Dieniniai

Python modulis

LT-M-DAPTN-240603-GRU-DIE
Grupės kaina: 924,00 Eur.

Viso mokymosi trukmė: 72 ak. val.
      Uždavinių sprendimui skirtas laikas: 36 ak. val.
Paskaitų kiekis: 16
Registruotis į grupęAtlikti testą

Grupės programa

Python modulis

Jei norite išmokti, kaip naudoti Python - vieną iš populiariausių ir lanksčiausių programavimo kalbų, kuri leidžia atlikti pažangią duomenų analizę ir kurti įvairius projektus, šie kursai yra skirti jums! 💯

Šie kursai yra pritaikyti suaugusiems žmonėms, kurie nori persikvalifikuoti ir neturi jokios programavimo patirties ar supratimo apie programavimo kalbas. Jūs susipažinsite su programavimo pasauliu, skirtingomis programavimo kalbomis, algoritmų principais, dvejetainių pasauliu ir išmoksite Python programavimo nuo nulio. Taip pat, jūs išmoksite, kaip praktiškai taikyti programinį kodą, naudoti Python kodą skirtingose programavimo aplinkose, kurti analitinius projektus naudojant Python algoritmus ir populiariausias bibliotekas, pvz., Pandas, Numpy, Scipy, Matplotlib ir kt. Be to, jūs išmoksite, kaip integruoti Python kodą į skirtingus įrankius, pvz., Power BI, Excel, SQL ir kt. 🚀

Po kursų jūs galėsite:

  • Suprasti programavimo kalbų ir algoritmų pagrindus ir skirtumus

  • Naudoti Python ir jo pagrindines sintaksės taisykles, duomenų tipus, kintamuosius, sąlygas, ciklus, funkcijas, klases ir modulius

  • Atlikti duomenų analizę ir vizualizaciją naudodami Python bibliotekas, tokias kaip Pandas, Numpy, Scipy, Matplotlib ir kt.

  • Kurti analitinius projektus naudodami Python algoritmus, pvz., statistikos, koreliacijos, regresijos, klasterizacijos, klasifikacijos ir kt.

  • Integruoti Python kodą į skirtingus įrankius, pvz., Power BI, Excel, SQL ir kt.

Kursai vyksta 36 valandas, mišriose grupėse, gyvai ir nuotoliu. Jūs galėsite pasirinkti jums patogią mokymosi formą ir laiką. Kursus veda kvalifikuoti ir patyrę dėstytojai, kurie turi ilgametę patirtį praktiškai naudojant Python ir duomenų analizę. Jie padės jums įveikti bet kokius sunkumus ir atsakys į jūsų klausimus. 🙋‍♂️🙋‍♀️

Užbaigę kursus, jūs gausite kurso baigimo sertifikatą, kuris patvirtins jūsų Python ir pažangios duomenų analizės žinias ir gebėjimus. Taip pat, jūs įgysite galimybę užbaigus pilną duomenų analitikos kursą įgyti neformaliojo švietimo laipsnį, kuris padės jums karjeros plėtroje. 🎓

Nesivaržykite ir užsiregistruokite dabar! Vietų skaičius ribotas, o Python pažangios duomenų analizės kursai studentams yra puiki investicija į jūsų ateitį! 💰


