Praktyczne zarządzanie danymi w Pythonie i jakość danych: Pierwsze kroki w czytaniu, czyszczeniu i analizowaniu danych

Opinie czytelników

Książka jest wysoce zalecana dla osób rozpoczynających pracę z Pythonem, szczególnie w kontekście nauki o danych. Obejmuje ona podstawowe tematy dotyczące gromadzenia, przygotowywania, analizy i prezentacji danych oraz zawiera praktyczne przykłady i ćwiczenia. Niektórzy recenzenci zauważyli jednak, że książka jest nieco droga i doświadczyli problemów z uszkodzoną dostawą.

⬤ Świetne źródło dla początkujących w Pythonie
⬤ jasny i zrozumiały tekst
⬤ obejmuje podstawowe koncepcje obsługi danych
⬤ zawiera praktyczne przykłady i ćwiczenia
⬤ wysoce zalecany jako standardowy podręcznik do nauki o danych
⬤ omówiono nowoczesne techniki
⬤ dobrze skonstruowany i odpowiedni dla praktyków.

Przez niektórych recenzentów uważany za nieco drogi; liczne problemy z dostawą z uszkodzonymi paczkami.

(na podstawie 4 opinii czytelników)

Oryginalny tytuł:

Practical Python Data Wrangling and Data Quality: Getting Started with Reading, Cleaning, and Analyzing Data

Zawartość książki:

W zbiorach danych można dokonać niesamowitych odkryć i opowiedzieć wartościowe historie - a ta książka pomoże ci je odkryć. Niezależnie od tego, czy już pracujesz z danymi, czy dopiero chcesz zrozumieć ich możliwości, techniki i porady zawarte w tej praktycznej książce pomogą ci nauczyć się lepiej czyścić, oceniać i analizować dane, aby generować znaczące spostrzeżenia i atrakcyjne wizualizacje.

Dzięki podstawowym koncepcjom i praktycznym przykładom, autorka Susan McGregor zapewnia narzędzia potrzebne do oceny i analizy wszelkiego rodzaju danych oraz skutecznego przekazywania wyników. Ta książka zapewnia metodyczny, wolny od żargonu sposób dla praktyków na wszystkich poziomach, aby wykorzystać moc danych.

⬤ Używaj Pythona 3. 8+ do odczytu, zapisu i przekształcania danych z różnych źródeł.

⬤ Zrozumienie i wykorzystanie podstaw programowania w Pythonie do zarządzania danymi na dużą skalę.

⬤ Organizowanie, dokumentowanie i strukturyzowanie kodu przy użyciu najlepszych praktyk.

⬤ Wykonywanie ćwiczeń na własnym komputerze lub w sieci.

⬤ Zbieranie danych z plików danych strukturalnych, stron internetowych i interfejsów API.

⬤ Przeprowadzanie podstawowej analizy statystycznej w celu wyciągnięcia wniosków z zestawów danych.

⬤ Wizualizować i prezentować dane w jasny i atrakcyjny sposób.