Как запустить стартап на ИИ? Гайд от основателя 25 прибыльных проектов
Стартапер Марк Лу поделился пошаговым алгоритмом, который помог ему запустить 25 проектов с доходом $123 000 в месяц.
В видео подробно разбирается весь процесс:
— Основы эффективной разработки.
— Какие технологии нужны для быстрого запуска.
— Как использовать нейросети для оптимизации кода и дизайна.
Гайд обещает полное понимание стартап-циклов всего за 3 часа — отличный материал для тех, кто хочет быстро выйти на рынок.
Смотрим тут.
Стартапер Марк Лу поделился пошаговым алгоритмом, который помог ему запустить 25 проектов с доходом $123 000 в месяц.
В видео подробно разбирается весь процесс:
— Основы эффективной разработки.
— Какие технологии нужны для быстрого запуска.
— Как использовать нейросети для оптимизации кода и дизайна.
Гайд обещает полное понимание стартап-циклов всего за 3 часа — отличный материал для тех, кто хочет быстро выйти на рынок.
Смотрим тут.
🔥3👍1🤩1
This media is not supported in your browser
VIEW IN TELEGRAM
Привет, друзья!
Data Preparation — это процесс сбора, очистки, трансформации и структурирования данных перед их анализом. Если сравнить аналитику с кулинарией, то это как подготовка ингредиентов перед готовкой: чем лучше обработаны продукты, тем вкуснее блюдо!
* Этот процесс помогает избавиться от ошибок, пропусков, дубликатов и несоответствий, делая данные удобными для анализа и машинного обучения.
🏢 Примеры применения Data Preparation в реальных проектах
Data Preparation — это фундамент для качественного анализа! Чем чище и организованнее данные, тем более точные решения можно принимать. Если вы работаете с Power BI, SQL или Python, то этот этап — ваш лучший друг!
#DataAnalytics #DataScience #BigData #MachineLearning #AI #DataDriven
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4👍1👏1
Целевая переменная в статистическом анализе и машинном обучении
🔍 Определение
Целевая переменная (Target Variable, зависимая переменная) — это основная переменная, которую модель пытается предсказать или объяснить. В статистическом анализе и машинном обучении она играет ключевую роль в построении прогнозов и принятии решений.
* Если рассматривать модель как функцию, то целевая переменная — это выход (output), который зависит от входных данных (фичей, независимых переменных).
📌 Примеры целевой переменной
Прогнозирование цен: в модели оценки стоимости недвижимости целевая переменная — цена дома.
Классификация клиентов: в задаче предсказания оттока клиентов целевая переменная — бинарный признак (останется клиент или уйдёт).
Диагностика заболеваний: в модели предсказания болезни целевая переменная — наличие или отсутствие заболевания (0 или 1).
🎯 Ключевые характеристики
1. Тип данных:
- Непрерывные (числовые) – например, цена квартиры, доход человека.
- Категориальные (дискретные) – например, вид транспорта (авто, метро, велосипед).
- Бинарные (0/1, Да/Нет) – например, успех рекламной кампании (успешна или нет).
2. Использование в моделях:
- В регрессии (Linear Regression, Random Forest Regression) целевая переменная непрерывная (например, прогнозирование спроса).
- В классификации (Logistic Regression, Decision Trees, Neural Networks) целевая переменная дискретная (например, определение спам-писем).
🔥 Роль целевой переменной в моделях
Целевая переменная определяет тип задачи машинного обучения (регрессия или классификация) и влияет на выбор алгоритма. Без правильно определённой и подготовленной целевой переменной невозможно обучить модель, так как именно на ней строится весь процесс предсказания.
⚡️ Вывод: В машинном обучении и статистике целевая переменная — это точка, к которой стремится модель. Грамотный выбор и корректная обработка целевой переменной критически важны для получения точных прогнозов и выводов. 🚀
🔍 Определение
Целевая переменная (Target Variable, зависимая переменная) — это основная переменная, которую модель пытается предсказать или объяснить. В статистическом анализе и машинном обучении она играет ключевую роль в построении прогнозов и принятии решений.
