Corso Python per Analisi Dati e Automazione

Lezione 1 • Funzioni e codice modulare

Definisce funzioni riutilizzabili con parametri, valori di ritorno e docstring. Il codice modulare riduce le duplicazioni e semplifica la manutenzione delle pipeline di dati.

Lezione 2 • Configurazione dell'ambiente Python

Installi Python, configuri ambienti virtuali e scelga un IDE adatto al lavoro con i dati. Questa base garantisce configurazioni di progetto riproducibili e prive di conflitti.

Lezione 3 • Sintassi di base di Python e tipi di dato

Padroneggi variabili, operatori e tipi di dato incorporati, tra cui stringhe, interi, float e booleani. Questi elementi primitivi sono alla base di ogni successiva attività di manipolazione dei dati.

Lezione 4 • Collezioni: Liste, Tuple, Dizionari, Insiemi

Comprenda i quattro tipi fondamentali di collezioni in Python e quando utilizzarli. Un uso efficiente delle collezioni accelera direttamente i modelli di archiviazione e recupero dei dati.

Lezione 1 • Acquisizione di dati JSON e XML

Carichi strutture JSON e XML annidate in oggetti Python per ulteriori elaborazioni. Questi formati dominano le risposte delle API e i file di configurazione.

Lezione 2 • Gestione degli errori nell'acquisizione dati

Applichi blocchi try/except per intercettare errori di codifica, file mancanti e record non validi. Un codice di acquisizione robusto previene la corruzione silenziosa dei dati nelle pipeline.

Lezione 3 • Lettura e scrittura di file di testo

Utilizzi la funzione incorporata open() di Python per leggere, scrivere e accodare file di testo semplice. Una corretta gestione dei file previene la perdita di dati e le perdite di risorse.

Lezione 4 • Lettura di Excel e altri formati

Importi cartelle di lavoro Excel multi-foglio e altri formati binari utilizzando openpyxl e pandas. Excel rimane una fonte di dati primaria nella maggior parte dei flussi di lavoro aziendali.

Lezione 1 • Operazioni vettorizzate e broadcasting

Applichi operazioni matematiche per elemento e regole di broadcasting per sostituire i lenti cicli Python. La vettorizzazione è la tecnica principale per le prestazioni nel codice Python numerico.

Lezione 2 • Array NumPy e creazione di array

Crei e ispezioni ndarray da liste, intervalli e generatori casuali. Gli array sono la struttura dati fondamentale per tutte le librerie Python numeriche e scientifiche.

Lezione 3 • Funzioni statistiche e di algebra lineare

Utilizzi np.linalg e le funzioni statistiche per operazioni sulle matrici e riepiloghi dei dati. Queste capacità sono alla base della pre-elaborazione per il machine learning e del calcolo scientifico.

Lezione 1 • Raggruppamento, aggregazione e pivot

Riassuma i dati con groupby(), agg() e tabelle pivot per rivelare modelli tra le categorie. Queste operazioni sono alla base della maggior parte dei report aziendali e dei calcoli dei KPI.

Lezione 2 • Fondamenti di DataFrame e Series

Crei DataFrame da dizionari, liste e file e comprenda la struttura delle Series. Questi oggetti sono i contenitori principali per tutte le operazioni con pandas.

Lezione 3 • Selezione, filtraggio e slicing dei dati

Estragga sottoinsiemi di dati utilizzando maschere booleane, query() e selezione di colonne. Una selezione precisa è essenziale prima di qualsiasi passaggio di trasformazione o analisi.

Lezione 4 • Unione, join e concatenazione

Combini più DataFrame utilizzando merge(), join() e concat() per integrare dati da fonti diverse. L'integrazione da più fonti è un'attività quotidiana nei ruoli legati ai dati.

Lezione 1 • Tracciare grafici con Matplotlib

Costruisca grafici a linee, a barre, a dispersione e istogrammi utilizzando l'API orientata agli oggetti di matplotlib. Matplotlib offre il pieno controllo su ogni elemento visivo di una figura.

Lezione 2 • Personalizzazione ed esportazione dei grafici

Applichi temi, palette di colori, annotazioni ed esporti grafici in PNG o PDF per i report. Una visualizzazione curata aumenta la fiducia degli stakeholder nei risultati analitici.

Lezione 3 • Visualizzazione statistica con Seaborn

Crei grafici di distribuzione, mappe di calore e grafici categoriali con l'API di alto livello di seaborn. Seaborn accelera l'EDA combinando automaticamente statistica ed estetica.

Lezione 4 • Profilazione statistica dei dataset

Calcoli statistiche descrittive, distribuzioni e correlazioni per comprendere la struttura del dataset. La profilazione guida ogni successiva decisione di pulizia e modellazione.

Lezione 1 • Automazione del file system

Navighi, crei, copi, sposti ed elimini file e directory a livello di programmazione. L'automazione del file system è il punto di ingresso più comune per gli script Python in ambito lavorativo.

Lezione 2 • Invio di notifiche email automatizzate

Invii email con allegati utilizzando le librerie smtplib ed email per notificare gli stakeholder. Gli avvisi automatici chiudono il ciclo tra l'elaborazione dei dati e l'azione aziendale.

Lezione 3 • Interfacce a riga di comando per script

Costruisca strumenti CLI facili da usare con argparse, in modo che gli script accettino parametri di esecuzione. Le interfacce CLI rendono gli script di automazione riutilizzabili su dataset e ambienti diversi.

Lezione 4 • Pianificazione ed esecuzione di script

Pianifichi l'esecuzione automatica di script Python utilizzando cron, Task Scheduler e APScheduler. L'automazione pianificata garantisce un'elaborazione dei dati coerente e tempestiva senza attivazioni manuali.

Lezione 1 • Fondamenti di HTTP e la libreria Requests

Comprenda i metodi HTTP, i codici di stato e gli header, quindi effettui richieste GET e POST. Questa conoscenza è necessaria prima di utilizzare qualsiasi fonte di dati basata sul web.

Lezione 2 • Autenticazione con le API

Implementi l'autenticazione tramite chiave API, OAuth2 e token per accedere a endpoint protetti. La maggior parte delle API di produzione richiede l'autenticazione prima di restituire i dati.

Lezione 3 • Archiviazione e aggiornamento dei dati API

Persista le risposte delle API su CSV, JSON o un database e implementi una logica di aggiornamento incrementale. L'archiviazione permanente previene chiamate API ridondanti e preserva i dati storici.

Lezione 4 • Paginazione e limitazione della frequenza delle chiamate API

Gestisca risposte paginate e rispetti i limiti di frequenza per raccogliere dataset completi in modo affidabile. Ignorare la paginazione o i limiti di frequenza causa estrazioni di dati incomplete o bloccate.

Lezione 1 • Caricare i risultati delle query in pandas

Utilizzi pd.read_sql() e SQLAlchemy per inserire i risultati delle query direttamente nei DataFrame. Collegare SQL e pandas consente un'analisi senza soluzione di continuità dei dati archiviati nei database.

Lezione 2 • Introduzione a NoSQL con Python

Si connetta a database documentali e chiave-valore utilizzando pymongo e redis-py per dati non tabellari. I database NoSQL sono comuni negli stack di dati moderni insieme ai sistemi relazionali.

Lezione 3 • Connettere Python ai database SQL

Utilizzi sqlite3, psycopg2 e SQLAlchemy per aprire connessioni ed eseguire query da Python. La gestione della connessione è il primo passo in qualsiasi automazione basata su database.

Lezione 4 • Eseguire operazioni CRUD

Esegua istruzioni SELECT, INSERT, UPDATE e DELETE da Python e gestisca le transazioni. Le operazioni CRUD sono i mattoni fondamentali di tutte le pipeline di dati basate su database.