Mentionsy Mentionsy
KajoData - Analiza danych dla każdego
KajoData - Analiza danych dla każdego

Analityk danych vs Python | Czy analityk korzysta z Pythona | KajoData Podcast

02.10.2024 ·15 min 12 s

Mój kurs z Pythona 🐍 W tym odcinku porozmawiamy o tym, dlaczego Python to narzędzie, którego warto się nauczyć, jeśli myślisz o pracy jako analityk danych. Wyjaśnię, kiedy ten język programowania jest przydatny, a kiedy można go pominąć, oraz jakie korzyści daje w codziennej pracy analityka. Oczywiście Python to nie tylko programowanie, to także automatyzacja, integracja z różnymi systemami i znacznie więcej – dlatego jest to tak uniwersalne narzędzie. Opowiem, jak Python pomaga w automatyzacji procesów, łącząc różne ekosystemy i umożliwiając szybkie wykonywanie powtarzalnych zadań. Dzięki temu, zamiast ręcznie przetwarzać dane w Excelu czy Power BI, można zautomatyzować ten proces, tworząc złożone analizy danych i generując raporty za jednym kliknięciem. To szczególnie ważne, kiedy pracujemy z dużymi zbiorami danych czy integrujemy różne źródła informacji. Na koniec poruszę kwestię wizualizacji danych. Python, z bibliotekami takimi jak Matplotlib i Seaborn, umożliwia tworzenie profesjonalnych wykresów, które często są bardziej elastyczne niż te dostępne w narzędziach typu Power BI czy Tableau. Jeśli chcesz dowiedzieć się więcej, zapraszam do obejrzenia filmu i koniecznie sprawdź mój kurs "Analiza danych w języku Python", gdzie omawiam te tematy bardziej szczegółowo.

KajoData.com Jupyter Notebook to jest tak naprawdę osobny punkt jeśli chodzi o Pythona, bo to jest ta cała rewolucja. Z mojego punktu widzenia przynajmniej. Dlatego, że my w Jupyter Notebooku tworzymy jednocześnie analizę i dokument, który jest rezultatem tej analizy. I nie jest to tak jak plik w Excelu, że np. wyślemy komuś w Excelu i tam jest tabelka i my jesteśmy zmuszeni przesłać tabelkę albo np. zestaw wykresów w Excelu.

W Jupyter Notebooku możemy przesłać tabelkę, tabelki, możemy przesłać opisy i to wszystko ma ciąg chronologiczny, bo to wygląda jak dokument w Wordzie, który jest przepleciony fragmentami kodu, który my sobie piszemy i to jest ten uniwersalny kod, Który może być mega zautomatyzowany, gdzie sięga nam do różnych systemów, łączy się z bazą danych SQL-ową, łączy się z jakimiś plikami w Excelu, sprawdza czy są jakieś pliki tekstowe w jakichś tam folderach czy na jakimś serwerze, czy nawet sprawdza, nie wiem, Workbook z Tableau, który jest przecież w postaci XML-owej, czy każdy inny plik, który pod spodem jest na przykład XML-em czy JSON-em, tak? To wszystko nie stanowi w ogóle żadnego problemu i dzięki temu, że korzystamy z tego Jupyter Notebooka, mamy możliwość wytworzenia nie tylko samej analizy danych, ale także podsumowania, opisania tego.

I dlaczego o czym mówię? Dlatego, że moim zdaniem analityk danych powinien się właśnie skupić na tym Jupyter Notebook. Powinien się skupić na tym, że jest w stanie obsługiwać podstawowe pliki, pracować ze systemem, właśnie otworzyć sobie jakiś plik w notatniku, plik z Excela, plik z CSV. Jest w stanie wykonać analityczną robotę, czyli zna super bibliotekę Pandas, jest w stanie zrobić Visualizacje w Matplotlib czy w Seabornie jest w stanie stworzyć z tego pełen dokument. I tak się składa, że te wszystkie rzeczy są pokazane w moim kursie Analiza danych w Pythonie, który właśnie wyszedł. Jeżeli oglądasz ten filmik w pierwszym tygodniu, w którym on wyszedł, do niedzieli, no to mamy zniżkę ze względu na premierę tego kursu.

Nie wspomniałem o jeszcze jednej rzeczy i to będzie punkt numer 6, czyli o wizualizacjach. Napomknąłem o tym, jak mówiłem o Jupyter Notebooku, bo może ci się wydawać, że no dobrze, to sam tekst, no ale kto mi zrobi dashboard, kto mi zrobi jakiś wykres. Trzeba rozdzielić dwie rzeczy. Trzeba rozdzielić tworzenie takiego dashboardu na potrzeby operacyjnego korzystania z tego dashboardu przez jakiś team codziennie, a wizualizacji, które są potrzebne przy analizie danych. Częściej niż nam się to wydaje, taka wizualizacja jest jednorazowa. My musimy pokazać, że coś zaistniało, jakiś proces wyglądał w jakiś tam sposób, czy jakoś wyglądał obecnie, ale nie ma dużej potrzeby interaktywności z tym, tak?

Czyli wystarczy nam wygenerowanie danego wykresu czy zestawu wykresów. I tutaj również Python się świetnie sprawdza. Właśnie w Jupyter Notebooku mamy dedykowane biblioteki. Najpopularniejsze z nich to Matplotlib i Seaborn. I one pozwalają nam na to, żeby rzeczywiście stworzyć bardzo ładne, bardzo dobrze wyglądające wykresy, świetnie je obrobić, bo często to jest tak, że jak korzystamy z Power BI czy Tableau, to na przykład mamy jakiś taki problem, że nie ma takiej opcji, żeby tam Coś zrobić minimalnie inaczej, no bo jesteśmy ograniczeni do tego, co w tym interfejsie graficznym możemy sobie wyklikać. Tutaj jest trochę inaczej, tych opcji jest więcej, bo jest więcej możliwości kombinowania. Naprawdę te wykresy, które można tworzyć, to

Potrafią być dzikie rzeczy. Swoją drogą na kursie właśnie też poświęcamy cały moduł wykresom i tam też te wizualizacje w MatroTip i w Seaborn sobie tworzymy, łącznie z takim dopieszczaniem tego, żeby to wyglądało tak, jak byśmy chcieli. Więc ta wizualizacja również jest czymś, co w Pythonie występuje. Coś, co można robić i co się często robi. Często jest tak, że po prostu Wracając do tego wątku jak wygląda praca, to często jest tak, że bierzemy sobie ten Jupyter Notebook, robimy jakąś szybką eksplorację danych, ale równocześnie to opisujemy, czyli np. piszemy jakiś akapit tekstu, tam zwykłego, i to można bardzo ładnie Oformatowanie nagłówki, surowy tekst, pogrubienie, kursywe, wszystko tam bardzo ładnie wygląda.

Pokazano wszystkie 6 dopasowań. Transkrypcja generowana automatycznie i niesprawdzana ręcznie — może zawierać błędy.