|
Подписаться на обновления в [Telegram-канале] |
 |
Посмотреть [все видеоуроки Python для анализа данных] |
| 01. Какие данные обрабатывает pandas? | [.html] | [CoLab] |
| 02. Как мне читать и записывать табличные данные? | [.html] | [CoLab] |
| 03. Как выбрать подмножество из DataFrame? | [.html] | [CoLab] |
| 04. Как строить график в pandas? | [.html] | [CoLab] |
| 05. Как создать новые столбцы? | [.html] | [CoLab] |
| 06. Как рассчитать сводную статистику? | [.html] | [CoLab] |
| 07. Как изменить раскладку таблиц? | [.html] | [CoLab] |
| 08. Как объединить данные из нескольких таблиц? | [.html] | [CoLab] |
| 09. Как легко обрабатывать данные временных рядов? | [.html] | [CoLab] |
| 10. Как манипулировать текстовыми данными? | [.html] | [CoLab] |
| Pandas за 10 минут | [.html] | [CoLab] | [original doc] |
| Типичные задачи Excel, продемонстрированные в pandas (часть 1) | [.html] | [CoLab] | [original] |
| Типичные задачи Excel, продемонстрированные в pandas (часть 2) | [.html] | [CoLab] | [original] |
| Советы по выбору столбцов в DataFrame с помощью iloc и filter | [.html] | [CoLab] | [original] |
| Обзор типов данных pandas | [.html] | [CoLab] | [original] |
| Использование типа данных категории в pandas | [.html] | [CoLab] | [original] |
| Руководство по кодированию категориальных значений в Python | [.html] | [CoLab] | [original] |
| Очистка данных о валюте с помощью pandas | [.html] | [CoLab] | [original] |
| Эффективная очистка текста с помощью pandas | [.html] | [CoLab] | [original] |
| Excel процедуры Filter и Edit, продемонстрированные в pandas | [.html] | [CoLab] | [original] |
| Сводная таблица (pivot_table) в pandas | [.html] | [CoLab] | [original] |
| Подробное руководство по группировке и агрегированию с помощью pandas | [.html] | [CoLab] | [original] |
| Объяснение функций Grouper и agg в pandas | [.html] | [CoLab] | [original] |
| Понимание функции transform в pandas | [.html] | [CoLab] | [original] |
| Объяснение кросс-таблицы (crosstab) в pandas | [.html] | [CoLab] | [original] |
| Биннинг (разделение) данных с помощью qcut и cut в pandas | [.html] | [CoLab] | [original] |
| Моделирование Монте-Карло с помощью Python | [.html] | [CoLab] | [original] |
| Аккуратные данные (tidy data) в Python | [.html] | [CoLab] | [original] |
| Эффективное использование Matplotlib | [.html] | [CoLab] | [original] |
| Взгляд на Plotly Express | [.html] | [CoLab] | [original] |
| Введение в визуализацию данных с помощью Altair (часть 1) | [.html] | [CoLab] | [original] и [doc] |
| Введение в визуализацию данных с помощью Altair (часть 2) | [.html] | [CoLab] | [doc] |
| Введение в визуализацию данных с помощью Altair (часть 3) | [.html] | [CoLab] | [doc] |
| Делаем сетевые графы интерактивными с помощью pyvis | [.html] | [CoLab] | [original doc] |
| Визуализация с помощью HoloViz (hvplot) | [.html] | [install miniconda] | [original doc] |
| Шаблон Cookiecutter на русском языке: позволяет автоматизировать создание структуры файлов и каталогов для проекта по анализу данных | ||
| Создание простых сводных таблиц в pandas с помощью модуля sidetable | [.html] | [CoLab] |
| Используем модуль folium для рисования карт | [.html] | [CoLab] |
| Использование модуля Pandas Profiling для профилирования | [.html] | [CoLab] |
| Проверка статистических данных с помощью модуля pandera | [.html] | [CoLab] |
| Pandas Tutor визуализирует, как код Python преобразует DataFrames | [сайт] |
| Анализ IP- и MAC-адресов с помощью модуля cyberpandas | [.html] | [CoLab] |
| Обработка hashes и PE (ELF)-файлов на языке Python | [.html] | [CoLab] |
| Нечеткое хеширование на Python | [.html] | [CoLab] |
| Обработка YARA-правил на языке Python | [.html] | [CoLab] |
| Введение в MSTICPy (Microsoft Threat Intelligence Python Security Tools) | [.html] | [.ipynb] на GitHub |
| Исследуем средний вес новорожденных (+упражнения) | [.html] | [CoLab] | [original (07)] |
