SQL, Pandas, BI, Аналитика данных
7 subscribers
9 photos
2 videos
18 files
41 links
Download Telegram
**🔥 Зачем аналитикам Python? Или почему этот язык – билет в мир данных?**

Ты когда-нибудь замечал, что у всех крутых аналитиков, дата-сайентистов и исследователей данных в резюме фигурирует Python? Это не просто случайность, а закономерность. Давай разберемся, почему!

💡 Python – как удобный инструмент, без которого ты не захочешь работать

Представь, что тебе дали данные в виде огромной таблицы Excel. Ты можешь вручную копаться в ней часами… или за пару минут написать пару строк кода и получить готовый результат.

Вот 5 причин, почему Python стал лучшим другом аналитиков:

Простота и читаемость кода
Python – это язык, который понимают даже новички. Код выглядит почти как обычный английский текст. Даже если ты впервые видишь скрипт, в 90% случаев сможешь догадаться, что он делает.

Гигантская библиотека инструментов
Хочешь быстро проанализировать данные? 🚀 Есть Pandas.
Работать с графиками? 📊 Matplotlib и Seaborn.
Строить модели машинного обучения? 🤖 Scikit-learn и TensorFlow.
Практически под любую задачу в аналитике уже есть готовый инструмент!

Идеален для больших данных
Python – это не только для «табличек». Он справляется с обработкой гигантских массивов данных, работая с базами, API и облачными сервисами.

Автоматизация всего!
Скрипты на Python легко автоматизируют рутинные задачи: отчёты, сбор данных, очистку информации. Это экономит часы работы и нервы.

Поддержка сообщества
Любой вопрос – и в интернете уже есть готовый ответ. Ты никогда не останешься один на один с проблемой.

💬 Вывод: если ты хочешь уверенно чувствовать себя в аналитике, Python – это не просто плюс, а обязательный навык. Освоив его, ты сможешь быстро разбираться в данных, находить инсайты и делать крутые исследования.

Полный гайд по установке и настройке тут 👉 статья.
Please open Telegram to view this post
VIEW IN TELEGRAM
🐍 Какую версию Python выбрать?

Ты решил освоить Python и встал перед выбором: какую версию ставить? Ведь на официальном сайте их куча: 3.7, 3.8, 3.9, 3.10, 3.11… А может, вообще Python 2? (нет, забудь про него 😅).

💡 Главное правило: бери Python 3.9 или 3.10 – не прогадаешь!

🔹 Почему не старее 3.9?
Старые версии (например, 3.7 или 3.8) всё ещё работают, но поддержка постепенно уходит, а новые крутые библиотеки могут на них уже не запуститься.

🔹 Почему не новее 3.10?
Python 3.11+ – это, конечно, здорово, но… Многие библиотеки могут ещё не успеть адаптироваться к самым свежим версиям.

📌 Что делать, если уже установлена другая версия?
Если у тебя стоит Python 3.7 или 3.8 – можно пользоваться, но лучше обновить.
Если уже установил 3.11 – попробуй, но если начнутся проблемы с библиотеками, знай, в чём дело.

Вывод: Python 3.9–3.10 – идеальный баланс стабильности и новизны.

🔥 Готов ставить? В следующем посте разберёмся, как правильно установить Python на Windows, macOS и Linux.

А пока лови гайд по установке и настройке 👉 ссылка на статью
Please open Telegram to view this post
VIEW IN TELEGRAM
🚀 Устанавливаем Python: пошаговый гайд для Windows, macOS и Linux

Ты решил освоить Python и теперь хочешь его установить? Отличный выбор! Давай разберёмся, как всё сделать правильно, без боли и лишних вопросов.

### 🖥 Установка Python на Windows
1️⃣ Заходим на [официальный сайт Python](https://www.python.org/downloads/)
2️⃣ Жмём «Download Python 3.10» (или 3.9)
3️⃣ Запускаем установщик и ОБЯЗАТЕЛЬНО ставим галочку «Add Python to PATH» (это важно, без этого не заработает нормально!)
4️⃣ Жмём Install, ждём пару минут… и всё! 🎉
5️⃣ Проверяем: открываем Командную строку (Win + R → cmd) и вводим:

   python --version

Если появится «Python 3.10.x», значит, всё установлено верно!