Tema: Python pagrindai
  1. Programavimo kalbų pagrindai
    Programavimo kalbų pagrindai yra esminės sąvokos ir konceptai, kurie leidžia kurti kompiuterinius programas. 
    Štai keletas svarbiausių dalykų, kuriuos reikia žinoti:
    1. Sintaksė: Programavimo kalbos turi savo taisykles ir sintaksę, kurią reikia laikytis. Tai apima teisingą simbolių naudojimą, komandų struktūrą ir taisykles.
    2. Kintamieji: Kintamieji yra vardai, kuriuos naudojame saugoti duomenims. Jie gali būti skaičiai, tekstas arba kitos reikšmės.
    3. Operatoriai: Operatoriai leidžia atlikti veiksmus su kintamaisiais, pavyzdžiui, sudėti, atimti, dauginti arba dalinti.
    4. Sąlygos sakiniai: Sąlygos sakiniai leidžia programoms priimti sprendimus. Pavyzdžiui, “jei” tam tikra sąlyga yra teisinga, tada vykdyti tam tikrą kodą.
    5. Ciklai: Ciklai leidžia kartoti tam tikrą kodą. Pavyzdžiui, “for” ciklas gali leisti atlikti veiksmus tam tikrą kartų skaičių.
    6. Funkcijos: Funkcijos yra perpanaudojamos kodinės blokai, kurie atlieka tam tikrus veiksmus. Jos padeda išskirti kodą ir padaryti jį tvarkingesnį.
    7. Komentarai: Komentarai yra teksto dalys, kurios nėra vykdomos, bet padeda paaiškinti kodą. Jie yra naudingi programuotojams ir kitoms asmenims, kurie skaitys kodą.
    Tai tik pradinis sąrašas, bet šie pagrindai yra esminiai norint suprasti ir kurti programavimo kalboje. Štai keletas skirtingų programavimo kalbų ir trumpi jų aprašymai.
    • Python: Python yra lengva ir skaitoma programavimo kalba, kuri tinka pradedantiesiems. Ji naudojama duomenų analizei, interneto svetainių kūrimui ir automatizavimui.
    • Java: Java yra plačiai naudojama kalba, veikianti daugelyje platformų. Ji naudojama įmonių sistemoms, mobilioms programoms ir interneto svetainėms.
    • JavaScript: JavaScript yra kliento pusės kalba, skirta interneto naršyklėms. Ji leidžia kurti dinaminį turinį ir interaktyvias svetaines.
    • C++: C++ yra bendros paskirties kalba, naudojama programoms ir operacinėms sistemoms. Ji yra galinga ir naudojama daugelyje sričių.
    • C#: C# yra Microsoft sukurtas kalbos variantas, naudojamas Windows programoms. Ji yra objektinė ir turi gausybę bibliotekų.
    • Ruby: Ruby yra lengva ir elegantiška kalba, naudojama interneto svetainėms ir programoms kurti.
    • PHP: PHP yra serverio pusės kalba, skirta interneto svetainėms. Ji yra plačiai naudojama ir turi daugybę funkcijų.
    • Swift: Swift yra Apple sukurtas kalbos variantas, naudojamas iOS ir macOS programoms. Ji yra moderni ir greita.
    • Go (Golang): Go yra nauja kalba, kuri yra greita, paprasta ir puikiai tinka interneto programavimui.
    • SQL: SQL yra kalba, skirta duomenų bazių valdymui. Ji naudojama duomenų paieškai, atnaujinimui ir analizei.
    Kiekviena iš šių kalbų turi savo privalumų ir naudojimo sričių, todėl verta išmokti bent kelias iš jų, priklausomai nuo jūsų interesų ir poreikių.
  2. Kodo redaktoriai
    Python kodo redaktoriai yra įrankiai, skirti kodui rašyti ir redaguoti. Jie padeda programuotojams efektyviau kurti ir tvarkyti Python programinį kodą. Štai keletas gerai žinomų Python kodo redaktorių:
    1. PyCharm: Tai galinga integruota kūrimo aplinka (IDE), sukurta „JetBrains“. PyCharm turi daug funkcijų, įskaitant kodų pynimą, automatinius užbaigimus, testavimą ir derinimą. Tai puikus pasirinkimas profesionalams, kurie dirba su dideliais projektais.
    2. Visual Studio Code (VS Code): Tai nemokamas kodo redaktorius, kuris palaiko Jupyter Notebook integraciją. VS Code leidžia kurti, atidaryti ir išsaugoti Jupyter Notebook failus. Jis taip pat suteikia galimybę vykdyti kodo ląsteles, peržiūrėti kintamuosius ir derinti kodą.
    3. Jupyter Notebook: Tai atvirojo kodo projektas, leidžiantis derinti Markdown tekstą ir vykdomą Python šaltinio kodą viename dokumente. Jupyter Notebook yra puikus pasirinkimas mokymuisi, eksperimentavimui ir duomenų analizei. Jis leidžia rašyti ir vykdyti kodą ląstelėmis, pridėti aprašymus ir vizualizacijas.
    Kiekvienas iš šių redaktorių turi savo privalumų ir yra tinkamas skirtingiems poreikiams. PyCharm yra galingas ir profesionaliems projektams, VS Code yra universalus ir palaiko Jupyter Notebook, o Jupyter Notebook yra puikus mokymuisi ir eksperimentavimui.
  3. Pagrindinės Python funkcijos
    Python pagrindinės (angl. Built-In) funkcijos yra funkcijos ir tipai, kurie yra įdiegti į Python interpretatorių ir visada prieinami. Šios funkcijos yra esminės programavime ir naudojamos įvairiose situacijose. Štai keletas svarbiausių Python funkcijų:
    1. Aritmetiniai funkcijos:
    • abs(x): Grąžina skaičiaus absoliutinę reikšmę.
    • divmod(a, b): Grąžina dalybos liekaną ir sveikąją dalį.
    • pow(x, y): Pakelia x laipsniu y.
    • round(number, ndigits): Apvalina skaičių iki nurodyto skaitmenų skaičiaus.
    2. Teksto funkcijos:
    • len(s): Grąžina objekto ilgį (pvz., eilutės ar sąrašo).
    • str(object): Konvertuoja objektą į teksto eilutę.
    • ord(c): Grąžina simbolio ASCII kodą.
    3. Sąrašo funkcijos:
    • max(iterable): Grąžina didžiausią reikšmę iš sąrašo.
    • min(iterable): Grąžina mažiausią reikšmę iš sąrašo.
    • sum(iterable): Grąžina sąrašo elementų sumą.
    4. Žodyno funkcijos:
    • dict(): Sukuria naują žodyną.
    • keys(): Grąžina žodyno raktus.
    • values(): Grąžina žodyno reikšmes.
    5. Kitos funkcijos:
    • type(object): Grąžina objekto tipą.
    • help(object): Suteikia pagalbos informaciją apie objektą.
    • input(prompt): Grąžina vartotojo įvestį.
    Šios funkcijos leidžia programuotojams efektyviai manipuliuoti duomenimis ir yra esminės Python kalboje.
  4. Python duomenų tipai
    Python duomenų tipai yra pagrindinės struktūros, kurios leidžia programuotojams saugoti ir manipuliuoti informacija. Šie tipai nurodo, kaip duomenys yra organizuoti ir kaip su jais galima atlikti veiksmus. Štai keletas svarbiausių Python duomenų tipų:
    1. Tekstinis (str): Tai eilutė simbolių, pvz., teksto ar simbolių rinkinys. Pavyzdžiui: "Labas, pasauli!".
    2. Skaičius (int, float, complex):
    • int: Sveikasis skaičius, pvz., 42.
    • float: Slankiojo kablelio skaičius, pvz., 3.14.
    • complex: Kompleksinis skaičius, pvz., 2 + 3j.
    3. Eilės (list, tuple, range):
    • list: Keičiamas sąrašas elementų, pvz., [1, 2, 3].
    • tuple: Nekeičiamas sąrašas elementų, pvz., (1, 2, 3).
    • range: Skaičių seka, pvz., range(0, 10).
    4. Kartografavimo (dict): Raktų ir reikšmių porų rinkinys, pvz., {'vardas': 'Jonas', 'amžius': 30}.
    5. Rinkinių (set, frozenset):
    • set: Unikalių elementų rinkinys, pvz., {1, 2, 3}.
    • frozenset: Nekeičiamas set, pvz., frozenset({1, 2, 3}).
    6. Loginis (bool): Loginė reikšmė True arba False.
    7. Dvejetainiai (bytes, bytearray, memoryview):
    • bytes: Nekeičiama baitų seka, pvz., b'Hello'.
    • bytearray: Keičiama baitų seka, pvz., bytearray([65, 66, 67]).
    8. Jokio tipo (NoneType): Reikšmė, kuri nereiškia nieko, pvz., None.
     
