Data Analysis με Python

Π. Κοκκινάκης, Senior Software Developer and Analyst

Η Python είναι μια ισχυρή γλώσσα προγραμματισμού που χρησιμοποιείται σε μεγάλη έκταση σε νέα αλλά και υπάρχοντα μεγάλα προγράμματα διαφόρων εφαρμογών. Οι αυξανόμενες απαιτήσεις για την Python έχουν δημιουργήσει μία τεράστια κοινότητα γύρω από αυτήν, η οποία παρέχει αρκετά δυνατά εργαλεία και λύσεις που βοηθούνε σε καθημερινά επαγγελματικά προβλήματα όπως αυτά της Ανάλυσης Δεδομένων.

Το συγκεκριμένο σεμινάριο, θα σας βοηθήσει να δείτε πρακτικές εφαρμογές της Python επάνω στην Ανάλυση Δεδομένων μέσω της πρακτικής χρήσης μεταβλητών, δομών δεδομένων σε συνδυασμό με βιβλιοθήκες και εργαλεία που θα σας βοηθήσουν στην διαχείριση των δεδομένων σας καθώς και την τελική αναπαράστασή τους.

Μετέπειτα για όσους θέλουν να ξεκινήσουν ως Data Analysts τους δίνεται η δυνατότητα να μπορέσουν να διαχειριστούν, να μεταποιήσουν, να ανακατασκευάσουν και να παρουσιάσουν ακατέργαστα δεδομένα μέσα από χρήσιμες και ευρέως διαδεδομένες βιβλιοθήκες.

ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ/ΣΚΟΠΙΜΟΤΗΤΑ

Οι συμμετέχοντες είναι σε θέση να :

• να μάθουν πως η Python μπορεί να βοηθήσει έναν Data Analyst
• να αξιοποιούν εργαλεία και δομές που χρειάζεται να γνωρίζει και χρησιμοποιεί ο Data Analyst για την μεταποίηση των δεδομένων
• να κατανοούν με παραδείγματα τη βιβλιοθήκη NumPy
• να χρησιμοποιούν με παραδείγματα τη βιβλιοθήκη pandas
• να φορτώνουν, αποθηκεύουν και μεταποιούν δεδομένων
• να χρησιμοποιούν εργαλεία απεικόνισης και αναπαράστασης δεδομένων
• να χρησιμοποιούν δυνατότητες ομαδοποίησης των δεδομένων μέσω της function groupby
• να διαχειρίζονται χρονοσειρές (timeseries) – χρήση datetime, time, calendar
• να χρησιμοποιούν pandas για κατηγοριοποίηση των δεδομένων μέσω μετατροπής λιστών σε categorical τύπους δεδομένων και επιπλέον χρήσεις του groupby
• να κατανοούν τη Μοντελοποίηση των δεδομένων μέσω της χρήσης έτοιμων βιβλιοθηκών (statsmodels) και εισαγωγή στην scikit-learn για machine learning
• να γνωρίζουν ndarray objects, τρόπους αναδιαμόρφωσης λιστών (reshaping arrays, repeat, take, put), ταξινόμηση (argsort, lexsort)
• να κατανοούν χρήσιμες εντολές για αλληλεπίδραση με το λειτουργικό σύστημα και επιπλέον δυνατότητες της IPython

Εβδομάδα 1: Εισαγωγή
Μία σύντομη περιγραφή για την ύλη του μαθήματος μαζί με μία αναφορά στις κύριες βιβλιοθήκες που θα χρησιμοποιηθούν καθώς και προετοιμασία του περιβάλλοντος της Python για υλοποίηση προγραμμάτων.

Εβδομάδα 2: Μία πρώτη επαφή με διαχείριση λιστών και δεδομένων
Περιγραφή κάποιων παραδειγμάτων με δεδομένα και διαχείριση αυτών στα οποία μεταγενέστερα θα βοηθήσει στην καλύτερη κατανόηση για την προηγμένη χρήση των βιβλιοθηκών και των δεδομένων τους.

Εβδομάδα 3: IPython
Αναφορά και χρήση του IPython με παραδείγματα και εικόνες για την καλύτερη κατανόησή του και χρήση του ως development εργαλείο.

Εβδομάδα 4: NumPy – Part Ι
Περιγραφή της βιβλιοθήκης και χρήση της μέσα από παραδείγματα με Arrays

Εβδομάδα 5: NumPy – Part II
Επεξεργασία δεδομένων μέσω Arrays και εισαγωγή και εξαγωγή τους αυτών μέσω αρχείων

Εβδομάδα 6: Pandas – Part I
Εισαγωγή στη λειτουργικότητα και στις δομές δεδομένων της βιβλιοθήκης.

Εβδομάδα 7: Pandas – Part II
Κατανόηση της χρήσης και της λειτουργικότητας της βιβλιοθήκης μέσα από παραδείγματα.

Εβδομάδα 8: Ασκήσεις και Βοηθητικές Εργασίες
Θα παραδοθούν κάποιες ασκήσεις που θα πρέπει να πραγματοποιηθούν και θα βοηθήσουν στην καλύτερα κατανόηση της ύλης

Εβδομάδα 9: Αποθήκευση Δεδομένων
Εισαγωγή στον τρόπο αποθήκευσης δεδομένων και στους συμβατούς τύπους αρχείων

Εβδομάδα 10: Data Transformation
Καθαρισμός, μεταποίηση και χρήση δεδομένων στις δομές της Python

Εβδομάδα 11: Παρουσίαση και Γραφική Απεικόνιση Δεδομένων
Εισαγωγή στους τρόπους γραφικής απεικόνισης των δεδομένων με τις αντίστοιχες βιβλιοθήκες της Python

Εβδομάδα 12: Συγκέντρωση και Ομαδοποίηση Δεδομένων
Μέθοδοι ομαδοποίησης και υπολογισμού συγκεντρωτικών δεδομένων (data aggregation and grouping) με παραδείγματα

Εβδομάδα 13: Time Series
Χρήση Date Time τύπων καθώς και αναφορά στις ζώνες ώρας για διαχείριση και μεταποίηση δεδομένων

Εβδομάδα 14: Προχωρημένα παραδείγματα NumPy
Περισσότερα παραδείγματα και χρήση δυνατοτήτων της NumPy

Μονάδες ECVET: 2.6
Η εκπαιδευτική ενότητα οδηγεί σε Πιστοποιητικό Επιμόρφωσης.