---

### 🍏 Установка Python на macOS
📌 Вариант 1 (для новичков):
1️⃣ Скачиваем .dmg-файл с [python.org](https://www.python.org/downloads/mac-osx/)
2️⃣ Открываем установщик и следуем инструкциям
3️⃣ Проверяем в терминале:

   python3 --version


📌 Вариант 2 (если ты хакер 😎):
Можно установить через Homebrew (если он есть):
brew install python@3.10



---

### 🐧 Установка Python на Linux
Чаще всего Python уже есть, но если вдруг нужна конкретная версия:
📌 Ubuntu/Debian:
sudo apt update && sudo apt install python3.10


📌 Arch Linux:
sudo pacman -S python


📌 Fedora:
sudo dnf install python3.10


Проверяем командой:
python3 --version



---

🎯 Теперь у тебя есть Python! Следующий шаг – создать виртуальное окружение, чтобы твои проекты не мешали друг другу. О том, как это сделать – в следующем посте!

А пока полный гайд по установке и настройке здесь 👉 ссылка на статью
🐍 Anaconda или Miniconda? Что выбрать для работы с Python?

Ты уже установил Python, но слышал про Anaconda и Miniconda. Что это такое и нужно ли оно тебе? Давай разберёмся!

### 💡 Что такое Anaconda?
Anaconda – это готовый «комплект» Python для аналитики данных, машинного обучения и научных вычислений. В нём уже предустановлены:
NumPy, Pandas, Matplotlib – для анализа данных 📊
Jupyter Notebook – удобная среда для кода 📝
Conda – мощный менеджер пакетов и виртуальных окружений

Просто устанавливаешь Anaconda, и у тебя сразу есть всё, что нужно!

### 💡 Что такое Miniconda?
Miniconda – это «лёгкая версия» Anaconda. Она включает только Python и менеджер пакетов Conda, а все библиотеки ты ставишь сам.

📌 Главные отличия:
🔹 Anaconda → большая (около 500 МБ), но со всем готовым набором инструментов.
🔹 Miniconda → лёгкая (~50 МБ), без предустановленных библиотек.

---

### 🆚 Что выбрать?
🔹 Выбирай Anaconda, если ты новичок в Data Science и хочешь готовую среду для работы 📈
🔹 Выбирай Miniconda, если предпочитаешь минимализм и сам хочешь выбирать, какие библиотеки ставить 📦
🔹 Обычный Python (без Anaconda/Miniconda) – хороший вариант, если ты хочешь максимальный контроль над окружением и знаешь, какие инструменты нужны.

---

🔥 Вывод:
Если у тебя много места на диске и хочется всё готовоеставь Anaconda.
Если хочешь гибкость и лёгкостьMiniconda твой выбор.

👉 В следующем посте разберёмся, что такое виртуальные окружения и зачем они нужны!

А пока полный гайд по установке и настройке здесь 👉 ссылка на статью
🔬 Что такое виртуальное окружение и зачем оно нужно?

Представь, что ты работаешь сразу над двумя проектами:
📌 В первом нужна библиотека pandas версии 1.3
📌 Во втором — pandas версии 2.0

Если ты установишь всё в систему, то одна версия заменит другую, и что-то обязательно сломается. 🤯

💡 Решение? Виртуальное окружение!

Виртуальное окружение – это отдельная изолированная песочница для каждого проекта.

🔹 В одном окружении – Python 3.9 + pandas 1.3
🔹 В другом – Python 3.10 + pandas 2.0

Проекты не мешают друг другу, и ничего не ломается!

---

### 📌 Почему это важно?
Ты можешь работать с разными версиями библиотек без конфликтов
Легко переносить проекты (на другом ПК всё будет работать так же)
Разработка становится чище и удобнее

Это как разные рабочие столы на компьютере – один для дизайна, другой для кода.

---

### ⚙️ Как создать виртуальное окружение?
В следующем посте разберёмся, как правильно его настроить в venv и conda! 🔥

А пока подробный гайд по установке Python и окружений здесь 👉 ссылка на статью
🎯 Как создать виртуальное окружение в Python? (venv, conda)

Теперь, когда ты знаешь, зачем нужны виртуальные окружения, пора научиться их создавать и использовать! 💡

## 1️⃣ venv — встроенный инструмент в Python

Создаём окружение:
📌 Открываем терминал (или командную строку) и выполняем:
python -m venv my_env

Здесь my_env — это имя окружения (можно назвать как угодно).

Активируем окружение:
🔹 Windows:
my_env\Scripts\activate

🔹 macOS/Linux:
source my_env/bin/activate


После активации перед строкой терминала появится (my_env) – значит, всё работает! 🚀

Выход из окружения:
deactivate


---

## 2️⃣ Conda — мощный менеджер окружений (Anaconda/Miniconda)

Создаём окружение:
conda create --name my_env python=3.10

Здесь мы создаём окружение my_env с Python 3.10.