    Šie duomenų tipai leidžia programuotojams efektyviai manipuliuoti informacija ir yra pagrindas Python programavime.
  5. Kintamieji
    Python kintamieji yra rezervuotos atminties vietos, kuriose saugomos vertės. Skirtingai nuo kitų programavimo kalbų, tokių kaip C, C++, Java ir kt., Python nereikalauja aiškiai deklaruoti kintamojo tipo prieš jam priskiriant vertę. Kintamieji gali būti įvairūs: skaičiai, simboliai, tekstas ar kita informacija. Jie leidžia saugoti ir manipuliuoti duomenimis programose. Kintamųjų pavadinimai gali būti sudaryti iš raidžių, skaičių ir apatinio brūkšnelio (A-z, 0-9, _). Jie taip pat yra jautrūs mažosioms/didžiosioms raidėms.
    Pavyzdžiai:
    Python
    vardas = 'Datacademy'
    skaicius = 22
    tekstas = "Labas, pasauli!"
     
    Kintamieji yra nepakeičiama priemonė, leidžianti saugoti ir manipuliuoti informacija programose.
  6. Operatoriai
    Python operatoriai yra specialūs simboliai arba žodžiai, kurie leidžia atlikti veiksmus su kintamaisiais ir reikšmėmis. Šie operatoriai yra esminiai programavime ir naudojami įvairiose situacijose. Štai keletas svarbiausių Python operatorių grupių:
    1. Aritmetiniai operatoriai:
    • +: Sudeda dvi reikšmes.
    • -: Atima vieną reikšmę iš kitos.
    • *: Sudaugina dvi reikšmes.
    • /: Padalina vieną reikšmę iš kitos.
    • %: Grąžina liekaną po dalybos.
    • **: Pakelia reikšmę laipsniu.
    • //: Grąžina sveikąją dalį po dalybos.
    2. Priskyrimo operatoriai:
    • =: Priskiria reikšmę kintamajam.
    • +=, -= ir kt.: Priskiria ir atlieka veiksmą su kintamuoju.
    3. Palyginimo operatoriai:
    • ==: Lygina dvi reikšmes.
    • !=: Tikrina, ar reikšmės nelygios.
    • >, <, >=, <=: Lygina reikšmes pagal dydį.
    4. Loginiai operatoriai:
    • and: Grąžina True, jei abu teiginiai yra teisingi.
    • or: Grąžina True, jei bent vienas teiginys yra teisingas.
    • not: Grąžina priešingą teiginio reikšmę.
    5. Identifikacijos operatoriai:
    • is: Tikrina, ar du objektai yra vienodi.
    • is not: Tikrina, ar du objektai nėra vienodi.
    6. Narystės operatoriai:
    • in: Tikrina, ar reikšmė yra sąraše arba žodyne.
    • not in: Tikrina, ar reikšmės nėra sąraše arba žodyne.
    7. Dvejetainiai operatoriai:
    • &, |, ^, ~, <<, >>: Atlieka operacijas su dvejetainiais skaičiais.

    Šie operatoriai leidžia programuotojams atlikti įvairius veiksmus su duomenimis ir yra esminiai Python kalboje.
  7. Bazinė matematika
    Bazinė matematika Python yra susijusi su įvairiais matematiniais veiksmais ir funkcijomis, kurias galima naudoti skaičių manipuliacijoms. Galime naudoti Python įprastus operatorius ir funkcijas bazinėje matematikoje. Štai keletas pavyzdžių:
    1. Sudėtis (+):
    • Jei norime sudėti du skaičius, galime tiesiog naudoti + operatorių:
      • 5 + 3
      • Rezultatas: 8
    1. Dauginimas (*):
    • Jei norime sudauginti du skaičius, naudojame * operatorių:
      • 4 * 6
      • Rezultatas: 24
    1. Kėlimas laipsniu (**):
    • Norint pakelti skaičių laipsniu, naudojame ** operatorių:
      • 2 ** 3
      • Rezultatas: 8
    1. Dalyba (/):
    • Jei norime padalinti vieną skaičių iš kito, naudojame / operatorių:
      • 10 / 2
      • Rezultatas: 5.0
    1. Dalyba be liekanos (//):
    • Norint gauti sveikąją dalį po dalybos, naudojame // operatorių:
      • 10 // 3
      • Rezultatas: 3
    1. Liekana (%):
    • Jei norime gauti liekaną po dalybos, naudojame % operatorių:
      • 10 % 3
      • Rezultatas: 1
    1. Atimtis (-):
    • Jei norime atimti vieną skaičių iš kito, naudojame - operatorių:
      • 7 - 4
      • Rezultatas: 3
    Tai yra pagrindiniai Python operatoriai, kurie leidžia atlikti bazinius matematinius veiksmus. Jie yra labai naudingi, kai dirbame su skaičiais programose.
  8. Duomenų rinkiniai
    Python integruotieji duomenų rinkiniai leidžia saugoti ir manipuliuoti duomenimis:

    1. tuple (kortelė):
    • Tai nekeičiamas duomenų rinkinys, kuris saugo elementus tarp skliaustų.
    • Kortelė yra naudinga, kai reikia saugoti fiksuotą elementų rinkinį.
    • Pvz., mano_tuple = (1, 2, 3).
    2. list (sąrašas):
    • Tai dinamiškas duomenų rinkinys, kuriame elementai gali pasikartoti.
    • Sąrašas gali būti bet kokio tipo ir yra labai galingas Python įrankis.
    • Pvz., mano_list = [1, 2, 3, 'tekstas'].
    3. dict (žodynas):
    • Tai raktas-vertė porų kolekcija, kurioje kiekvienas raktas yra unikalus.
    • Žodynas naudojamas saugoti duomenis pagal raktus.
    • Pvz., mano_dict = {'vardas': 'Jonas', 'amžius': 30}.
    4. set (aibė):
    • Tai unikalių elementų kolekcija be tvarkos.
    • Rinkinys naudojamas, kai reikia saugoti tik unikalius elementus.
    • Pvz., mano_set = {1, 2, 3, 4}.
    Šios duomenų struktūros yra galingos ir naudingos skirtingiems uždaviniams sprendžiant
  9. Metodai
    Python metodai yra funkcijos, kurios yra susietos su objektais ir leidžia atlikti veiksmus su šiais objektais. Šie metodai yra iškviečiami naudojant objekto pavadinimą, tašką ir metodo pavadinimą. Štai keletas svarbiausių Python metodų:
     