* Если рассматривать модель как функцию, то целевая переменная — это выход (output), который зависит от входных данных (фичей, независимых переменных).
📌 Примеры целевой переменной
Прогнозирование цен: в модели оценки стоимости недвижимости целевая переменная — цена дома.
Классификация клиентов: в задаче предсказания оттока клиентов целевая переменная — бинарный признак (останется клиент или уйдёт).
Диагностика заболеваний: в модели предсказания болезни целевая переменная — наличие или отсутствие заболевания (0 или 1).
🎯 Ключевые характеристики
1. Тип данных:
- Непрерывные (числовые) – например, цена квартиры, доход человека.
- Категориальные (дискретные) – например, вид транспорта (авто, метро, велосипед).
- Бинарные (0/1, Да/Нет) – например, успех рекламной кампании (успешна или нет).
2. Использование в моделях:
- В регрессии (Linear Regression, Random Forest Regression) целевая переменная непрерывная (например, прогнозирование спроса).
- В классификации (Logistic Regression, Decision Trees, Neural Networks) целевая переменная дискретная (например, определение спам-писем).
🔥 Роль целевой переменной в моделях
Целевая переменная определяет тип задачи машинного обучения (регрессия или классификация) и влияет на выбор алгоритма. Без правильно определённой и подготовленной целевой переменной невозможно обучить модель, так как именно на ней строится весь процесс предсказания.
⚡️ Вывод: В машинном обучении и статистике целевая переменная — это точка, к которой стремится модель. Грамотный выбор и корректная обработка целевой переменной критически важны для получения точных прогнозов и выводов. 🚀
🍾2🔥1🍓1👨💻1
В Yandex Cloud Foundation Models теперь можно разворачивать открытые модели легким движением руки
Никаких тебе долгих настроек окружения, мониторинга, масштабирования. Все происходит на готовых серверах, надо просто подобрать себе конфигурации. Из коробки уже можно запустить YandexGPT, LLaMa, Qwen, Mixtral, DeepSeek и др.
К слову, так можно использовать сразу несколько моделей параллельно или комбинировать их.
Но если вы более искушенный потребитель, то в Yandex Cloud AI Studio появилась возможность файнтюнить модельки методом LoRA. Для этого нужно собрать датасет, выбрать модель и… все.
LoRA позволит легко настроить модель для ваших задач или дообучить на определенный домен, и тогда можно будет даже маленькие модели эффективно гонять в проде за совсем небольшие деньги. При этом если датасет небольшой, дообучение займет всего минут 10.
Представьте, какая экономия времени и ресурсов для бизнеса. Экспериментируй и внедряй – не хочу
Никаких тебе долгих настроек окружения, мониторинга, масштабирования. Все происходит на готовых серверах, надо просто подобрать себе конфигурации. Из коробки уже можно запустить YandexGPT, LLaMa, Qwen, Mixtral, DeepSeek и др.
К слову, так можно использовать сразу несколько моделей параллельно или комбинировать их.
Но если вы более искушенный потребитель, то в Yandex Cloud AI Studio появилась возможность файнтюнить модельки методом LoRA. Для этого нужно собрать датасет, выбрать модель и… все.
LoRA позволит легко настроить модель для ваших задач или дообучить на определенный домен, и тогда можно будет даже маленькие модели эффективно гонять в проде за совсем небольшие деньги. При этом если датасет небольшой, дообучение займет всего минут 10.
Представьте, какая экономия времени и ресурсов для бизнеса. Экспериментируй и внедряй – не хочу
😁3🤯2🔥1
Сегодня мы углубимся в тему переменных и разберём, на какие подтипы делятся количественные и качественные переменные. Погнали!
─────────────────────────
📊 Количественные переменные
Это данные, выраженные числами. Если можно задать вопрос «Сколько?», то это количественная переменная. Они делятся на два типа:
🔼 Дискретные переменные
Что это: Принимают отдельные, часто целые значения.
Пример: Количество очков в игре (например, 1500 очков) или число уровней, пройденных игроком.
