
Использование соответствующих типов данных
50
Нахождение несоответствующего типа данных
50
Фиксирование типа данных
100
Создание DatetimeIndex
50
Объединение столбцов объекта
100
Настройка индекса
100
Анализ остановок автомобилей
50
Изучение нарушений правил дорожного движения
100
Сравнение нарушений по гендерному признаку
100
Влияние пола на превышение скорости
50
Фильтрация по нескольким условиям
50
Сравнение результатов превышения скорости в зависимости от пола водителя
100
Влияние пола на задержание водителя
50
Расчет коэффициента досмотра
100
Сравнение показателей поиска по гендерному признаку
100
Добавление второго фактора в анализ
100
Влияние пола на досмотр автомобиля
50
Подсчет личных досмотров
100
Сравнение рейтинга досмотра по половому признаку
100
Влияние времени суток на задержания
50
Расчет арестов в зависимости от времени суток
100
Построение графика арестов в зависимости от времени суток
100
Метод ресемплинг
50
Остановки, связанные с наркотиками
100
Сравнение показателей по наркотикам и досмотрам
100
Создаем столбчатые диаграммы
50
Подсчет нарушений по зонам
100
Распределение нарушений по районам
100
Сортировка данных
50
Конвертация времени задержания в числа
100
Построение графика продолжительности остановки
100
Изучение датасета погоды
50
Построение графика температуры
100
Построение графика разности температур
100
Подготовка датасета к анализу
50
Расчет плохих погодных условий
100
Оценка погодных условий
100
Изменение типа данных на категорию
100
Объединение датасетов
50
Подготовка DataFrames
100
Объединение DataFrames
100
Влияние погоды на задержания
50
Сравнение количества задержаний в зависимости от погодного рейтинга
100
Выбор из мультииндексных Series
100
Изменение данных об уровне арестов
100
Заключение
50
4 часа
Работа с базами данных в Python. Введение
В этом курсе вы изучите основы использования SQL в Python с помощью SQLAlchemy.
13Введение в базы данных
50
Реляционная модель
50
Подключение к базе данных
50
Движок и строки подключения
100
Автозагрузка таблиц
100
Просмотр сведений о таблице
100
Введение в SQL-запросы
50
Выбор данных из таблицы: SQL
100
Выбор данных из таблицы: SQLAlchemy
100
Обработка ResultSet
100
Поздравляю!
50
Фильтрация и подбор данных
50
Подключение к PostgreSQL
100
Фильтр данных: простой вариант
100
Фильтр данных: выражения
100
Фильтр данных: продвинутый уровень
100
Упорядочивание данных
50
Упорядочивание по одному столбцу
100
Упорядочивание в порядке убывания
100
Упорядочивание по нескольким столбцам
100
Подсчет, суммирование и группировка данных
50
Подсчет данных
100
Количество записей по городам
100
Количество населения по городам
100
SQLAlchemy и Pandas
50
ResultsSets и DataFrames
100
От результатов к визуализации
100
Подсчет значений в запросе
50
Подключение к MySQL
100
Вычисление разницы между двумя столбцами
100
Определение процента женщин
100
SQL – связи
50
Автоматическое присоединение
100
Объединение
100
Больше практики с join
100
Иерархические таблицы
50
Использование alias
100
Функции и иерархические таблицы
100
Обработка ResultSets
50
Работа с блоками записей
100
Создание баз данных и таблиц
50
Создание таблиц с помощью SQLAlchemy
100
Ограничения и данные по умолчанию
100
Заполнение таблицы
50
Вставка одной строки
100
Вставка нескольких записей
100
Загрузка CSV-файла в таблицу
100
Обновление данных
50
Обновление отдельных записей
100
Обновление нескольких записей
100
Коррелирующие обновления
100
Удаление записей из базы данных
50
Удаление всех записей из таблицы
100
Удаление определенных записей
100
Полное удаление таблицы
100
Анализ переписи населения
50
Настройка движка и метаданных
100
Создание таблицы в базе данных
100
Наполнение базы данных
50
Чтение данных из CSV
100
Загрузка данных из списка в таблицу
100
Запрос в базу данных
50
Определение среднего возраста населения
100
Определение процента населения по полу и городу
100
Определение разницы количества населения
100
Поздравляем!
50
5 часов
