Dash to otwartoźródłowy framework firmy Plotly do budowania interaktywnych aplikacji internetowych do analizy danych w Pythonie, bez konieczności samodzielnego pisania JavaScriptu. Wykresy, filtry i suwaki są powiązane bezpośrednio z kodem w Pythonie. Typowe przykłady to dashboardy, na których zespoły biznesowe filtrują sprzedaż według regionów albo testują prognozy modelu uczenia maszynowego na własnych wartościach.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demopandas to otwartoźródłowa biblioteka Pythona do analizy i przetwarzania danych tabelarycznych, rozwijana od 2008 roku przez Wesa McKinneya. Jej centralny obiekt, DataFrame, przypomina tabelę z nazwanymi kolumnami. Umożliwia wczytywanie danych z plików CSV, Excela lub baz danych oraz ich czyszczenie, filtrowanie, grupowanie i łączenie. pandas opiera się na NumPy i jest standardowym narzędziem w analizie danych, raportowaniu i przygotowaniu danych treningowych.
Jupyter Notebook to otwartoźródłowa aplikacja działająca w przeglądarce, rozwijana przez Project Jupyter, która łączy w jednym dokumencie wykonywalny kod, wyniki, wykresy i tekst objaśniający. Notatniki są szeroko stosowane w analizie danych, uczeniu maszynowym, badaniach i nauczaniu, ponieważ każdy krok można udokumentować i udostępnić w sposób dający się prześledzić. Najczęstszym językiem jest Python. Przykład: analityk wczytuje dane sprzedaży, czyści je i pokazuje wyniki jako wykres bezpośrednio poniżej.
Eksploracyjna analiza danych (EDA) to pierwsze, otwarte spojrzenie na zbiór danych: oblicza się wartości zbiorcze, bada rozkłady i wykresy oraz szuka wzorców, wartości odstających i braków – jeszcze bez ustalonej hipotezy. Pomaga ocenić jakość danych i znaleźć sensowne pytania do dalszej analizy lub modelowania. Przykład: przed prognozą sprzedaży EDA ujawnia, że jeden miesiąc został zapisany niekompletnie z powodu migracji systemu.
NumPy to podstawowa otwartoźródłowa biblioteka Pythona do obliczeń numerycznych. Udostępnia tablice wielowymiarowe oraz szybkie funkcje algebry liniowej, statystyki i liczb losowych, a jej rdzeń działa w skompilowanym kodzie. Na NumPy opiera się wiele narzędzi do analizy danych i uczenia maszynowego, takich jak pandas, scikit-learn i liczne biblioteki wizualizacji. Kto pracuje z danymi w Pythonie, korzysta z niej więc niemal zawsze, bezpośrednio lub pośrednio.
