Учим Python для аналитики данных!
Собрала список практических советов для начинающих аналитиков, которые хотят прокачать хард-скилы с Python ⚡
Перед прочтением этого поста рекомендую подписаться на мой блог в тг👉 подписаться. Рассказываю о пути аналитика, делюсь фишками в трудоустройстве и практическими материалами для работы.
Навык использования Python в работе - довольно хорошее преимущество для новичка - аналитика. А для минимальной работы нужно знать довольно ограниченный и не сложный функционал, который можно освоить за короткое время.
Выделила базовые моменты, с которых можно начать изучение Python:
Изучение синтаксиса языка, достаточного для аналитики
На просторах интернета много бесплатных материалов, доступных для изучения. Советую не пускаться во все тяжкие и не изучать все подряд. Достаточно выбрать для себя пару тройку источников и закрепить знания на них.
Из бесплатных материалов могу порекомендовать:
- Основы Python от Karpov Courses
- Python для работы с данными также от Karpov Courses, на YouTube
- Курс Python для начинающих аналитиков от Skypro на YouTube
Ставим себе программы для работы с Python
Учеба учебой, но без реального написания кода - никуда.
Для практики и работы вам понадобится установить Jupiter Notebook для построчного выполнения питоновского кода. Его можно использовать в браузере или скачать на рабочий стол.
От себя советую установить Visual Studio Code, так как на мой взгляд он гораздо удобнее в использовании. В нем же можно скачать все необходимые для работы расширения (в том числе и Python и Jupiter notebook).
И еще один вариант - это Google Colab. Хорош тем, что не нужно ничего устанавливать и все работает через браузер. Кроме этого - легко делиться своими работами и предоставлять доступ к своим базам и скриптам.
Изучаем библиотеки для работы с данными и для визуализации
Приведу только небольшую часть библиотек, знаний о которых будет достаточно для решения любых простых (и не только) задач в аналитике.
Список основных библиотек для работы с данными:
- Pandas - манипуляции и преобразование данных
- Numpy - для углубленного расчёта
- SciPy - расширенный функционал для математических расчётов
Список основных библиотек для визуализации:
- Matplotlib - базовые графики
- Seaborn - расширенная визуализация
Создаем первые пет-проекты
К сожалению, только теоретические знания работодателю не интересны, поэтому берем все свои полученные знания и используем их для создания своего мини-проекта.
Как выбрать тему своего пет-проекта я описала в 👉🏼 этой статье 👈🏼
Самое лучшее, что можно придумать - это найти реальный мини-проект, который поможет вам лучше погрузиться в уже существующую проблему. Плюс, это уже сильно смахивает на "стажировку", а это нам еще как пригодится для портфолио!
Обязательно сохраняйте эту статью, чтобы не потерять.
Если вы только недавно начали свой путь в профессии аналитика данных, тогда вам точно нужно подписаться на мой блог, где вы узнаете:
- о частых ошибках в профессии и как их избежать;
- рекомендации по трудоустройству;
- как получить профессию аналитика и сколько можно зарабатывать;
Подписывайтесь и читайте контент по ссылке 👇🏻