Активируем:
conda activate my_env


Выход из окружения:
conda deactivate


Удалить окружение (если оно больше не нужно):
conda remove --name my_env --all


---

### 🔎 venv или conda? Что лучше?
venv – подойдёт, если у тебя просто установлен Python (лёгкий и стандартный вариант).
conda – мощнее, если ты работаешь с Anaconda и хочешь удобное управление библиотеками.

Теперь ты знаешь, как создать виртуальное окружение! 🎉

👉 В следующем посте расскажем, как устанавливать библиотеки в Python (pip vs conda)!

А пока полный гайд по установке и настройке здесь 👉 ссылка на статью
Задания с собеседования ТБанка. Математическая секция.
📦 Как устанавливать библиотеки в Python? (pip vs conda)

Ты создал виртуальное окружение. Отлично! 🎉 Но теперь тебе нужны библиотеки: pandas, numpy, requests и другие. Как их установить правильно? Разбираемся!

---

### 🔹 Способ 1: pip – стандартный менеджер пакетов Python
📌 pip (Python Package Installer) идёт вместе с Python и использует PyPI – главный репозиторий Python-библиотек.

👉 Как установить библиотеку с pip?
pip install requests

🔹 Хочешь сразу несколько библиотек? Легко!
pip install numpy pandas matplotlib


👉 Как узнать, какие библиотеки установлены?
pip list


👉 Как удалить библиотеку?
pip uninstall requests


📌 Как сохранить список установленных библиотек?
Если тебе нужно передать проект коллеге или запустить его на другом компьютере, используй:
pip freeze > requirements.txt

Затем на другом ПК просто выполни:
pip install -r requirements.txt

и все пакеты установятся автоматически! 🚀

---

### 🔹 Способ 2: conda – менеджер пакетов Anaconda
Если ты используешь Anaconda/Miniconda, то вместо pip можно использовать conda.

👉 Установка библиотеки с conda:
conda install numpy


👉 Установка нескольких библиотек:
conda install pandas matplotlib seaborn


👉 Удаление библиотеки:
conda remove numpy


👉 Как установить библиотеки из сторонних каналов (например, conda-forge)?
conda install -c conda-forge scikit-learn


---

### 🔎 pip vs conda – что выбрать?
pip – универсальный, подходит для всех версий Python
conda – удобнее для работы с Anaconda, особенно для научных библиотек

💡 Совет:
📌 Если ты работаешь в обычном Python – используй pip.
📌 Если ты в Anaconda – лучше ставить пакеты через conda, но если нужной библиотеки нет в conda, тогда используй pip install.

---

🔥 Теперь ты знаешь, как устанавливать и управлять библиотеками в Python!

👉 В следующем посте разберёмся, где искать библиотеки и что такое PyPI!

А пока полный гайд по установке и настройке здесь 👉 ссылка на статью
🔎 Где искать нужные библиотеки для Python? Что такое PyPI?

Ты уже знаешь, как устанавливать библиотеки с pip и conda, но где их искать? Какие библиотеки выбрать? Как узнать, что они делают? 🤔

## 📌 PyPI – главный "магазин" Python-библиотек
🔹 PyPI (Python Package Index) – это официальный репозиторий всех Python-библиотек.
🔹 Это как App Store или Google Play, но для Python-пакетов.

📌 Чтобы найти нужную библиотеку, заходи на 👉 [https://pypi.org](https://pypi.org)

Там можно:
Искать библиотеки по названию
Читать описания и документацию
Узнавать, как их устанавливать

💡 Пример:
Хочешь работать с Excel-файлами? Ищи "pandas" или "openpyxl", и PyPI подскажет, что скачать!

---

## 📌 Как узнать больше о библиотеке перед установкой?
Просто загугли:
pandas python pypi

или
site:pypi.org pandas

и ты найдёшь страницу библиотеки с инструкцией, как её установить и использовать.

Пример для Pandas: 👉 [https://pypi.org/project/pandas/](https://pypi.org/project/pandas/)

---

## 📌 Как проверить, что библиотека установлена?
Введи в терминале:
pip show numpy

и получишь информацию: версия, автор, сайт, описание.