🔼 Непрерывные переменные
Что это: Могут принимать любое значение в диапазоне.
Пример: Время прохождения уровня (например, 320.5 секунд) или скорость автомобиля (например, 80.3 км/ч).
─────────────────────────
🎨 Качественные переменные
Это данные, описывающие категории или характеристики. Если можно задать вопрос «Какой?» или «Кто?», то это качественная переменная. Они тоже делятся на два типа:
🔴 Номинальные переменные
Что это: Категории без естественного порядка.
Пример: Цвет персонажа (синий, красный, зелёный) или тип персонажа (воин, маг, стрелок).
🔴 Порядковые переменные
Что это: Категории с определённым порядком.
Пример: Уровень сложности игры (легкий, средний, сложный) или степень удовлетворенности сервисом (низкий, средний, высокий).
─────────────────────────
💡 Ключевой момент:
Если можно посчитать или измерить – это количественно (и тут ещё два вида: дискретные и непрерывные). Если же данные описывают категории – это качественно (номинальные или порядковые).
─────────────────────────
Это данные, выраженные числами. Если можно задать вопрос «Сколько?», то это количественная переменная. Они делятся на два типа:
Что это: Принимают отдельные, часто целые значения.
Пример: Количество очков в игре (например, 1500 очков) или число уровней, пройденных игроком.
Что это: Могут принимать любое значение в диапазоне.
Пример: Время прохождения уровня (например, 320.5 секунд) или скорость автомобиля (например, 80.3 км/ч).
─────────────────────────
Это данные, описывающие категории или характеристики. Если можно задать вопрос «Какой?» или «Кто?», то это качественная переменная. Они тоже делятся на два типа:
Что это: Категории без естественного порядка.
Пример: Цвет персонажа (синий, красный, зелёный) или тип персонажа (воин, маг, стрелок).
Что это: Категории с определённым порядком.
Пример: Уровень сложности игры (легкий, средний, сложный) или степень удовлетворенности сервисом (низкий, средний, высокий).
─────────────────────────
Если можно посчитать или измерить – это количественно (и тут ещё два вида: дискретные и непрерывные). Если же данные описывают категории – это качественно (номинальные или порядковые).
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4🔥1👏1
Распределение вероятностей показывает, с какой вероятностью случайная величина принимает то или иное значение. Оно бывает дискретным (конечное число значений) и непрерывным (значения из диапазона). Давайте разберём основные виды!
─────────────────────────
─────────────────────────
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5🤔1🎉1
Новое видео от Андрея Карпаты: «Как я использую LLM»
Это большой гайд по тому, как подобрать оптимальный инструмент для ваших задач и при этом сэкономить время и деньги. В программе:
Все таймкоды на видео помечены, общая продолжительность 2 часа. То что нужно на выходные
Приятного просмотра
Это большой гайд по тому, как подобрать оптимальный инструмент для ваших задач и при этом сэкономить время и деньги. В программе:
– Как работают экосистемы LLM
– ChatGPT под капотом
– Ценообразование: как не переплачивать
– Ризонеры: когда и как их использовать
– Поиск в интернете, deep research, tool use
– Что такое advanced voice mode
– Claude и его артефакты
– Cursor
– NotebookLM
– Генераторы видео и картинок
– Память в ChatGPT
– И даже кастомные GPTs
Все таймкоды на видео помечены, общая продолжительность 2 часа. То что нужно на выходные
Приятного просмотра
🔥4👍2🤔1
EDA — это процесс изучения данных, позволяющий выявить ключевые особенности, закономерности и аномалии до применения сложных моделей.
Что включает EDA:
- Визуализация данных: графики, диаграммы, гистограммы
- Обработка пропусков: анализ отсутствующих значений
- Обнаружение выбросов: выявление аномальных данных
- Статистический анализ: расчет средних, медианы, стандартного отклонения
- Проверка гипотез: тестирование предположений для понимания закономерностей
Примеры применения:
* Медицина: определение факторов риска на основе данных о пациентах 🏥
* Банковский сектор: выявление мошенничества и оценка кредитных рисков
* Маркетинг: анализ покупательского поведения для оптимизации рекламных стратегий
Используйте EDA для создания точных и эффективных моделей, которые помогают принимать обоснованные решения!
#EDA #DataAnalysis #DataScience #BigData #АнализДанных
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4🔥1🤔1
This media is not supported in your browser
VIEW IN TELEGRAM
SkyReels V1 — шедевр для создания видео на ИИ стал ещё круче.
Забудьте про долгие рендеры — теперь можно собрать короткометражку за пару минут. SkyReels превращает текст или изображения в видео с 60 FPS и кинематографическим светом.
Что внутри:
— Генерация роликов по описанию сцены.
— Своя модель с 33 выражениями лица и 400+ движениями для живых кадров.
— Полный цикл производства: сценарий, монтаж и озвучка в одном месте.
Уже сейчас это один из самых продвинутых инструментов для тех, кто хочет снимать кино без съёмочной группы.
Пробуем тут.
Видео сгенерировано по промту: Real fish swimming in the water
Забудьте про долгие рендеры — теперь можно собрать короткометражку за пару минут. SkyReels превращает текст или изображения в видео с 60 FPS и кинематографическим светом.
Что внутри:
— Генерация роликов по описанию сцены.
— Своя модель с 33 выражениями лица и 400+ движениями для живых кадров.
— Полный цикл производства: сценарий, монтаж и озвучка в одном месте.
Уже сейчас это один из самых продвинутых инструментов для тех, кто хочет снимать кино без съёмочной группы.
Пробуем тут.
Видео сгенерировано по промту: Real fish swimming in the water
🔥3👍1😱1
This media is not supported in your browser
VIEW IN TELEGRAM
Умельцы выкатили пять шедевральных промтов для построения идеальной жизни — достигаем любых целей в работе и личной жизни.
Дорожная карта развития навыков:
Прокачиваем ежедневную производительность:
Следим за здоровьем ежедневно:
Формируем и отслеживаем привычки:
Дорожная карта развития навыков:
Assume the role of a Career Coach tasked with identifying and analyzing an individual's strengths and interests. Your initial step involves conducting a comprehensive evaluation to pinpoint these areas accurately. Following the assessment, your responsibility is to develop a tailored skill-building plan that aligns with the individual's career aspirations and personal goals. This plan should not only leverage their existing strengths but also address any gaps or areas for improvement. It must include specific, actionable strategies such as recommended courses, workshops, reading materials, and practical exercises. Additionally, the plan should outline measurable objectives and timelines to track progress. Your ultimate goal is to empower the individual to enhance their skillset effectively, thereby positioning them for success in their chosen career path.
Прокачиваем ежедневную производительность:
Act as a Personal Development Coach specializing in time management and goal achievement strategies. Create a personalized [daily/weekly/monthly] schedule designed to help achieve [my goals]. The schedule should account for all aspects of a balanced lifestyle, including work, personal time, and health. Incorporate effective time management techniques and prioritize tasks based on urgency and importance. Provide actionable steps and strategies to stay motivated and on track. Offer flexibility within the schedule to adapt to unforeseen circumstances while maintaining focus on the end goals.
Следим за здоровьем ежедневно:
Assume the role of a Wellness Coach, tasked with designing personalized wellness routines that encompass sleep schedules and mindfulness practices tailored to individual needs. Your objective is to create a balanced and holistic approach to improving overall well-being. This involves assessing the client's lifestyle, stress levels, and sleep patterns to craft a customized wellness plan. The plan should incorporate practical sleep hygiene practices to enhance sleep quality and various mindfulness exercises such as meditation, breathing techniques, and yoga, aimed at reducing stress and improving mental health. Ensure the routines are accessible, realistic, and can be seamlessly integrated into the daily lives of your clients, promoting sustained health benefits and a more mindful, restful lifestyle.
Формируем и отслеживаем привычки:
Create a system to create and track new habits effectively. Clearly define the habit the user wants to develop. This should be specific and actionable. Determine the desired outcome or frequency for the habit (e.g., daily, weekly). Outline steps or actions needed to incorporate the habit into the user's routine.
🔥4👍1
Media is too big
VIEW IN TELEGRAM
Он создан специально для работы с DS/ML и может создавать не просто фрагменты кода, а целые ноутбуки. Все просто:
1. Нужно подгрузить свои данные
2. Описать цели (например, «визуализируй», «проведи EDA», «напиши и оптимизируй модель предсказания таргета»)
3. Сидеть и наслаждаться тем, как агент сам пишет и запускает ячейки, импортирует нужные библиотеки и совершенствует свой код
Кстати, на бенчмарке DABStep (он как раз оценивает способности анализировать дату) агент занял четвертое место, сразу после o1, o3-mini и Claude, а это довольно мощный уровень.
Доступно для всех юзеров
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥3👍1🫡1
В мире статистики выбросы — это значения, которые значительно отличаются от остальных наблюдений в наборе данных. Иногда они могут быть ошибками, а иногда — реальными аномалиями. Как же понять, что эти данные — выбросы? Здесь на помощь приходит тест Граббса.
Тест Граббса используется для выявления одного выброса в наборе данных. Он помогает обнаружить самые экстремальные значения, которые могут искажать анализ.
Он проверяет, насколько крайнее значение отклоняется от остальных данных.
Процесс включает:
1. Рассчитаем среднее значение (среднее арифметическое) и стандартное отклонение для всех наблюдений.
2. Определим максимально удалённое значение от среднего.
3. Проведем статистическую проверку, чтобы понять, насколько вероятно, что это значение — выброс.
- Для небольших выборок (до 30 наблюдений).
- Когда нужно точно определить, не является ли крайнее значение ошибкой измерений или реальным выбросом.
#статистика #анализданных #тестГраббса #выбросы
Please open Telegram to view this post
VIEW IN TELEGRAM
🫡4👍2🔥1
Matplotlib — это мощная библиотека для визуализации данных, позволяющая создавать как статичные графики, так и анимации и интерактивные визуальные представления. Основная идея — разделение на фигуры (целые окна или страницы) и оси (отдельные графики), что позволяет комбинировать несколько визуальных элементов в одном окне.
Основные возможности
* Линейные графики: для отображения трендов (например, изменения синусоиды со временем).
* Точечные диаграммы (scatter plots): для изучения взаимосвязей между переменными.
* Гистограммы: для анализа распределения данных.
Тепловые карты (heatmaps): для выявления паттернов в двумерных данных.
Помимо статичных изображений, Matplotlib позволяет создавать анимированные графики с помощью модуля animation и интерактивные визуализации, особенно если использовать его вместе с инструментами вроде ipywidgets.
Ты можешь детально настраивать цвета, подписи, легенды и многое другое, чтобы визуализация точно передавала нужное сообщение.
Визуализация — это ключ к пониманию сложных наборов данных. Она помогает:
- Обнаруживать закономерности и аномалии: график может быстро показать тренды и выбросы.
- Коммуницировать инсайты: хорошо продуманный график облегчает донесение результатов исследований до аудитории.
- Принимать решения: визуальное представление данных служит отличной базой для обоснованных решений в бизнесе и науке.
Визуализация — это мост между сложными данными и ясным пониманием их сути. Matplotlib предоставляет все необходимые инструменты для создания красивых и информативных графиков, а его гибкость позволяет адаптировать визуализации под любые нужды. Если ты хочешь создавать не просто графики, а настоящие визуальные истории, обязательно дай шанс Matplotlib!
#Python#Matplotlib#DataVisualization#DataScience#Аналитика
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4🔥2🫡1
This media is not supported in your browser
VIEW IN TELEGRAM
OpusClip ReframeAnything — превращает длинные видео в готовый контент для соцсетей
Нейросеть сама вырезает из роликов самые важные моменты и собирает из них короткие клипы для публикации.
Больше не нужны монтажные навыки — загружаешь видео, и через пару минут получаешь готовый результат, оптимизированный под соцсети.
Пробуем тут
Нейросеть сама вырезает из роликов самые важные моменты и собирает из них короткие клипы для публикации.
Больше не нужны монтажные навыки — загружаешь видео, и через пару минут получаешь готовый результат, оптимизированный под соцсети.
Пробуем тут
👏4👍1
В мире технологий и оптимизации появляются все более сложные задачи, которые традиционные методы не всегда могут решить. Одним из таких решений являются эволюционное и метагенетическое программирование — подходы, вдохновленные процессами биологической эволюции. Давайте разберёмся, как они работают и где могут быть полезны.
Эволюционное программирование (ЭП) — это метод, в котором компьютеры ищут лучшие решения, подражая процессам, происходящим в природе. Представьте, что у нас есть несколько "решений" какой-то задачи, как в биологической популяции. Эти решения развиваются через три основных шага:
1. Отбор: Выбираются лучшие решения.
2. Мутация: Случайным образом меняются элементы решения для улучшения.
3. Заменяем: Новые решения, которые оказались более эффективными, заменяют старые.
Пример 1: Оптимизация маршрутов доставки товаров. Компания, которая доставляет товары по городу, использует эволюционное программирование, чтобы найти лучший маршрут. Каждый маршрут — это решение, которое может быть улучшено с помощью мутаций (например, изменение порядка остановок или добавление другого пути). Со временем система "выбирает" самый быстрый и экономичный маршрут.
Пример 2: Настройка гиперпараметров для нейронной сети. В машинном обучении важно правильно настроить параметры модели, такие как скорость обучения или количество слоёв. ЭП помогает найти оптимальные гиперпараметры, изменяя их случайным образом и выбирая наиболее эффективные из них.
Метагенетическое программирование
Метагенетическое программирование (МГП) — более сложный подход, где сама программа может изменять свой алгоритм для поиска решений. Это позволяет создавать более гибкие и адаптивные системы. В отличие от ЭП, где мы изменяем только решение, в МГП меняется сам процесс поиска.
1. Создание программы: Генерация нескольких алгоритмов для поиска решения.
2. Эволюция алгоритмов: Программы изменяются и улучшаются в процессе работы.
3. Использование алгоритмов: На основе изменений алгоритмов выбирается наилучший для решения задачи.
Пример 1: Рекомендательные системы в интернет-магазине. В интернет-магазине необходимо предсказать, какие товары заинтересуют каждого клиента. МГП позволяет системе рекомендаций адаптироваться к изменяющимся интересам пользователей. Алгоритмы, учитывающие покупки и поведение пользователей, изменяются в реальном времени, чтобы всегда предлагать актуальные товары.
Пример 2: Генерация адаптивных стратегий для ботов в играх. В играх боты должны адаптироваться к действиям игрока. МГП позволяет ботам менять свои стратегии, например, если они замечают, что атакующая тактика неэффективна, они могут переключиться на более осторожную. Таким образом, боты становятся умнее и игра становится интересней.
Основные различия:
* Сложность: Эволюционное программирование проще и используется для оптимизации решений, в то время как метагенетическое программирование сложнее, так как оно изменяет сами алгоритмы.
* Применение: ЭП идеально подходит для задач, где нужно найти лучшее решение среди множества вариантов (например, оптимизация маршрутов), а МГП — для создания гибких, адаптирующихся систем, которые постоянно совершенствуются (например, рекомендательные системы или игры).
Эти методы открывают новые горизонты в разработке умных систем и оптимизации процессов. В условиях, когда мир меняется быстрее, чем когда-либо, умение адаптироваться и оптимизировать процессы становится всё более важным. Эволюционное и метагенетическое программирование — это мощные инструменты, которые помогают не только решать текущие задачи, но и создавать системы, способные эволюционировать вместе с изменяющимся миром.
#ЭволюционноеПрограммирование #МетагенетическоеПрограммирование #ИИ
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6👍2🫡1
Если ты работаешь с графиками в Python, то наверняка сталкивался с некрасивыми подписями на осях – слишком много знаков после запятой или неудобные числа.
Сегодня разберем FormatStrFormatter – простой инструмент, который помогает красиво оформлять числа на осях!