    1. String (teksto eilutės) metodai:
    • upper(): Grąžina teksto eilutę didžiosiomis raidėmis.
    • lower(): Grąžina teksto eilutę mažosiomis raidėmis.
    • strip(): Pašalina tarpus iš teksto eilutės pradžios ir galo.
    • replace(old, new): Pakeičia seną tekstą nauju tekstu.
    2. Sąrašo (list) metodai:
    • append(item): Prideda elementą į sąrašą.
    • pop(index): Pašalina elementą iš sąrašo pagal indeksą.
    • sort(): Rūšiuoja sąrašą didėjimo tvarka.
    3. Žodyno (dictionary) metodai:
    • keys(): Grąžina visus žodyno raktus.
    • values(): Grąžina visus žodyno reikšmes.
    • get(key): Grąžina reikšmę pagal raktą.
    4. Objekto metodai:
    • __init__(): Konstruktorius, kuris inicijuoja objektą.
    • __str__(): Grąžina objekto eilutės reprezentaciją.
    Python metodai yra galingas būdas manipuliuoti duomenimis ir vykdyti veiksmus su objektais. Jų naudojimas yra esminis programavime.
  10. Indeksavimas
    Python indeksavimas (angl. Indexing) yra procesas, kuriuo pasiekiami elementai sekoje pagal jų poziciją (indeksą). Indeksavimas Python pradedamas nuo 0, tai reiškia, kad pirmas elementas sekoje yra pozicijoje 0, antras elementas - pozicijoje 1 ir t.t. Norint pasiekti elementą sekoje, naudojami laužtiniai skliaustai [] su norimo elemento indeksu.
    Pavyzdžiui:
     
    my_list = ['obuolys', 'bananas', 'citrina']
    print(my_list[0])  # Spausdinama 'obuolys'
    print(my_list[1])  # Spausdinama 'bananas'
     
    Indeksavimas leidžia efektyviai pasiekti ir manipuliuoti sekoje esančius elementus.
  11. Duomenų pjaustymas (angl. slicing)
    Python duomenų pjaustymas (angl. slicing) yra būdas pasiekti ir išskirti tam tikrą dalį iš seka (pvz., sąrašo, eilutės ar masyvo) pagal nurodytus indeksus. Šis procesas leidžia gauti subseką iš esamos sekos, o tai yra naudinga, kai norime manipuliuoti tik tam tikrais elementais.
    Pagrindiniai Python duomenų pjaustymo aspektai:
    1. Sintaksė:
    • Pjaustymui naudojame dvitaškį : operatorių.
    • Sintaksė yra: seka[start:stop], kur start yra pradinio elemento indeksas, o stop yra paskutinio elemento indeksas (neįtraukiant elemento su indeksu stop).
    2. Pjaustymo galimybės:
    • Galime nurodyti tik start indeksą, tik stop indeksą arba abu.
    • Taip pat galime nurodyti žingsnį, pvz., seka[start:stop:step].
    3. Svarbu prisiminti:
    • stop indeksas nurodo pirmą indeksą, kuris nepriklauso pasirinktai subsekai.
    • Jei step nenurodytas, jis yra 1 (numatytasis).
    Pavyzdžiai:
     
    colors = ['red', 'green', 'blue', 'orange']
    s = slice(1, 3)
    print(colors[s])  # Spausdinama ['green', 'blue']
     
    Pjaustymas leidžia efektyviai manipuliuoti sekos elementais ir gauti tik tuos, kurie mums reikalingi.
  12. Duomenų tipų keitimas
    Python duomenų tipų keitimas (angl. Casting) yra būdas konvertuoti vieno tipo kintamąjį į kitą tipo kintamąjį. Tai leidžia pritaikyti kintamąjį tam tikram duomenų tipui, kad galėtume atlikti reikiamus veiksmus. Python atlieka šiuos duomenų tipų keitimo veiksmus:
    1. Implicitinis keitimas: Python automatiškai atlieka neaiškųjį duomenų tipo keitimą, kad išvengtų duomenų praradimo.
    2. Eksplicitinis keitimas: Vartotojas gali atlikti aiškųjį duomenų tipo keitimą naudodamas integruotas funkcijas.
    Keitimui naudojamos šios įmontuotos funkcijos:
    • int(): konvertuoja bet kokio tipo kintamąjį į sveikąjį skaičių.
    • float(): konvertuoja bet kokio tipo kintamąjį į slankiojo kablelio skaičių.
    • complex(): konvertuoja bet kokio tipo kintamąjį į kompleksinį skaičių.
    • bool(): konvertuoja bet kokio tipo kintamąjį į bool tipo reikšmę.
    • str(): konvertuoja bet kokio tipo kintamąjį į eilutę.
    Duomenų tipo keitimo metu gali atsirasti duomenų praradimas, nes mes priverčiame objektą tapti tam tikru duomenų tipu.
  13. Išpakavimas
    Python išpakavimas (angl. unpacking) yra procesas, kuriuo priskiriame iteruojamųjų duomenų elementus kintamiesiems vienoje eilutėje. Tai leidžia išskleisti duomenų struktūras, tokius kaip sąrašai, kortelės ir žodynai, ir pasiekti jų elementus atskirai.
    Pavyzdžiui:
     
    # Sukuriamas sąrašas
    mano_rinkinys = ['kabeliai', 'ausinės', 'USB']
     
    # Išskleidžiame sąrašą į kintamuosius
    item1, item2, item3 = mano_rinkinys
     
    # Kiekvienas kintamasis atitinka sąrašo elementą
    print(item1)  # Spausdinama 'kabeliai'
    print(item2)  # Spausdinama 'ausinės'
    print(item3)  # Spausdinama 'USB'
     
    Išpakavimas leidžia efektyviai manipuliuoti duomenimis ir padidina kodo aiškumą.
  14. Ciklai
    Python leidžia atlikti tam tikrus veiksmus daugiau nei vieną kartą. Ciklai yra pagrindinės Python konstrukcijos, kurios leidžia kartoti tam tikrus veiksmus arba iteruoti per objektus, tokius kaip sąrašai, rinkiniai ar eilutės.
    Dvi pagrindinės ciklų rūšys yra:
     
    1. for ciklas:
    • Dažniausiai naudojamas, kai žinome, kiek kartų ciklas turi būti vykdomas arba kai yra iteruojamas objektas.
    • Sintaksė:
    for elementas in iteruojamas_objektas:
        # Vykdomas kodas
    • Pvz., iteruojamas_objektas gali būti sąrašas, elementų rinkinys arba eilutė.
    2. while ciklas:
    • Naudojamas, kai nežinome, kiek kartų ciklas turi būti vykdomas.
    • Sintaksė:
    while sąlyga:   
        # Vykdomas kodas
    • Pvz., galime nuskaitinėti failą, nežinodami, kiek teksto eilučių jame yra.
    Ciklai yra galingas būdas automatizuoti veiksmus ir kartoti juos pagal poreikį
     
