Data Science Учебники
Наука о данных предлагает всестороннюю программу для начинающих ученых и аналитиков данных. Наши учебные материалы охватывают статистический анализ, машинное обучение и визуализацию данных, подходящие как для начинающих, так и для учащихся среднего уровня. Через интерактивные лаборатории и практические задания по программированию вы получите практический опыт работы с реальными наборами данных. Наша песочница науки о данных позволяет вам применять свои навыки в динамичной онлайн-среде.
Другие деревья навыков
Создание подграфиков Matplotlib
В этой лабораторной работе вы научитесь создавать и настраивать несколько подграфиков в одном рисунке с помощью Matplotlib, мощной библиотеки для построения графиков на Python. Вы будете практиковаться в создании подграфиков, построении на них данных и настройке макетов.
Matplotlib
Структурированные массивы в NumPy
В этой лабораторной работе мы изучим структурированные массивы в NumPy. Структурированные массивы — это ndarray, тип данных которых представляет собой композицию более простых типов данных, организованных как последовательность именованных полей. Они полезны для работы со структурированными данными, такими как табличные данные, где каждое поле представляет собой различный атрибут данных.
NumPyPython
Универсальные функции NumPy
В этой лабораторной работе мы изучим основы универсальных функций (ufuncs) NumPy. Ufuncs — это функции, которые работают с ndarrays поэлементно, поддерживая broadcasting массивов, преобразование типов и другие стандартные функции. Мы узнаем о различных методах ufuncs, правилах broadcasting, правилах преобразования типов и о том, как переопределять поведение ufunc.
NumPyPython
Создание DataFrame в Pandas
В этой лабораторной работе вы изучите основные способы создания DataFrame в Pandas, в том числе из словарей, а также как настраивать столбцы и индексы.
Pandas
Описательная статистика Pandas
В этой лабораторной работе вы научитесь вычислять различные описательные статистики для Pandas DataFrame, включая среднее, медиану, минимум/максимум и другие.
Pandas
Основы манипулирования массивами NumPy
В этой лабораторной работе вы изучите основы работы с массивами NumPy. NumPy — это мощная библиотека для численных вычислений в Python. Она предоставляет эффективные структуры данных и функции для выполнения математических операций над массивами.
NumPyPython
Сортировка данных в Pandas
В этой лабораторной работе вы изучите основные методы сортировки данных в DataFrame Pandas. Вы рассмотрите сортировку по одному и нескольким столбцам, управление порядком сортировки и управление индексом DataFrame после операций сортировки.
Pandas
Импорт данных с помощью Genfromtxt
В этой лабораторной работе мы научимся импортировать данные с помощью функции numpy.genfromtxt. Эта функция позволяет нам считывать табличные данные из различных источников и преобразовывать их в массивы NumPy. Мы изучим различные параметры для определения входных данных, разделения строк на столбцы, выбора столбцов, установки типа данных и настройки преобразования.
NumPyPython
Группировка и агрегация в Pandas
В этой лабораторной работе вы изучите основы группировки и агрегации данных с использованием библиотеки Pandas. Вы попрактикуетесь в использовании groupby() для создания групп и применения различных агрегирующих функций.
Pandas
Введение в Pandas и настройка
В этой лабораторной работе вы начнете работу с Pandas, мощной библиотекой для анализа данных в Python. Вы научитесь проверять ее установку, импортировать, создавать базовую Series, получать доступ к ее элементам и проверять ее свойства.
Pandas
Введение в индексацию в NumPy
В этой лабораторной работе мы рассмотрим основы индексации в NumPy. Индексация позволяет нам получать доступ к отдельным элементам или подмножествам элементов массива и манипулировать ими. Понимание того, как эффективно использовать индексацию, имеет решающее значение для работы с массивами в NumPy.
NumPyPython
Фильтрация данных в Pandas
В этой лабораторной работе вы изучите основные методы фильтрации данных в Pandas DataFrame, включая булеву индексацию, комбинирование условий, использование isin и обработку отсутствующих значений.
Pandas
Базовая очистка данных с помощью Pandas
В этой лабораторной работе вы изучите основные методы очистки данных с использованием библиотеки Pandas, включая обработку пропущенных значений, удаление дубликатов и исправление типов данных.
Pandas
Понимание типов данных NumPy
Эта лабораторная работа предоставит пошаговое руководство по пониманию различных типов данных, доступных в NumPy, и способов изменения типа данных массива. NumPy поддерживает широкий спектр числовых типов, включая булевы значения, целые числа, числа с плавающей запятой и комплексные числа. Понимание этих типов данных важно для выполнения различных числовых вычислений и задач анализа данных с использованием NumPy.
NumPyPython
Основные методы создания массивов NumPy
Эта лабораторная работа представляет собой пошаговое руководство по созданию массивов с использованием NumPy, фундаментальной библиотеки для контейнеров массивов в Python. Вы изучите различные методы создания массивов, включая преобразование последовательностей Python, использование встроенных функций создания массивов NumPy, репликацию и объединение существующих массивов, а также чтение массивов с диска.
NumPyPython
NumPy Broadcasting для эффективных вычислений
Broadcasting — это мощная функция NumPy, которая позволяет использовать массивы с различными формами в арифметических операциях. Она предоставляет способ векторизации операций с массивами и повышения вычислительной эффективности. Эта лабораторная работа познакомит вас с основами broadcasting в NumPy.
NumPyPython
Кросс-валидация в Scikit-learn
В этой лабораторной работе вы научитесь выполнять кросс-валидацию с помощью scikit-learn для более надежной оценки производительности модели машинного обучения.
scikit-learn
Выбор данных в Pandas
В этой лабораторной работе вы изучите основные методы выбора и подмножества данных из Pandas DataFrames, включая выбор столбцов, строк и специфических срезов данных.
Pandas
- Предыдущий
- 1
- 2
- 3
- 4
- 5
- 6
- ...
- 165
- Следующий