---

## 📌 Альтернативные источники библиотек
🔹 Conda – если ты используешь Anaconda/Miniconda, ищи библиотеки здесь 👉 [https://anaconda.org](https://anaconda.org)
🔹 GitHub – иногда библиотеки выкладывают прямо в открытые репозитории 👉 [https://github.com](https://github.com)
🔹 Документация проекта – просто ищи "название_библиотеки docs", чтобы сразу попасть в руководство.

---

🔥 Теперь ты знаешь, где искать нужные библиотеки и как с ними работать!

👉 В следующем посте разберёмся, какой редактор или IDE выбрать для Python: PyCharm vs VS Code?

А пока полный гайд по установке и настройке здесь 👉 ссылка на статью
800+ SQL Server Interview Questions and Answers .pdf
1 MB
🖥 Полезнейший сборник из 800+ вопросов по SQL, которые часто задают на собеседованиях.

Он также включает задачи для самостоятельной работы и множество примеров.

Сборник отлично подходит для тех, кто хочет прокачать свои навыки работы с SQL, освежить знания и проверить свои знания.

GitHub
Please open Telegram to view this post
VIEW IN TELEGRAM
📒 Jupyter Notebook и Google Colab – когда и зачем их использовать?

Ты, наверное, видел, как дата-аналитики и исследователи работают в Jupyter Notebook – интерактивных тетрадях, где код и результаты отображаются прямо в браузере. Но есть ещё Google Colab – его облачный аналог.

Давай разберёмся, что это за инструменты и когда они тебе пригодятся! 🚀

---

### 🖥 Jupyter Notebook – твоя персональная лаборатория Python
Jupyter Notebook – это интерактивная среда, где можно писать код, запускать его по частям и сразу видеть результат.

📌 Почему это удобно?
Можно запускать код построчно, а не весь скрипт сразу
Удобно тестировать гипотезы и работать с данными
Поддержка Markdown – можно писать заметки и пояснения прямо в коде
Отлично подходит для анализа данных, построения графиков и машинного обучения

📌 Как установить Jupyter Notebook?
Если у тебя обычный Python:
pip install jupyter

Если у тебя Anaconda:
conda install jupyter

Запуск:
jupyter notebook

Откроется вкладка в браузере – и ты уже можешь писать код!

---

### ☁️ Google Colab – работа с Jupyter в облаке
Google Colab – это Jupyter Notebook, но онлайн. Отлично подходит, если у тебя медленный компьютер или ты хочешь запускать код прямо в браузере.

📌 Чем хорош Google Colab?
Не требует установки – просто заходишь на 👉 [https://colab.research.google.com](https://colab.research.google.com)
Есть доступ к бесплатным GPU и TPU – полезно для нейросетей и ML
Можно работать в команде, как в Google Docs
Всё хранится в облаке – не потеряется, даже если ноутбук выключится

📌 Когда выбрать Colab, а когда Jupyter?
🔹 Jupyter Notebook – если работаешь локально, с файлами, базами и данными на своём ПК.
🔹 Google Colab – если нужен мощный сервер, хочешь работать из браузера или делиться кодом с коллегами.

---

🔥 Теперь ты знаешь, как ускорить свою работу с Python!

👉 В следующем посте разберём, как проверить, что Python установлен правильно и всё работает!

А пока полный гайд по установке и настройке здесь 👉 [ссылка на статью]
🌐 Простейший скрипт на Python: запрашиваем данные из интернета

Ты настроил Python, создал проект и виртуальное окружение. Теперь пора написать простой, но полезный скрипт, который получает данные из интернета. 📡

Сегодня будем запрашивать случайную мудрость от GitHub – это займет буквально пару строк кода! 🚀

---

### 📌 1️⃣ Устанавливаем библиотеку requests
Для работы с HTTP-запросами нам нужна библиотека requests. Установим её:
pip install requests

🔹 Если библиотека уже есть – ничего страшного, pip просто проверит это.

---

### 📌 2️⃣ Пишем код запроса в Python
Создаём файл request_script.py в нашем проекте и добавляем код:

import requests

response = requests.get("https://api.github.com/zen")

if response.status_code == 200:
print("💡 Сегодняшняя мудрость от GitHub:")
print(response.text)
else:
print("Ошибка при получении данных:", response.status_code)


📌 Как это работает?
1️⃣ Мы используем requests.get(), чтобы отправить GET-запрос на API GitHub.
2️⃣ Если сервер ответил кодом 200 (успех), то выводим полученный текст.
3️⃣ Если сервер вернул ошибку – выводим код ошибки.