  15. Sąrašų ciklų glaudinimas (angl. list comprehension)
    Python sąrašų ciklų glaudinimas (angl. list comprehension) yra galingas ir elegantiškas būdas sukurti naują sąrašą iš esamo sąrašo, naudojant vieną eilutę kodu. Tai leidžia trumpai ir aiškiai aprašyti, kaip transformuoti ar filtruoti sąrašo elementus.
    Štai kaip tai veikia:
     
    1. Sintaksė: List comprehension prasideda laužtiniuose skliaustuose ir turi tris pagrindinius komponentus:
    • Išraiška: Tai yra sąrašo elemento transformacija arba filtravimas.
    • Ciklas: Tai yra ciklas per esamą sąrašą.
    • Sąlyga: Tai yra sąlyga, kuri nurodo, kokius elementus įtraukti į naują sąrašą.
    2. Pavyzdys: Norime sukurti naują sąrašą, kuriame būtų kvadratai iš esamo sąrašo skaičių:
     
    originalus_sarasas = [1, 2, 3, 4, 5]
    kvadratai = [x ** 2 for x in originalus_sarasas]
    print(kvadratai)  # Atspausdins: [1, 4, 9, 16, 25]

    Šiuo atveju x ** 2 yra išraiška, for x in originalus_sarasas yra ciklas, ir sąlygos nėra.

    3. Filtravimas: Taip pat galime naudoti sąlygą, kad įtrauktume tik tam tikrus elementus:
     
    originalus_sarasas = [1, 2, 3, 4, 5]
    lyginiai_skaiciai = [x for x in originalus_sarasas if x % 2 == 0]
    print(lyginiai_skaiciai)  # Atspausdins: [2, 4]

    Šiuo atveju sąlyga x % 2 == 0 tikrina, ar skaičius yra lyginis.
     
    List comprehension leidžia mums trumpai ir efektyviai kurti naujus sąrašus, taip pat padeda išlaikyti kodą tvarkingą ir aiškų.
  16. Funkcijos
    Python funkcijos yra kodas, kuris vykdomas tik tada, kai jis yra iškviestas. Jos leidžia grupuoti kartotinus ar bendrus veiksmus į vieną vienetą, kad galėtume jį perpanaudoti. Funkcijos gali priimti duomenis, vadinamus parametrais - argumentais, ir grąžinti rezultatus. Funkcijos apibrėžimas prasideda raktiniu žodžiu def, o jos pavadinimas ir argumentai nurodomi skliausteliuose. Pvz.,:
     
    def pasisveikinimas(vardas):
        print(f"Sveiki, {vardas}!")
    pasisveikinimas("Jonai")  # Spausdinama "Sveiki, Jonai!"
     
    Funkcijos leidžia efektyviai organizuoti kodą, padidinti skaitymą ir išlaikyti kodą tvarkingą.
  17. Lambda funkcijos
    Python Lambda funkcijos, taip pat vadinamos anoniminėmis funkcijomis, yra mažos, vienkartinio naudojimo funkcijos Python programavimo kalboje. Jų apibrėžimui naudojamas lambda raktinis žodis, po kurio seka funkcijos parametrai, dvitaškis ir funkcijos išraiška. Lambda funkcijos rezultatas grąžinamas kaip išraiškos rezultatas, o ne naudojant return sakinį.
    Šios funkcijos turi šias savybes:
    1. Anonimiškumas: Lambda funkcijos neturi pavadinimo ir yra trumpesnės nei įprastos Python funkcijos.
    2. Trumpumas: Jų sintaksė yra labai glausta, todėl jos puikiai tinka vienos eilutės kodui.
    3. Vienkartinis naudojimas: Lambda funkcijos dažnai naudojamos kaip parametrai kitose funkcijose arba išraiškose.
    Pavyzdžiui, ši lambda funkcija apskaičiuoja kvadratą:
     
    square = lambda x: x ** 2
    print(square(5))  # Rezultatas: 25
     
    Lambda funkcijos yra naudingos, kai reikia trumpai apibrėžti paprastą funkciją, pvz., filtravimo arba rūšiavimo tikslais. Tačiau jas reikia naudoti atsargiai ir tik tais atvejais, kai jų naudojimas pagerina kodo aiškumą ir tvarkingumą 
  18. Klasės
    Python klasės (angl. Class) yra objektinio programavimo pagrindas. Jos veikia kaip prototipas arba mėlynasis modelis, pagal kurį galima kurti objektus. Klasės apibrėžia, kaip turi būti sukuriami objektai ir kokios savybės bei metodai jie turės.
    Štai keletas svarbiausių dalykų apie Python klases:
     
    1. Klasės ir objektai: Klasė yra kaip objekto konstruktorius arba mėlynasis modelis. Ji nurodo, kokie atributai ir metodai bus turimi objekte. Pavyzdžiui:
     
    class Gyvunas:
        def __init__(self, vardas):
            self.vardas = vardas
        def pasisveikinimas(self):
            print(f"Sveiki, aš esu {self.vardas}!")
    kate = Gyvunas("Murklys")
    kate.pasisveikinimas()  # Išveda: "Sveiki, aš esu Murklys!"
     
