Тестовые уроки онлайн

Попробовать python онлайн на тестовых данных

Урок 1

Работа с колонками и датами, временем
и запись на несколько листов в эксель

Урок 2


Создание новых переменных, работа со строками, чистка данных
создание мульти уровневых колонок

Урок 3

Ггруппировка, нумерование покупок клиентов,
генерация средней и разностной статистики

Основные функции и обработка данных в python

Форматирование колонки

df=pd.DataFrame({‘Ident’: {0: 765831, 1: 765832,2:765833}, ‘Мес выдачи’: {0: ‘01.06.2019’, 1: ‘01.06.2019’,2:’01.06.2019′}}) df[‘Ident’].map(lambda x : str(x)[-3:]) df[‘Мес выдачи’].map(lambda x: str(x).split(‘.’))

Группировка колонок и сводная таблица

df=pd.DataFrame({‘Ident’: {0: 765831, 1: 765832}, ‘Мес выдачи’: {0: ‘01.06.2019’, 1: ‘01.06.2019’}, ‘Сумма выдачи’: {0: 20000, 1: 15000}}) df.groupby(‘Мес выдачи’)[‘Сумма выдачи’].sum() pd.pivot_table(df,columns=’Мес выдачи’,index=’Ident’,values=’Сумма выдачи’) df[‘Мес выдачи’].unique() df=df.rename(columns={‘Сумма выдачи’:’Расход’})

Python Join

df=pd.DataFrame({‘Ident’: {0: 765831, 1: 765832}, ‘Мес выдачи’: {0: ‘01.06.2019’, 1: ‘01.06.2019’}}) dr=pd.DataFrame({‘Ident’: {0: 765831, 1: 765832}, ‘Сумма выдачи’: {0: 20000, 1: 15000}}) df=dr.merge(df,on=’Ident’)

Описательная статистика

df=pd.DataFrame({‘Ident’: {0: 765831, 1: 765832}, ‘Мес выдачи’: {0: ‘01.06.2019’, 1: ‘01.06.2019’}, ‘Сумма выдачи’: {0: 20000, 1: 15000}}) df.describe() df.skew() df.corr(method=’pearson’)

Логистическая регрессия

123 from pandas import read_csv from sklearn.model_selection import KFold, cross_val_score from sklearn.linear_model import LogisticRegression kfold = KFold(n_splits=10, random_state=7) model = LogisticRegression(solver=’liblinear’) results = cross_val_score(model, X, Y, cv=kfold) print(“Accuracy: %.3f%% (%.3f%%)”) % (results.mean()*100.0, results.std()*100.0))

Бизнес кейсы

Шаги - постановка условий, обработка данных, создание облачного сервиса.
Аналитические решения

Аналитические решения

построение облачных решений и хранилищ данных


Построение стратегической карты
Оптимизация скоринговых моделей
Построение системы KPI
Переход к управлению с помощью данных и статистики
Тестирование гипотез
Обработка пропусков, выбросов в данных

Обучение

Обучение

Мастер классы по темам


Рассчет LTV, 6 сигм
Консультанты и Ваши сотрудники обладают единым массивом объективных данных
Построение линейных, нелийнейных алгоритмов, ансамбля алгоритмов
Предсказание временных рядов

Дешборды и мониторинг исполнения

Дешборды и мониторинг исполнения

визуализация и бизнес аналитика


Улучшение качества эксплуатации капитальных активов
Разработка решений Power BI - Google Data Studio
Установка программного обеспечения
Систематизация структуры и формата фаилов

Обратная связь

Георгий Павлов Преподаватель по математической статистике, эконометрике pavlovgeorgem@yandex.ru

Месторасположение

Москва

Связь по телефону

Телефон: +79851662306

Написать