---

### 📌 3️⃣ Запускаем скрипт
Теперь попробуем запустить наш код:
python request_script.py

Если всё работает, ты увидишь философскую цитату от GitHub. Например:
💡 Сегодняшняя мудрость от GitHub:
Mind your words, they are important.

Каждый раз будет разная фраза! 🎉

---

### 📌 4️⃣ А что, если запрашивать что-то полезное?
Попробуем запросить текущий курс валют с бесплатного API:

import requests

response = requests.get("https://api.exchangerate-api.com/v4/latest/USD")

if response.status_code == 200:
data = response.json() # Преобразуем ответ в JSON
print(f"📈 Курс USD к рублю: {data['rates']['RUB']}")
else:
print("Ошибка при получении данных.")

Запусти этот код, и он покажет актуальный курс доллара к рублю! 💰

---

🔥 Поздравляю! Ты только что написал свой первый скрипт, работающий с реальными данными из интернета.

👉 В следующем посте разберёмся, как сохранять данные в файлы и передавать проект другим людям!

А пока полный гайд по настройке здесь 👉 [ссылка на статью]
🛠 Дополнительные инструменты для Python-разработки (Git, Docker и др.)

Python – это круто, но одним только интерпретатором не обойтись. Чтобы писать код удобно, безопасно и профессионально, нужны дополнительные инструменты. Давай разберём что использовать, зачем и когда. 🚀

---

### 📌 1️⃣ Git – контроль версий и командная работа
Git – это must-have для любого разработчика.

💡 Зачем он нужен?
Хранит историю изменений (можно вернуться на любой этап разработки)
Позволяет работать в команде без "финальный_финал_v3.py"
Удобная работа с GitHub/GitLab

🔹 Как установить? 👉 [https://git-scm.com/downloads](https://git-scm.com/downloads)
🔹 Как проверить установку?
git --version

🔹 Базовые команды:
git init  # Инициализация репозитория
git add . # Добавить файлы в коммит
git commit -m "Первый коммит" # Создать коммит
git push origin main # Отправить на GitHub

💡 Храни код в GitHub – это удобно!

---

### 📌 2️⃣ Docker – "виртуальный контейнер" для проектов
Иногда твой код работает у тебя, но не запускается у других из-за различий в версиях Python, библиотек и ОС.

💡 Docker решает эту проблему!

Позволяет упаковать проект в контейнер (включая Python, библиотеки, зависимости)
Позволяет развернуть проект на любом сервере или ПК без проблем
Используется для деплоя веб-приложений, API и автоматизации

🔹 Как установить? 👉 [https://www.docker.com/get-started](https://www.docker.com/get-started)
🔹 Пример Dockerfile для Python-проекта:
FROM python:3.10
WORKDIR /app
COPY . .
RUN pip install -r requirements.txt
CMD ["python", "main.py"]

Запустить проект в Docker:
docker build -t my_project .
docker run -it my_project

Теперь твой проект будет работать одинаково на любом компьютере! 🔥

---

### 📌 3️⃣ Virtualenv & Conda – управление окружениями
💡 Ты уже знаешь, зачем нужны виртуальные окружения, но напомним:
venv – стандартный инструмент в Python
conda – мощный инструмент для Data Science

🔹 Создать окружение (venv):
python -m venv venv
source venv/bin/activate # macOS/Linux
venv\Scripts\activate # Windows

🔹 Создать окружение (Conda):
conda create --name my_env python=3.10
conda activate my_env

📌 Если работаешь в Data Science, выбирай Conda!

---

### 📌 4️⃣ Makefile – автоматизация команд
Если ты устал вручную вводить длинные команды, используй Makefile.

📌 Создаём `Makefile`:
install:
pip install -r requirements.txt

run:
python main.py

Теперь для установки библиотек можно просто написать:
make install

а для запуска проекта:
make run

🔹 Работает в macOS/Linux. В Windows – через WSL или `make.exe`.

---

### 📌 5️⃣ Linters & Formatters – чистый код без боли
Чтобы код был читабельным и красивым, используют линтеры и форматтеры.

Black – автоматически форматирует код:
pip install black
black .

Flake8 – находит ошибки в коде:
pip install flake8
flake8 .

isort – сортирует импорты:
pip install isort
isort .

💡 Если хочешь писать как профессионал – используй их!

---

### 📌 6️⃣ Task Runners – управление задачами
Иногда нужно автоматизировать тесты, деплой, парсинг данных и другие задачи.