Это специальный класс в matplotlib.ticker, который позволяет форматировать подписи осей (X и Y) с помощью строковых шаблонов.
💡 Пример использования:
# 📌 Импортируем библиотеки
import matplotlib.pyplot as plt # Графики
import numpy as np # Математика
from matplotlib.ticker import FormatStrFormatter # Формат подписей
# 📌 Создаем данные
x = np.linspace(0, 10, 100) # 100 точек от 0 до 10
y = np.sin(x) * 10 # Синус увеличенный в 10 раз
# 📌 Создаем график
fig, ax = plt.subplots()
ax.plot(x, y, label="Синус волна") # Линия на графике
# 📌 Форматируем оси X и Y
ax.xaxis.set_major_formatter(FormatStrFormatter('%.1f')) # X с 1 знаком после запятой
ax.yaxis.set_major_formatter(FormatStrFormatter('%.2f')) # Y с 2 знаками после запятой
# 📌 Добавляем подписи и заголовок
ax.set_xlabel("Ось X (1 знак после запятой)")
ax.set_ylabel("Ось Y (2 знака после запятой)")
ax.set_title("📊 График с форматированными осями")
# 📌 Показываем график
plt.legend()
plt.show()
x = np.linspace(0, 10, 100) # 100 точек от 0 до 10
y = np.sin(x) * 10 # Считаем синус и увеличиваем масштаб
🔹 np.linspace(0, 10, 100) – равномерно создаем 100 точек.
🔹 np.sin(x) * 10 – вычисляем синус и увеличиваем масштаб.
fig, ax = plt.subplots()
ax.plot(x, y, label="Синус волна")
🔹 fig, ax = plt.subplots() – создаем область для графика.
🔹 ax.plot(x, y, label="Синус волна") – строим линию.
ax.xaxis.set_major_formatter(FormatStrFormatter('%.1f')) # X: 1 знак после запятой
ax.yaxis.set_major_formatter(FormatStrFormatter('%.2f')) # Y: 2 знака после запятой🔹 '%.1f' – форматирует ось X, оставляя 1 знак после запятой.
🔹 '%.2f' – форматирует ось Y, оставляя 2 знака после запятой.
ax.set_xlabel("Ось X (1 знак после запятой)")
ax.set_ylabel("Ось Y (2 знака после запятой)")
ax.set_title(" График с форматированными осями") plt.legend() # Показываем легенду
plt.show() # Выводим график
🔹 plt.legend() – показывает подпись графика ("Синус волна").
🔹 plt.show() – отображает график.
🔧 Дополнительные форматы FormatStrFormatter
ax.xaxis.set_major_formatter(FormatStrFormatter('%d%%')) # X в процентах
ax.yaxis.set_major_formatter(FormatStrFormatter('$%.2f')) # Y в долларахPlease open Telegram to view this post
VIEW IN TELEGRAM
🔥4👏1😱1🫡1
Если ты работаешь с таблицами в Pandas, то группировка groupby() и агрегирующие функции – твои лучшие друзья. Разбираем, что это такое и как запомнить!
🔷 Как это работает?
Когда у тебя есть большой DataFrame, ты можешь сгруппировать его по какому-то признаку и посчитать нужные показатели.
Формула:
df.groupby('ПО ЧЕМУ ГРУППИРУЕМ')['ЧТО СЧИТАЕМ'].ЧТО ДЕЛАЕМ()🔹 Разбираем каждый элемент:
- sum() – сумма
- mean() – среднее
- min() – минимум
- max() – максимум
- count() – количество
🔷 Примеры
df.groupby('Категория')['Цена'].sum()Вывод:
Категория
Овощи 70
Фрукты 150
✅ Группа "Овощи" = 30 + 40 = 70
✅ Группа "Фрукты" = 100 + 50 = 150
df.groupby('Категория')['Цена'].mean()Вывод:
Категория
Овощи 35.0
Фрукты 75.0
✅ Средняя цена фруктов = (100 + 50) / 2 = 75
#pandas #python #dataanalysis #groupby #разбор
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5🌭2💯1