    2. init() funkcija: Kiekviena klasė turi init() funkciją, kuri yra automatiškai iškviečiama, kai sukuriamas naujas objektas. Ši funkcija leidžia priskirti pradines reikšmes objekto atributams. Pavyzdžiui:
     
    class Zmogus:
        def __init__(self, vardas, amzius):
            self.vardas = vardas
            self.amzius = amzius
    zmogus = Zmogus("Jonas", 30)
    print(zmogus.vardas)  # Išveda: "Jonas"
     
    3. Metodai: Klasės gali turėti įvairių metodų, kurie atlieka veiksmus su objektais. Pavyzdžiui:
     
    class Skaiciuotuvas:
        def suma(self, a, b):
            return a + b
        def skirtumas(self, a, b):
            return a - b
    calc = Skaiciuotuvas()
    print(calc.suma(5, 3))  # Išveda: 8
     
    Klasės leidžia struktūruoti ir organizuoti kodą, taip pat palengvina objektų kūrimą ir valdymą.
  19. Integruoti moduliai
    Python integruoti (angl. Built-In) moduliai yra kodas, kuris suteikia papildomą funkcionalumą Python programoms. Šie moduliai yra integruoti į Python vertėjus (angl. Interpreter) ir leidžia naudoti specifinius resursus arba vykdyti tam tikras užduotis.
    Pavyzdžiui:
    1. math modulis: Teikia matematikos funkcijas, tokius kaip trigonometriniai veiksmai, šaknies traukimas ir kt.
    2. os modulis: Leidžia valdyti operacinės sistemos funkcijas, tokius kaip failų valdymas ir aplankų navigacija.
    3. time modulis: Suteikia funkcijas, skirtas laiko valdymui, tokius kaip laiko užlaikymas ir laiko formatavimas.
    Šie moduliai yra svarbūs, nes jie padeda programoms bendrauti su išoriniais resursais ir vykdyti įvairias užduotis.
Tema: Python taikymas duomenų analitikai
  1. Trečiųjų šalių moduliai
    Python trečiųjų šalių moduliai yra papildomi kodo paketai, kurie praturtina Python funkcionalumą ir leidžia programuotojams efektyviau dirbti su duomenimis, vizualizuoti informaciją ir kurti modelius. Štai keli pavyzdžiai su trumpais aprašymais:
    • NumPy: NumPy yra mokslinės skaičiavimo biblioteka, skirta darbui su daugiamatėmis masyvų struktūromis. Ji leidžia atlikti matematinius veiksmus, manipuliuoti duomenimis ir optimizuoti skaičiavimus.
    • Pandas: Pandas yra galingas duomenų analizės įrankis, leidžiantis manipuliuoti ir analizuoti duomenis. Ji naudojama darbui su duomenų rinkiniais, lentelėmis ir CSV failais.
    • Matplotlib: Matplotlib leidžia kurti grafinius vaizdus, tokius kaip diagramos, grafikai ir histogramos. Tai yra puikus įrankis duomenų vizualizacijai.
    • Seaborn: Seaborn yra aukšto lygio biblioteka statistiniams grafikams kurti. Ji integruojasi su Pandas ir Matplotlib, leidžianti lengvai kurti grafinius vaizdus.
    • Scikit-learn (SkLearn): Scikit-learn yra mašininio mokymosi biblioteka, skirta modelių kūrimui ir duomenų analizei. Ji turi daugybę algoritmų, pvz., regresijos, klasifikavimo ir klasterizavimo.
    Šie trečiųjų šalių moduliai padeda programuotojams efektyviau dirbti su duomenimis, kurti modelius ir vizualizuoti informaciją.
  2. Duomenų masyvai
    Python duomenų masyvai (angl. arrays) yra struktūros, kuriose saugomas elementų rinkinys. Jie yra panašūs į sąrašus, tačiau turi tam tikrų svarbių skirtumų:
    1. Vienodo tipo elementai: Masyvai gali saugoti tik to paties tipo elementus (pvz., skaičius ar eilutes). Tai reiškia, kad visi masyvo elementai turi būti vieno tipo.
    2. Fiksuotas dydis: Masyvai turi fiksuotą dydį, kuris nustatomas jų sukūrimo metu. Negalima dinamiškai keisti masyvo dydžio.
    3. Matematinės operacijos: Masyvai yra naudingi matematinėms operacijoms, tokioms kaip matricos daugyba, sudėtis ar atimtis.
    Pavyzdžiui, galime sukurti masyvą ir atlikti veiksmus su jo elementais:
     
    import numpy as np
    # Sukuriamas masyvas
    my_array = np.array([1, 2, 3])
    # Prieiga prie masyvo elementų
    print(my_array[0])  # Spausdinama 1
    # Elementų atnaujinimas masyve
    my_array[0] = 5  # Atnaujinamas pirmasis elementas į 5
    # Elementų ištrynimas iš masyvo
    del my_array[2]  # Ištrinamas trečiasis elementas
     
    Masyvai yra naudingi skaitmeniniams duomenims saugoti ir matematinėms operacijoms atlikti. Jie gali būti sukurti naudojant NumPy biblioteką.
  3. Įvadas į vektorinę matematiką su NumPy moduliu
    NumPy yra Python biblioteka, skirta moksliniams skaičiavimams, ypač vektorinės matematikos ir duomenų analizės srityje. Ši biblioteka suteikia galimybę efektyviai manipuliuoti daugiamatėmis masyvų struktūromis ir atlikti įvairias operacijas su jomis.
    Štai keletas pagrindinių NumPy funkcijų ir jų panaudojimo pavyzdžių:
    1. Masyvai (Arrays): NumPy leidžia kurti daugiamatius masyvus, kurie gali būti vienmatiai (vektoriai) arba dvimatiai (matricos). Pavyzdžiui:
     
    import numpy as np
    # Sukurkime vienmatį masyvą (vektorių)
    vector = np.array([1, 2, 3])
    # Sukurkime dvimatį masyvą (matricą)
    matrix = np.array([[1, 2, 3], [4, 5, 6]])
     
    2. Matematinės operacijos: NumPy leidžia atlikti įvairias matematines operacijas su masyvais. Pavyzdžiui:
     
    a = np.array([1, 2, 3])
    b = np.array([4, 5, 6])
    # Sudėtis
    result_sum = a + b
    # Skirtumas
    result_diff = a - b
    # Daugyba
    result_mul = a * b
    # Dalyba
    result_div = a / b
     
    3. Vektorinės operacijos: NumPy leidžia atlikti operacijas su visais masyvo elementais vienu metu. Pavyzdžiui:
     
    # Kvadratu
    squared = np.square(a)
    # Šaknis
    sqrt = np.sqrt(b)
    # Suma visų elementų
    total_sum = np.sum(a)

    NumPy yra nepakeičiama priemonė, kuri palengvina vektorinės matematikos operacijas ir duomenų manipuliavimą Python aplinkoje. Tai ypač naudinga duomenų analizės, mokslinių tyrimų ir inžinerijos srityse.
  4. Išplėstinė duomenų analizė su „Pandas" moduliu
    Python Pandas yra galinga atviro kodo biblioteka, skirta duomenų analizei ir manipuliavimui. Ji yra plačiai naudojama duomenų mokslui, analizei, valymui ir transformacijai. Ši biblioteka leidžia atlikti įvairias operacijas su duomenų rėmeliais (angl. DataFrames) ir serijomis (angl. Series).
    • DataFrame: Tai dvimatė duomenų struktūra, panaši į lentelę. Ji leidžia saugoti ir manipuliuoti duomenimis stulpelių ir eilučių forma. DataFrame yra pagrindinė Pandas struktūra, kurioje galima atlikti filtravimą, grupavimą, sąryšius ir kitas operacijas.
    • Series: Tai vienmatė duomenų struktūra, kuri saugo vieną stulpelį arba eilutę. Series leidžia manipuliuoti individualiais duomenų elementais.
    Kai naudojate Pandas, galite atlikti šias operacijas:
    1. Duomenų rėmelio pjaustymas: Filtruoti ir pasirinkti tik reikiamus stulpelius ar eilutes.
    2. Susijungimas ir prisijungimas: Jungti duomenų rėmelius pagal bendrus stulpelius arba indeksus.
    3. Sujungimas: Apjungti duomenų rėmelius horizontaliai arba vertikaliai.
    4. Indekso keitimas: Pakeisti duomenų rėmelio indeksą.
    5. Keisti stulpelių antraštes: Pervadinti stulpelių pavadinimus.
    6. Duomenų šaudymas: Pašalinti dublikatus, trūkstamus duomenis arba netinkamus reikšmes.
    7. Naudojimo atvejis: Analizuoti jaunimo nedarbo duomenis, grupuojant pagal amžių ir lytį.
    Pandas yra nepakeičiama priemonė duomenų analizei ir manipuliavimui Python aplinkoje. Ji leidžia efektyviai tvarkyti ir transformuoti duomenis, padedant analitikams ir duomenų mokslininkams išgryninti informaciją iš įvairių šaltinių.
  5. Duomenų apsikeitimas su SQL serverių kombinuojant SQL kodą su Python kodu
    Duomenų apsikeitimas su SQL serveriais, kombinuojant SQL kodą su Python kodu, yra svarbus procesas, leidžiantis bendrauti su duomenų bazėmis ir automatizuoti duomenų gavimą bei atnaujinimą. Šis procesas apima keletą svarbių žingsnių:
    1. Duomenų gavimas iš SQL serverių:
    • Naudojant Python, galime prisijungti prie SQL serverio ir vykdyti SQL užklausas, kad gautume reikiamus duomenis.
    • Tai gali būti atliekama naudojant įvairius Python modulius.
    2. Duomenų manipuliavimas su Python:
    • Gavus duomenis iš SQL serverio, galime juos manipuliuoti Python aplinkoje.
    • Tai gali apimti duomenų filtravimą, grupavimą, rikiavimą ir kitus veiksmus.
    3. Duomenų atnaujinimas ir įrašymas į SQL serverį:
    • Po duomenų manipuliavimo ir analizės galime atnaujinti duomenis SQL serveryje.
    • Tai gali būti atliekama naudojant įvairius Python modulius.
    Šis procesas leidžia efektyviai valdyti duomenis, automatizuoti užduotis ir integruoti SQL serverius su Python programavimo kalba.
  6. Duomenų vizualizacija su „Pandas" moduliu
    Python duomenų vizualizacija su „Pandas“ moduliu yra būdas kurti grafinius vaizdus ir diagramas, naudojant Pandas biblioteką. Ši biblioteka leidžia analizuoti, valdyti ir vizualizuoti duomenis išvien. Pagrindiniai bruožai:
    1. Duomenų analizė: „Pandas“ leidžia manipuliuoti duomenimis, filtruoti, grupuoti ir transformuoti juos pagal reikiamus poreikius.
    2. Duomenų rėmeliai: „Pandas“ naudoja duomenų rėmelius (angl. DataFrames), kurie yra dvimatės duomenų struktūros, panašios į lentelę.
    3. Vizualizacija: „Pandas“ taip pat turi įmontuotą funkcionalumą duomenų vizualizacijai, kuris leidžia kurti grafikus, diagramas ir kitus vaizdus.
    Pavyzdys:
     
    import pandas as pd
    import matplotlib.pyplot as plt
    # Sukuriamas duomenų rėmelis
    data = {'Mėnuo': ['Sausis', 'Vasaris', 'Kovas'],
            'Pardavimai': [100, 150, 120]}
    df = pd.DataFrame(data)
    # Vizualizuojame pardavimus
    df.plot(x='Mėnuo', y='Pardavimai', kind='bar')
    plt.xlabel('Mėnuo')
    plt.ylabel('Pardavimai')
    plt.title('Mėnesio pardavimai')
    plt.show()

    „Pandas“ yra galinga biblioteka, leidžianti efektyviai manipuliuoti ir vizualizuoti duomenis.
  7. Duomenų vizualizacija su „Matplotlib“ moduliu
    Python duomenų vizualizacija su „Matplotlib“ moduliu yra būdas kurti grafinius vaizdus ir diagramas, naudojant Matplotlib biblioteką. Ši biblioteka leidžia kurti įvairius grafikus, nuo paprastų linijinių diagramų iki sudėtingų 3D vaizdų.
    Pagrindiniai „Matplotlib“ bruožai:
    1. Paprastumas: „Matplotlib“ leidžia kurti grafikus viena eilute kodo.
    2. Platybė: Galima kurti įvairius grafikus, įskaitant stačiakampio diagramas, histogramas, sklaidos diagramas ir kt.
    3. Prisitaikymas: Galima keisti spalvas, stilius, ašis ir kitus grafiko parametrus.
    Pavyzdžiai:
     
    import matplotlib.pyplot as plt
    # Sukuriamas paprastas grafikas
    x = [1, 2, 3, 4]
    y = [10, 15, 7, 12]
    plt.plot(x, y)
    plt.xlabel('X ašis')
    plt.ylabel('Y ašis')
    plt.title('Paprastas grafikas')
    plt.show()

