Шпаргалка по визуализации данных на Python для EDA

1. Одновариативный анализ

df.hist() — гистограмма числовых колонок
sns.boxplot(data=df, y='col') — боксплот распределения
sns.kdeplot(data=df['col']) — график плотности
df['col'].value_counts().plot(kind='bar') — столбчатая диаграмма частот

2. Двухвариативный анализ

sns.scatterplot(data=df, x, y) — диаграмма рассеяния
sns.regplot(data=df, x, y) — рассеяние + линия регрессии
sns.barplot(x, y, data=df) — сравнение категорий по значениям
sns.violinplot(data=df, x, y) — распределение по категориям
sns.boxplot(x, y, data=df) — сравнение распределений

3. Многовариативный анализ

sns.pairplot(df) — матрица scatter-графиков
sns.heatmap(df.corr(), annot=True) — тепловая карта корреляций
sns.jointplot(data=df, x='x', y='y') — scatter + распределение
plt.scatter(x, y, c=z) — scatter с цветом по переменной
sns.scatterplot(data=df, x=x, y=y, hue='z') — scatter с цветовой категорией

4. Временные ряды

df.plot(x='date', y='value') — базовый временной график
df.rolling(window).mean().plot() — скользящее среднее
seasonal_decompose(df['col']) — разложение временного ряда
sns.lineplot(data=df, x='date', y='value') — временной ряд с интервалами

5. Текстовый анализ

WordCloud().generate(text) — облако слов
FreqDist(words).plot() — частотный график
sns.barplot(x=words, y=frequencies) — частоты слов в столбиках

6. Кастомизация

plt.title('Заголовок') — заголовок
plt.xlabel('ось X') / plt.ylabel('ось Y') — подписи осей
plt.xticks(rotation=45) — поворот подписей
plt.tight_layout() — авторасстановка
plt.figure(figsize=(10, 6)) — размер графика

7. Сохранение и показ

plt.show() — показать график
plt.savefig('график.png') — сохранить
plt.close() — закрыть окно графика

👉 @PythonPortal

Откопал шикарную штуку — Python Tutor

Пишете код на Python, Java, C, C++ или JavaScript прямо в браузере, а этот сервис пошагово показывает, что происходит под капотом. Видно каждую переменную, каждую строчку кода в действии

Плюс, тут есть AI-репетитор для разъяснений

Годный инструмент для обучения или разборов: https://pythontutor.com/

👉 @PythonPortal

Ловите крутейший ресурс для изучения нейронных сетей

Материал подан чётко и поэтапно, с динамической визуализацией и доступными объяснениями (хоть и на английском)

Плюс, на сайте ещё куча других годных разборов по машинному обучению

Сохраняй и делись с другом 🍯

👉 @PythonPortal

Как создавать красивые карты в Python с помощью библиотеки Prettymaps

Если нужно сгенерировать наглядные карты из данных OpenStreetMap в Python — используй prettymaps

Для начала установи необходимые зависимости через pip:

pip install -U prettymaps "osmnx>=1.9.3,<2.0" "git+https://github.com/abey79/vsketch@1.0.0"

После установки можно отрисовать карту всего парой строк:

import prettymaps

plot = prettymaps.plot('Stad van de Zon, Heerhugowaard, Netherlands')

Функция plot() принимает один из следующих вариантов запроса:

🔹Адрес (например, "Porto Alegre")
🔹Координаты (например, (-30.0324999, -51.2303767))
🔹Границы в формате GeoDataFrame

Кроме того, есть возможность кастомизации и использование пресетов. Подробнее на GitHub

👉 @PythonPortal

В Python 3.12+ можно использовать оператор type для создания псевдонимов типов

Эти псевдонимы могут быть также обобщёнными (generic)

Это гораздо короче и удобнее, чем эквивалентный код до Python 3.12 с использованием TypeAlias и TypeVar

👉 @PythonPortal

Это прекрасное чувство, когда только начинаешь учить Python и пытаешься уложиться в час 😂

👉 @PythonPortal

Принёс вам толковую лекцию про ООП в Python на русском

— Что такое ООП;
— Классы и зачем они нужны;
— Достоинства и недостатки механизма ООП;
— Конструктора класса;
— База по ООП: объекты, наследование, инкапсуляция, полиморфизм и д.р.

👉 @PythonPortal

NVIDIA завезла нативную поддержку Python в CUDA

Теперь можно напрямую использовать ускорение на GPU прямо из Python — что сильно упрощает работу над проектами в сфере ИИ, машинного обучения и научных вычислений. Никаких обёрток, костылей и танцев с C/C++.

— CUDA Core — переосмыслен для Python: здесь сделан упор на JIT-компиляцию и минимизацию зависимостей
— cuPyNumeric — прокачанная версия NumPy, работающая на GPU
— NVMath — поддержка линейной алгебры, совместима с хостом и устройством
— Добавлены инструменты для профилирования и анализа кода
— Новый подход к параллельным вычислениям — CuTile. Абстракция не на уровне потоков, а на уровне массивов и тайлов

Посмотреть презентацию можно тут ✌️

👉 @PythonPortal

Крутейшая онлайн-платформа для практики программирования, которая предлагает более 7000 упражнений на 75 различных ЯП

Каждый язык представлен целой дорожкой с задачами, которые помогут разобраться во всех тонкостях шаг за шагом.

А если застрял, можно получить обратную связь от опытных менторов — не всегда сразу, но всегда по делу ✌️

👉 @PythonPortal

Как найти производную функции с помощью Python

1. Импортируем нужные модули для математики и вывода

2. Включаем красивый вывод формул

3. Объявляем переменную x и функцию f(x)

x = symbols('x')
f = Function('f')(x)

4. Задаём выражение: f(x) = x^3 + 2x^2 + 5x + 3

f_expr = x**3 + 2*x**2 + 5*x + 3

5. Находим производную по x

df = diff(f_expr, x)

6. Показываем исходную функцию и её производную

display(Eq(f, f_expr))
display(Eq(diff(f, x), df))

👉 @PythonPortal