Kurz Pythonu pro analýzu dat a automatizaci

Lekce 1 • Funkce a modulární kód

Definujte znovupoužitelné funkce s parametry, návratovými hodnotami a dokumentačními řetězci. Modulární kód snižuje duplicitu a usnadňuje údržbu datových pipeline.

Lekce 2 • Nastavení prostředí Pythonu

Nainstalujte Python, nakonfigurujte virtuální prostředí a vyberte si IDE vhodné pro práci s daty. Tento základ zajistí reprodukovatelné nastavení projektů bez konfliktů.

Lekce 3 • Základní syntaxe Pythonu a datové typy

Osvojte si proměnné, operátory a vestavěné datové typy včetně řetězců, celých čísel, desetinných čísel a booleovských hodnot. Tyto primitivní typy jsou základem každé následné manipulace s daty.

Lekce 4 • Kolekce: seznamy, n-tice, slovníky, množiny

Pochopte čtyři základní typy kolekcí v Pythonu a kdy je použít. Efektivní používání kolekcí přímo zrychluje vzory ukládání a načítání dat.

Lekce 1 • Příjem dat ve formátech JSON a XML

Načítejte vnořené struktury JSON a XML do objektů Pythonu pro další zpracování. Tyto formáty dominují odpovědím API a konfiguračním souborům.

Lekce 2 • Ošetření chyb při příjmu dat

Použijte bloky try/except k zachycení chyb kódování, chybějících souborů a poškozených záznamů. Robustní kód pro příjem dat zabraňuje tiché korupci dat v pipeline.

Lekce 3 • Čtení a zápis textových souborů

Použijte vestavěnou funkci open() Pythonu ke čtení, zápisu a připojování k prostým textovým souborům. Správná manipulace se soubory zabraňuje ztrátě dat a únikům zdrojů.

Lekce 4 • Čtení Excelu a dalších formátů

Importujte vícelistové excelové sešity a další binární formáty pomocí openpyxl a pandas. Excel zůstává primárním zdrojem dat ve většině obchodních procesů.

Lekce 1 • Vektorizované operace a broadcasting

Aplikujte matematiku po prvcích a pravidla broadcastingu, abyste nahradili pomalé smyčky Pythonu. Vektorizace je hlavní technikou pro zvýšení výkonu v numerickém kódu Pythonu.

Lekce 2 • Pole NumPy a jejich vytváření

Vytvářejte a kontrolujte ndarrays ze seznamů, rozsahů a náhodných generátorů. Pole jsou základní datovou strukturou pro všechny numerické a vědecké knihovny Pythonu.

Lekce 3 • Statistické funkce a funkce lineární algebry

Použijte np.linalg a statistické funkce pro maticové operace a sumarizaci dat. Tyto schopnosti jsou základem předzpracování strojového učení a vědeckých výpočtů.

Lekce 1 • Seskupování, agregace a kontingenční tabulky

Sumarizujte data pomocí groupby(), agg() a kontingenčních tabulek, abyste odhalili vzory napříč kategoriemi. Tyto operace jsou základem většiny obchodního reportingu a výpočtů KPI.

Lekce 2 • Základy DataFrame a Series

Vytvářejte DataFrames ze slovníků, seznamů a souborů a pochopte strukturu Series. Tyto objekty jsou primárními kontejnery pro všechny operace pandas.

Lekce 3 • Výběr, filtrování a řezání dat

Extrahujte podmnožiny dat pomocí booleovských masek, query() a výběru sloupců. Přesný výběr je nezbytný před každou transformací nebo analytickým krokem.

Lekce 4 • Slučování, spojování a konkatenace

Kombinujte více DataFrames pomocí merge(), join() a concat() k integraci dat z různých zdrojů. Integrace z více zdrojů je každodenní úlohou v datových profesích.

Lekce 1 • Vykreslování pomocí Matplotlib

Vytvářejte spojnicové, sloupcové, bodové a histogramové grafy pomocí objektově orientovaného API matplotlib. Matplotlib poskytuje plnou kontrolu nad každým vizuálním prvkem v obrázku.

