Przetwarzanie danych masowych (e) 1300-Inf2PDMe-NP
Laboratorium (LAB) Rok akademicki 2024/25

1. W. McKinney, Python w analizie danych : przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska IPython, Helion, 2023

2. D. Beazley, Python. Zwięzłe kompendium dla programisty, Helion, 2022

3. M. Walker, Czyszczenie danych w Pythonie. Receptury. Nowoczesne techniki i narzędzia Pythona do wykrywania i eliminacji zanieczyszczeń oraz wydobywania kluczowych cech z danych, Helion, 2021

4. Ch. R. Severance, Python dla wszystkich, 2023

online https://py4e.pl/translations/PL/py4e-pl-print-latest.pdf

U1, U2

Warunkiem koniecznym zaliczenia jest wykonanie zadań laboratoryjnych i przesłanie kodów źródłowych

Na podstawie kolokwium zaliczeniowego, obecności i aktywności na zajęciach obliczana jest wartość punktowa określona w procentach zgodnie z zależnością:

100%*(0,8*(ilość punktów/max ilość punktów) + 0,2*(liczba obecności/ilość spotkań) + aktywność (max. 0,1))

Ocena końcowa:

[50%, 60%] - dst

(60-70%] - dst+

(70-80%] - dobry

(80-90%] - dobry+

(90-100%] - b.dobry

Podstawy Pythona. Wprowadzenie do typów danych (liczby, ciągi znaków, listy, słowniki, ramki danych). Obsługa dat i szeregów czasowych w Pythonie (biblioteki datetime, pandas). Operacje na zbiorach danych (indeksowanie, filtrowanie, sortowanie). Odczyt i zapis plików CSV, JSON, Excel. Łączenie z relacyjnymi bazami danych. Pobieranie danych z internetu. Obsługa brakujących wartości. Usuwanie duplikatów, konwersja typów danych. Normalizacja i standaryzacja danych. Łączenie i scalanie zbiorów danych. Grupowanie i agregacja. Przekształcanie kolumn i operacje na danych.Podstawowe operacje na tablicach NumPy.

Algebra liniowa i operacje macierzowe. Tworzenie wykresów liniowych, słupkowych, histogramów, wykresów rozrzutu (matplotlib). Personalizacja wykresów (kolory, style, etykiety, siatki). Wstęp do analizy logów.