Celery – для фоновый задач
Prefect – для потоков данных
Taskipy – удобный аналог Makefile

📌 Пример Taskipy:
pip install taskipy

Добавляем в pyproject.toml:
[tool.taskipy.tasks]
start = "python main.py"

Теперь можно запустить проект просто так:
task start


---

🔥 Теперь ты знаешь, какие инструменты делают разработку удобнее и быстрее!

👉 В следующем посте разберём, как загружать проекты в GitHub и работать в команде!

А пока полный гайд по настройке здесь 👉 [ссылка на статью]
🚀 Как загружать Python-проекты в GitHub и работать в команде

Ты написал код, всё протестировал, но как его правильно сохранить и поделиться с командой? Решение – GitHub! Это платформа для хранения кода, где можно работать в команде, управлять версиями и никогда не терять проект. Давай разберёмся, как правильно загружать Python-проекты в GitHub.

---

### 📌 1️⃣ Устанавливаем Git
Если у тебя ещё нет Git, установи его:
🔹 Windows – скачиваем 👉 [git-scm.com](https://git-scm.com/downloads)
🔹 macOS – вводим в терминале:
brew install git

🔹 Linux (Debian/Ubuntu):
sudo apt install git


Проверяем установку:
git --version

Если видим версию – значит, всё работает!

---

### 📌 2️⃣ Создаём репозиторий на GitHub
1️⃣ Заходим на [GitHub](https://github.com) и создаём аккаунт (если его нет).
2️⃣ Нажимаем «New Repository».
3️⃣ Даём название, ставим «Public» (или «Private», если проект закрытый).
4️⃣ Жмём «Create Repository».

GitHub покажет команды, которые нужно выполнить в терминале – давай разберём их!

---

### 📌 3️⃣ Инициализируем Git в проекте
Переходим в папку проекта и выполняем:
git init  # Создаём локальный Git-репозиторий
git add . # Добавляем все файлы в коммит
git commit -m "Первый коммит" # Фиксируем изменения

Теперь у нас есть локальный репозиторий с историей изменений.

---

### 📌 4️⃣ Связываем проект с GitHub и отправляем код
Теперь привяжем наш проект к удалённому репозиторию:
git remote add origin https://github.com/ТВОЙ_ЛОГИН/ИМЯ_РЕПОЗИТОРИЯ.git
git branch -M main # Создаём основную ветку (если её нет)
git push -u origin main # Отправляем код на GitHub

Теперь твой код в GitHub – его можно скачивать, делиться и работать в команде! 🎉

---

### 📌 5️⃣ Как работать в команде с GitHub
Когда несколько человек работают над проектом, важно избежать конфликтов в коде.

🔹 Как скачать чужой проект с GitHub?
git clone https://github.com/ТВОЙ_ЛОГИН/ИМЯ_РЕПОЗИТОРИЯ.git

🔹 Как получить свежие изменения от команды?
git pull origin main

🔹 Как отправить новые изменения?
git add .  
git commit -m "Обновил код"
git push origin main

🔹 Как работать в отдельной ветке, чтобы не сломать основной код?
git checkout -b feature/new-feature  # Создаём новую ветку
git push origin feature/new-feature # Отправляем её на GitHub

После этого можно сделать Pull Request, и команда проверит код перед слиянием.

---

### 📌 6️⃣ Добавляем .gitignore, чтобы не загружать лишние файлы
Некоторые файлы (виртуальное окружение, кеши, настройки IDE) не нужно загружать в репозиторий.

📌 Создай в папке проекта файл .gitignore и добавь в него:
venv/
__pycache__/
*.pyc
.DS_Store
.env

Теперь при git add . эти файлы будут игнорироваться.

---

🔥 Поздравляю! Теперь ты умеешь загружать Python-проекты в GitHub и работать в команде.


А пока полный гайд по настройке здесь 👉 [ссылка на статью]
Работаем с моим учеником над магистерской диссертацией. Делаем крутой продукт - дашборд оценки состояния туристической отрасли в России.
1️⃣Для его создания сделали скрейпер - собрали данные по всем инфраструктурным локациям, проанализировали отзывы посетителей.
2️⃣Кроме того, собрали данные о климате, ценах на услуги, турпотоке.
3️⃣Затем исследовали лучшие практики, проанализировали опыт туристов: что для них важно.
4️⃣И сформировали рейтинги регионов и городов России в плане развития туризма.
5️⃣И вот, вышли на финишный этап - визуализация итогов и создание дашбордов. Сегодня появились первые результаты.
Стек: Python (Flask+Dash+Pandas+Plotly+SQLAlchemy+BeautifilSoup+Selenium), PostgreSQL, JS
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM