Pandas w codziennej pracy z danymi: od wczytania do wniosków
W świecie analityki liczy się tempo: pobranie danych, szybkie sprawdzenie jakości, a potem konkret -- co wynika ze sprzedaży, zachowania użytkowników czy logów systemowych. Pandas dobrze pasuje do takiego rytmu, bo pozwala sprawnie przygotować zbiór do analizy, przeliczyć metryki i od razu podejrzeć trendy na wykresie. I jasne, można wszystko robić ,,na piechotę", ale po kilku projektach człowiek zaczyna doceniać krótszą drogę.
Operacje, które robią różnicę: braki danych, typy, czas i skala
Najwięcej czasu zwykle znika nie na modelach, tylko na sprzątaniu: konwersjach typów, brakach, nietypowych datach, kilku źródłach naraz. W przewodniku Jak analizować dane z biblioteką Pandas. Praktyczne wprowadzenie. Wydanie II Daniela Y. Chena ten etap jest potraktowany serio, z naciskiem na realny zbiór danych, a nie wymyślone przykłady. Przydaje się to zwłaszcza wtedy, gdy musisz nie tylko policzyć wynik, ale też umieć go obronić przed zespołem albo klientem.
Gdy zaczynasz łączyć kilka kroków w jedną, powtarzalną procedurę (a to się dzieje szybciej, niż się wydaje), wchodzą w grę ,,patenty" na grupowanie, łączenie, przekształcanie i pracę na szeregach czasowych. I tu dobrze sprawdza się podejście recepturowe: otwierasz rozdział, bierzesz fragment i wdrażasz w swoim notebooku. Taką logikę ma Pandas. Receptury. Obliczenia naukowe, szeregi czasowe i eksploracyjna analiza danych w Pythonie. Wydanie III Williama Ayd i Matthew Harrisona, gdzie nacisk pada na łączenie poleceń w sensowne sekwencje -- dokładnie to, czego brakuje, gdy zna się tylko pojedyncze funkcje.
Od arkusza do decyzji: analityka biznesowa i eksperymenty w Pythonie
W tej kategorii przewija się też wątek ,,po co to wszystko": dane mają wspierać decyzje, a nie tylko ładnie wyglądać. Jeśli pracujesz w marketingu, produkcie albo operacjach, to w pewnym momencie pojawią się prognozy popytu, testy A/B, prosta klasyfikacja czy rekomendacje -- i wtedy Pandas staje się narzędziem pierwszego kontaktu do przygotowania cech i walidacji wniosków. Taki kierunek dobrze oddaje książka Data science i Python. Stawianie czoła najtrudniejszym wyzwaniom biznesowym Bradforda Tuckfielda, gdzie praca na danych prowadzi do rozwiązywania konkretnych problemów biznesowych, a nie do kolekcjonowania technik dla sportu.
Jeśli chcesz poszerzyć warsztat w samym języku, zajrzyj też do podkategorii Python w księgarni Helion, bo często to właśnie składnia i nawyki programistyczne najszybciej przyspieszają analizę.
