Python Data Analysis

רוצים ללמוד איך להפיק יותר מהנתונים שלכם ? להחשף ליכולות העוצמתיות של Python בתחום ה Data Analysis ? לבנות תיק עבודות המבוסס על אנליזות באמצעות Python ? הקורס הבא בשבילכם.

על הקורס

פייתון (Python) היא שפת תכנות נפוצה מאוד, רבת עוצמה ובעלת שימושים רבים. פשטות ויעילות השפה הפכו אותה לאחת הפופולאריות בעולם, וכיום היא נמצאת בשימוש רב במגוון רחב של תחומים.
קורס זה מלמד את בסיסי השפה ומתמקד ביכולות ה- Data Analysis של Python, תוך כדי הקניית ידע נרחב ומעמיק בספריות (Libraries) הרלוונטיות של השפה.
קורס זה הינו ראשון וייחודי בארץ – הן בצורת הלימוד, המותאמת לאנליסטים, הן בכמות תכניו הנרחבת והן באיכות התרגול, המדמה שימושים אמיתיים מן התעשייה.

קהל היעד

הקורס מיועד לבעלי ניסיון מקצועי מעשי בתחום איחזור הנתונים. בין היתר, הקורס מתאים לאנליסטים,אנשי BI, כותבי קוד, מנהלי פיתוח, אנשי DB וראשי צוותים.
הקורס דורש רקע ברמה בסיסית בשפת ה-SQL, וכן רקע קודם בכתיבת קוד בשפה כלשהי

יעדים מרכזיים

במהלך הקורס ירכשו המשתתפים היכרות עם בסיסי השפה וידע מעמיק בספריות Python המיועדות לניתוח נתונים
הקורס מקנה את כל הידע הנדרש לניתוח מידע, החל מ- Subsetting בסיסי וכלה במיונים מורכבים, אגרגציות, שימוש באינדקסים, טכניקות Pivot, יישום פונקציות אנליטיות וחישובים סטטיסטיים.
התרגולים שיבוצעו במהלך הקורס מושתתים על Datasets אמיתיים מן התעשייה, אשר יאפשרו הבנה פרקטית, ויקנו יכולת יישום מהירה בסביבת העבודה האמיתית.

Python Preparatory

In our first session of the Python Data Analysis course, we will dive into the key elements of the Python language that we will heavily use throughout the course.
Additionally, we will explore various environments suitable for running Python code.
This foundational knowledge will empower us to conduct in-depth data exploration and visualization in subsequent lessons.

Module 1 – Basic Select Operations

Selecting columns in a dataset
Performing basic calculations with data
Concatenating data
Adding new columns to the DataFrame
Renaming existing columns
Retrieving distinct list of values
Creating a simple DataFrame from a Python list
Getting info about your DataFrame

Module 2 – Filtering & Sorting

Using simple operators for data filtering
Employing complex operators for advanced data manipulation
- Using isin() and between() methods
- Text matching techniques
- Filtering empty or null values
Sorting a DataFrame using sort_values()
Understanding inplace and na_position parameters in sorting
Using sort_index() to sort DataFrame by index
Retrieving top-n rows
Filtering by index
Using the query() method for data selection

Module 3 – Applying Scalar Functions

Introduction to string functions in Python
Applying numeric functions to data
Date functions for time series data
Conversion functions for data type modification
Functions for handling missing values (NaNs)
Using the apply() function to implement custom operations

Module 4 – Aggregative Functions

Performing basic aggregation operations
Understanding and using the groupby() method
Filtering a grouping set for targeted analysis
Applying groupby() method on multiple columns

Module 5 – SET Operations

Understanding and applying Union All operation
Performing Union operation on data
Implementing Intersect operation
Using Minus / Except operations for data manipulation

Module 6 – JOIN Opearions

Implementing Inner Join on datasets
Performing Outer Join Left operation
Applying Outer Join Right operation
Using Outer Join Full to combine datasets

Module 7 – Schema Modifications

Adding / dropping a column from DataFrame
Renaming a column
Deleting rows from DataFrame
Updating rows in the DataFrame
Creating random samples from data

Module 8 – Pandas Indexes

Understanding the need for indexes
Learning basic methods for index handling
Retrieving rows by index label
Retrieving rows by index position
Handling missing values in the DataFrame
Setting up multi-indexes for complex data structures
Extracting rows from multi-indexed DataFrame
Using transpose() function to switch rows and columns

Module 9 – Pivot operations

Using pivot_table() for data reshaping
Employing melt() for data transformation

Module 10 - Input / Output Operations

Using remote datasets for real-world analysis
Reading and writing data from/to CSV files
Working with XML data
Parsing JSON data
Reading multiple files into DataFrames

Module 11 - Analytic Functions

Using RANK function for data ranking
Applying LAG and LEAD functions for lagged computations
Employing NTILE function for binning data

Module 12 - Data Visualizations

Introduction to Matplotlib and seaborn libraries
Types of Matplotlib charts: line, bar, scatter, pie, histogram, boxplot
Basic customizations of Matplotlib charts: title, labels, legends, axes, ticks
Advanced customizations of Matplotlib charts: subplots, color maps, annotations

Module 13 - Introduction to Statistical Analysis

The aim of this lesson is to provide an introduction to statistical analysis
. In this module, students will learn the basic concepts of descriptive and inferential statistics that are used to extract useful insights from data.

עם איזה רקע צריך להגיע אל הקורס

רקע ב-SQL והבנה בסיסית בקונספטים הקשורים לעולם התכנות

ניתוח נתונים ב Python זה לא תכנות ב Python, אתם ממש לא חייבים להיות מומחי פיתוח קוד פיתון כדי לדעת לנתח נתונים באמצעותו. למען האמת – כדי להתחיל: לא צריך לדעת שורת קוד אחת. בקורס שאנו מעבירים, כמעט ואין נגיעה בתכנות "פרופר", ועדיין – בסיום הקורס אתם תגיעו די רחוק.

איך זה יכול להיות ?

גישת ההוראה שלנו מתמקדת בהקבלת\תרגום החשיבה ה-SQLית ל Python. בצורה הזו, הדגש הוא על Data Analysis, לא על תכנות.

אז לא צריך לדעת Python בכלל ?

כן ולא

אתם לא צריכים רקע קודם ב-Python. הקורס שלנו מתחיל בשיעור בו אנו מיישרים קו, ומלמדים את הנקודות המרכזיות שצריך להבין בשפה כדי לנתח נתונים באמצעותה. ועם זאת – הבנה בסיסית במושגי יסוד ונסיון קודם בשפת תכנות כלשהי הכרחיים. אל הקורס אתם צריכים לבוא כשאתם יודעים איך להגדיר ולכתוב אלמנטים בסיסיים כמו משנים, תנאים, לולאות, ופונקציות.

לאחר הקורס – אם תרצו להתעמק, להשתכלל ולהבין יותר, כן, אתם בהחלט תצטרכו ללמוד יותר Python.

למה ניתוח נתונים ב Python ולא SQL או Excel ?

כבודן של SQL ו-Excel במקומן מונח, ניתוח נתונים ב Python לא מחליף – אלא יותר נותן קונטרה, ומתאים לסיטואציות שלא תמיד מקבלות מענה במקומות אחרים. מה למשל ?