| Исследуем отношение между переменными (+упражнения) | [.html] | [CoLab] | [original (09)] |
| Законы вероятности (+упражнения) | [.html] | [CoLab] | [original (01)] |
| Теорема Байеса (+упражнения) | [.html] | [CoLab] | [original (02)] |
| Проблема с печеньками (+упражнения) | [.html] | [CoLab] | [original (03)] |
| Задания по NumPy | [PDF] |
| Регулярные выражения в Python и pandas | [CoLab] |
| Что добавляют в избранное на Ozon в 2020 году? | [CoLab] |
| Что не находят на Ozon в 2020 году? | [CoLab] |
| Вакансии и зарплаты в Тинькофф в 2019 году | [CoLab] |
| Анализ статистики COVID-19 в мире | [CoLab] |
| Анализ частоты запросов на Яндекс.Метрике с помощью модуля pymorphy2 | [CoLab] |
| Возможности pytest | [блокнот в Colab] |
| Основные команды при работе с утилитой conda | [PDF] |
| Типы данных и операции в классическом Python | [PDF] |
| Операции над матрицами в NumPy | [PDF] |
| Официальная шпаргалка по pandas | [PDF] |
| Восхитительная шпаргалка по pandas | [PDF] |
| Шпаргалка по pandas от Enthought | [PDF] |
| Презентация по типу данных Series (на русском языке) | [PDF] |
| Презентация по типу данных DataFrame (на русском языке) | [PDF] |
| Категориальные данные (на русском языке) | [PDF] |
| Временные ряды (на русском языке) | [PDF] |
| Сводные таблицы (на русском языке) | [PDF] |
| Агрегирование и группировка (на русском языке) | [PDF] |
| Слияние и соединение (на русском языке) | [PDF] |
| Объединение наборов данных (на русском языке) | [PDF] |
| Иерархическая индексация (на русском языке) | [PDF] |
| Приведение данных в порядок (на русском языке) | [PDF] |
| Шпаргалка по Seaborn | [PDF] |
| Шпаргалка по plotly | [PDF] |
| Шпаргалка по git | [PDF] |
| Шпаргалка по git от Atlassian | [PDF] |
| Шпаргалка по git от GitHub Education | [PDF] |
| Шпаргалка по регулярным выражениям на Python | [PDF] |
| Шпаргалка по регулярным выражениям (на русском языке) | [PDF] |
| Шпаргалка по командам IPython | [Ipython-quick-ref-sheets] |
| Справочник по науке о данных на Python (автор Jake VanderPlas) | [оригинал книги] и [GitHub] |
| Книга Python для анализа данных, 3-издание (от автор pandas, Wes McKinney) | [оригинал книги] |
| Книга интервью по науке о данных | [оригинал книги] |
| Вычислительное и дедуктивное мышление: основы науки о данных (Data 8) | [оригинал книги] |
| Программирование для экономистов | [оригинал книги] |
| Программирование на Python для науки о данных (PY4DS) | [оригинал книги] |
| Введение в экономическое моделирование и науку о данных | [оригинал книги] |
| Справочник по пути Тьюринга | [оригинал книги] |
| Введение в культурную аналитику и Python | [оригинал книги] |
| Введение в науку о Земле и окружающей среде | [оригинал книги] |
| Введение в науку о данных о Земле | [оригинал книги] |
| Воспроизводимая наука о данных с Python | [оригинал книги] |
| Воспроизводимые и надежные рабочие процессы для науки о данных | [оригинал книги] |
| Наука о данных в командной строке | [оригинал книги] |
| The Programming Historian | [оригинал книги] |
| Воспроизводимая наука о данных. Инструменты воспроизводимых исследований | [лекции на русском языке] |
| Изучите Streamlit (полный материал курса) | [оригинал на сайте автора] |
| Картирование и визуализация данных с помощью Python (полный материал курса) | [оригинал на сайте автора] |
| Графические библиотеки (автор José Carlos Soage) | [оригинальный сайт] |
| Поваренная книга по визуализации данных на Python (Pandas, Matplotlib, Seaborn, Plotly Express) | [оригинальный сайт] |
| Учебная программа по визуализации данных (Vega-Lite, Altair) | [оригинальный сайт] |
| Данные в стране чудес | [оригинальная статья] |
| Шаблоны проектирования информационных панелей | [оригинальный сайт] |
| Шпаргалка по Matplotlib | [PDF] |
| Шпаргалка Быстрый старт 1 | [PNG] |
| Шпаргалка Быстрый старт 2 | [PNG] |
| Шпаргалка для начинающих | [PNG] |
| Шпаргалка для продвинутых пользователей | [PNG] |