Lekce 2 • Přizpůsobení a export grafů

Aplikujte motivy, barevné palety, anotace a exportujte grafy do PNG nebo PDF pro reporty. Vyladěné vizuální výstupy zvyšují důvěru stakeholderů v analytická zjištění.

Lekce 3 • Statistická vizualizace pomocí Seaborn

Vytvářejte grafy rozložení, heatmapy a kategorické grafy pomocí vysokoúrovňového API seaborn. Seaborn urychluje EDA automatickým kombinováním statistiky a estetiky.

Lekce 4 • Statistické profilování datových sad

Počítejte popisné statistiky, rozložení a korelace pro pochopení struktury datové sady. Profilování řídí každé následné rozhodnutí o čištění a modelování.

Lekce 1 • Automatizace souborového systému

Programově procházejte, vytvářejte, kopírujte, přesouvejte a mažte soubory a adresáře. Automatizace souborového systému je nejčastějším vstupním bodem pro pracovní skripty Pythonu.

Lekce 2 • Odesílání automatických e-mailových oznámení

Odesílejte e-maily s přílohami pomocí knihoven smtplib a email, abyste informovali stakeholdery. Automatizovaná upozornění uzavírají smyčku mezi zpracováním dat a obchodní akcí.

Lekce 3 • Rozhraní příkazového řádku pro skripty

Vytvářejte uživatelsky přívětivé CLI nástroje pomocí argparse, aby skripty přijímaly parametry za běhu. Rozhraní CLI činí automatizační skripty znovupoužitelnými napříč různými datovými sadami a prostředími.

Lekce 4 • Plánování a spouštění skriptů

Naplánujte automatické spouštění skriptů Pythonu pomocí cron, Plánovače úloh a APScheduler. Plánovaná automatizace zajišťuje konzistentní, včasné zpracování dat bez manuálních spouštěčů.

Lekce 1 • Základy HTTP a knihovna Requests

Pochopte HTTP metody, stavové kódy a hlavičky, poté provádějte požadavky GET a POST. Tyto znalosti jsou nezbytné před konzumací jakéhokoli webového datového zdroje.

Lekce 2 • Autentizace pomocí API

Implementujte autentizaci pomocí API klíče, OAuth2 a tokenů pro přístup k chráněným endpointům. Většina produkčních API vyžaduje autentizaci před vrácením dat.

Lekce 3 • Ukládání a aktualizace dat z API

Ukládejte odpovědi API do CSV, JSON nebo databáze a implementujte logiku přírůstkové aktualizace. Trvalé úložiště zabraňuje nadbytečným voláním API a uchovává historická data.

Lekce 4 • Stránkování a omezování rychlosti volání API

Zpracujte stránkované odpovědi a respektujte limity rychlosti, abyste spolehlivě shromáždili kompletní datové sady. Ignorování stránkování nebo limitů rychlosti způsobuje neúplné nebo zablokované stahování dat.

Lekce 1 • Načítání výsledků dotazů do pandas

Použijte pd.read_sql() a SQLAlchemy k přímému načtení výsledků dotazů do DataFrames. Propojení SQL a pandas umožňuje bezproblémovou analýzu dat uložených v databázi.

Lekce 2 • Úvod do NoSQL s Pythonem

Připojte se k dokumentovým a klíč-hodnota úložištím pomocí pymongo a redis-py pro netabulková data. NoSQL databáze jsou v moderních datových stackích běžné vedle relačních systémů.

Lekce 3 • Připojení Pythonu k SQL databázím

Použijte sqlite3, psycopg2 a SQLAlchemy k otevírání připojení a spouštění dotazů z Pythonu. Správa připojení je prvním krokem v jakékoli automatizaci řízené databází.

Lekce 4 • Provádění CRUD operací

Spouštějte příkazy SELECT, INSERT, UPDATE a DELETE z Pythonu a zpracovávejte transakce. CRUD operace jsou stavebními kameny všech datových pipeline podložených databází.