    „Matplotlib“ yra galinga ir lanksti biblioteka, leidžianti vizualizuoti duomenis ir kurti grafinius vaizdus
  8. Duomenų vizualizacija su „Seaborn“ moduliu
    Python duomenų vizualizacija su „Seaborn“ moduliu yra būdas kurti grafinius vaizdus ir diagramas, naudojant Seaborn biblioteką. Ši biblioteka yra pagrįsta Matplotlib ir suteikia aukšto lygio sąsają, skirtą kurti patrauklius ir informatyvius statistinius grafikus.
    Pagrindiniai „Seaborn“ bruožai:
    1. Paprastumas: „Seaborn“ leidžia kurti grafinius vaizdus viena eilute kodo.
    2. Statistinės grafikos galimybės: Galima kurti įvairius statistinius grafikus, tokius kaip sklaidos diagramos, histogramos, linijinės diagramos ir kt.
    3. Integracija su „Pandas“: „Seaborn“ puikiai integruojasi su „Pandas“ duomenų rėmeliais, leidžianti efektyviai analizuoti ir vizualizuoti duomenis.
    Pavyzdys:
     
    import seaborn as sns
    import matplotlib.pyplot as plt
    # Sukuriamas duomenų rėmelis
    tips = sns.load_dataset("tips")
    # Vizualizuojame santykį tarp sąskaitos ir gauto mokesčio
    sns.scatterplot(x="total_bill", y="tip", data=tips)
    plt.xlabel('Sąskaita')
    plt.ylabel('Gautas mokestis')
    plt.title('Santykis tarp sąskaitos ir gauto mokesčio')
    plt.show()

    „Seaborn“ yra galinga biblioteka, leidžianti kurti patrauklius ir informatyvius grafikus duomenų analizei.
  9. Mašininio mokymąsi pagrindai naudojant „SKLearn" modulį
    Python mašininio mokymosi pagrindai naudojant „scikit-learn“ (arba „SKLearn“) modulį yra esminiai žingsniai, kurie leidžia programuotojams pradėti kurti ir taikyti mašininio mokymosi modelius Python aplinkoje. Šis modulis yra galingas ir plačiai naudojamas, o jo pagrindinės savybės yra šios:
    1. Paprastumas: „scikit-learn“ suteikia aiškią ir paprastą API, leidžiantį lengvai kurti ir valdyti modelius.
    2. Platnumas: Jis palaiko daugybę algoritmų, įskaitant klasifikavimą, regresiją, klasterizavimą, dimensijų mažinimą ir kt.
    3. Efektyvumas: „scikit-learn“ yra optimizuotas ir veikia greitai, todėl jis tinka tiek mažiems, tiek dideliems duomenų rinkiniams.
    4. Bendruomenės palaikymas: Tai atvirojo kodo projektas, kurį nuolat tobulina ir plečia didelė bendruomenė.
    Pagrindiniai žingsniai, norint pradėti naudoti „scikit-learn“, yra šie:
    1. Duomenų paruošimas: Suprasti duomenis, jų struktūrą ir reikšmes. Tai apima duomenų valymą, trūkstamų reikšmių užpildymą ir kodavimą.
    2. Modelio pasirinkimas: Pasirinkti tinkamą mašininio mokymosi algoritmą, priklausomai nuo užduoties (pvz., klasifikavimas ar regresija).
    3. Duomenų padalinimas: Padalinti duomenis į mokymo ir testavimo rinkinius.
    4. Modelio apmokymas: Apmokyti pasirinktą modelį naudojant mokymo duomenis.
    5. Modelio vertinimas: Įvertinti modelio veikimą naudojant testavimo duomenis.
    „scikit-learn“ yra puikus pasirinkimas tiek pradedantiesiems, tiek patyrusiems mašininio mokymosi specialistams. Norint pradėti, rekomenduojama perskaityti oficialią dokumentaciją ir išbandyti pavyzdžius.

Kursai

Sertifikatai

  • Kiekvienas studentas, baigęs bent vieną modulį, yra sertifikuojamas Datacademy „sėkmingai baigęs“ sertifikatu.
  • Datacademy suteikia papildomas nemokamas konsultacijas tol kol kursus baigę profesionalai, ekspertai ir mokslininkai įgys tarptautinius Microsoft sertifikatus ir LinkedIn įgūdžių įvertinimus.
  • Studentai, baigę ne mažiau kaip 3 modulių programas ir surinkę daugiau nei 40 balų, yra sertifikuojami atitinkamai pagal galutinį kurso vertinimą:‌
    ‌40+ = "Specialistas"‌80+ = "Profesionalas"‌‌90+ = "Ekspertas"‌‌100 = "Mokslininkas"
Duomenų profesionalas Duomenų profesionalas
Duomenų profesionalas Duomenų profesionalas
Duomenų profesionalas Duomenų profesionalas

Studentų atsiliepimai

"
Duomenų Inžinerijos kursas buvo tiesiog puikus! Turėjau nuostabią galimybę išmokti dirbti su įvairiomis „Power“ platformomis - nuo „Power Apps“ iki „Power Virtual Agent“. Kursas ne tik su... Daugiau >>
Baigiamasis darbas

Vilma Vanagaitė

Geographic Information Systems Engineer

"
Datacademy sukūrė nuostabią mokymo atmosferą. Mokymo medžiaga yra suprantama, pilna praktinių užduočių, o individualus požiūris atspindi kiekvieno mokymosi tempą. Malonu matyti, kaip vert... Daugiau >>
Vaizdo įrašas
Baigiamasis darbas

Eglė Černyšova

Finansų valdymo konsultantas

"
Patiko nuoširdus dėstymo būdas ir stengimasis maksimaliai duoti naudos per paskaitų laiką. Puikus gebėjimas prisitaikyti prie mano individualių poreikių ir klausimų, o ne tik aklai išdėst... Daugiau >>
Baigiamasis darbas

Kęstutis Gricius

Dėstytojai

Rolandas Rimkevičius
Rolandas Rimkevičius

Pilnas duomenų analitikos kursas, Pilnas duomenų inžinerijos kursas, SQL, Power BI, Python, Power Apps, Virtual Agent, Power Shell

linkedin
Kristina Aldošina
Kristina Aldošina

Pilnas duomenų analitikos kursas, SQL, Power BI, Python

linkedin
Alina Anisimova
Alina Anisimova

SQL, Power BI, Python

linkedin

Nuolaidų sistema