Programuj analizy.
Ogarnij Pythona.

- Wstęp do kursu — poznasz cel kursu, sposób pracy i ogólną ścieżkę nauki Pythona do analizy danych.

- Pobranie i instalacja Anacondy — przejdziesz przez pobranie i instalację Anacondy jako dystrybucji Pythona przydatnej w analizie danych.

- Jupyter Notebook i Jupyter Lab — nauczysz się uruchamiać notebooki, tworzyć komórki kodu, korzystać z Markdown i zapisywać pliki .ipynb.

- Środowiska wirtualne — poznasz tworzenie środowiska przez conda create, aktywowanie go, instalowanie bibliotek i uruchamianie JupyterLab z terminala.

- Środowiska wirtualne — dodatkowe informacje — uzupełnisz wiedzę o środowiskach wirtualnych i ich praktycznym zastosowaniu.

- Print i podstawowe operacje — zaczniesz od print, operacji arytmetycznych, komentarzy i zasad pisania kodu linijka po linijce.

- Zmienne i typy danych — poznasz zmienne, typy int, float, str, bool, konwersję typów, funkcję type oraz formatowanie tekstu.

- Podstawowe operacje — ćwiczenia — utrwalisz podstawowe operacje, zmienne i typy danych na praktycznych zadaniach.

- IF i Input — nauczysz się pobierać dane od użytkownika, pisać warunki if, elif, else i korzystać z operatorów porównania.

- Listy — podstawy — poznasz tworzenie list, append, insert, remove, del, pop, indeksowanie i pobieranie elementów z listy.

- Listy — in i slicing — rozwiniesz pracę z listami o slicing, indeksy ujemne, operator in, range i list comprehension.

- Pętle — poznasz pętle for i while, iterowanie po sekwencjach oraz różnicę między pętlą po elementach a pętlą działającą do spełnienia warunku.

- IF, Pętle, Listy — przykłady — zobaczysz dodatkowe przykłady łączące instrukcje warunkowe, pętle i listy.

- IF, Pętle, Listy — ćwiczenia — przećwiczysz warunki, listy i pętle w praktyce.

- Tuple i Sety — poznasz tuple jako niemodyfikowalne struktury oraz sety jako kolekcje unikalnych elementów.

- Praca z plikami — podstawy — nauczysz się otwierać, czytać i zapisywać pliki tekstowe oraz korzystać z bezpieczniejszego zapisu przez with.

- Praca z tekstem — podstawy — poznasz metody pracy ze stringami, m.in. replace, find, upper, lower, strip i split.

- Ćwiczenia końcowe z podstaw programowania — połączysz najważniejsze elementy pierwszej części podstaw Pythona w zadaniach praktycznych.

- Słowniki — poznasz strukturę par klucz-wartość, pobieranie wartości po kluczu, dodawanie i usuwanie elementów oraz keys, values i items.

- Importowanie bibliotek na przykładzie datetime — nauczysz się importować biblioteki i pracować z datami przez datetime, date, timedelta, strftime i strptime.

- Moduł os — praca z plikami i folderami — poznasz getcwd, chdir, mkdir, rename, remove, listdir, path.join i walk oraz przejdziesz przez przykład wyszukiwania plików.

- Własne funkcje — część 1 — nauczysz się definiować funkcje przez def, przekazywać argumenty, używać return i wartości domyślnych.

- Własne funkcje — część 2 — rozwiniesz temat funkcji na przykładzie danych sprzedażowych, list słowników, plików tekstowych i funkcji wywołujących inne funkcje.

- Własne funkcje — ćwiczenia — utrwalisz tworzenie i wykorzystywanie własnych funkcji w zadaniach praktycznych.

- Obsługa błędów — poznasz try, except, else i finally oraz typowe błędy, takie jak ZeroDivisionError, FileNotFoundError, ValueError i KeyError.

- Podstawy programowania cz. 2 — ćwiczenia — połączysz słowniki, biblioteki, pliki, funkcje i obsługę błędów w ćwiczeniach końcowych.

- Wprowadzenie do Pandas — poznasz pandas, Series i DataFrame, zaimportujesz pandas jako pd i przejdziesz przez head, info oraz describe.

- Numpy — poznasz NumPy, np.array, np.arange, operacje matematyczne na arrays, slicing, reshape i homogeniczność typów danych.

- Series — tworzenie i manipulacja — nauczysz się tworzyć Series z listy, słownika i NumPy array oraz korzystać z index, values, dtype i metod statystycznych.

- DataFrame — tworzenie i manipulacja — poznasz tworzenie DataFrame, atrybuty index, columns, values, shape, wybór kolumn oraz loc i iloc.

- DataFrame — tworzenie i manipulacja cz. 2 — nauczysz się dodawać i usuwać kolumny oraz wiersze, używać concat, drop, filtrować dane i rozumieć różnicę między kopią a widokiem.

- Numpy, Series i DataFrame — ćwiczenia — przećwiczysz pracę z NumPy, Series i DataFrame.

- Importowanie i eksportowanie danych — nauczysz się importować dane przez read_csv i read_excel oraz eksportować wyniki przez to_csv i to_excel.

- Agregacja i grupowanie danych cz. 1 — poznasz groupby, agregacje po jednej i wielu kolumnach, agg, sumę, średnią, minimum, maksimum i transform.

- Agregacja i grupowanie danych cz. 2 — rozwiążesz bardziej biznesowe pytania, m.in. o sprzedaż w regionach, liczbę zamówień, średni zysk i top produkty.

- Czyszczenie i przekształcanie danych — nauczysz się usuwać białe znaki, zmieniać wielkość liter, zastępować wartości, konwertować daty, usuwać duplikaty i pracować z brakami.

- Operacje na DataFrame — ćwiczenia — utrwalisz filtrowanie, agregacje, czyszczenie i inne operacje na DataFrame.

- Praca z datami — poznasz pd.to_datetime, format, errors='coerce', .dt.year, .dt.month, .dt.day, Timedelta, różnice między datami i grupowanie po okresach.

- Łączenie danych — poznasz merge jako odpowiednik joinów, czyli inner, left, right, outer i cross join, oraz concat jako odpowiednik union i union all.

- Wprowadzenie do Matplotlib — część 1 — utworzysz wykres liniowy, słupkowy i histogram oraz poznasz plot, bar, hist, title, xlabel, ylabel i show.

- Wprowadzenie do Matplotlib — część 2 — nauczysz się dostosowywać wygląd wykresów, m.in. kolory, style linii, osie, ticki, zakresy, siatkę, legendę i zapis do plików.

- Matplotlib vs GroupBy w DataFrame — stworzysz wizualizacje na podstawie danych zagregowanych w pandas i połączysz groupby z wykresami.

- Matplotlib — ćwiczenia — przećwiczysz tworzenie i formatowanie wykresów w Matplotlib.

- Seaborn — część 1 — poznasz Seaborn i utworzysz barplot, scatterplot oraz histplot, korzystając m.in. z hue, errorbar=None i kde=True.

- Seaborn — część 2 — poznasz violinplot i boxplot, interpretację rozkładów, kwartyle, zakres osi i porównanie wykresów z opisem liczbowym.

- Projekt analityczny — połączysz import kilku plików, pracę z CSV i Excelem, czyszczenie, łączenie danych, KPI, analizę zwrotów, ratingów, sprzedaży, kosztów wysyłki oraz wizualizacje w jednym Jupyter Notebook.