📚 Бесплатные материалы для изучения статистики и проведения A/B тестов:

В одном из постов у меня спросили про изучения статистике, есть много платных и бесплатных материалов и как правило бесплатные материалы ничем не уступают платным.

Я собрал видеокурсы и книги, которые можно найти в интернете абсолютно бесплатно и делюсь с вами, чтобы вы могли себе сохранить этот список:

Видеокурсы (видеоматериалы): 🔵
1) Основы статистики Ч.1 и Основы статистики Ч.2
2) Бесплатный курс «Основы статистики и A/B-тестирования»
3) Интенсив A/B Week от Яндекса
4) Вероятность и статистика с Глебом Михайловым
5) Введение в статистику от SophiStat
6) Прикладная статистика от Академии Аналитиков Авито

Книги: 🔵
1) Владимир Савельев — Статистика и котики
2) Дарелл Хафф — Как лгать при помощи статистики
3) Эндрю Сигел — Практическая бизнес-статистика
4) Чарльз Уилан — Голая стаистика
5) Сара Бослаф — Статистика для всех

Итог:

🍸 Если хотите, чтобы я собрал аналогичную подборку по Python, SQL или другим темам, напишите об этом в комментариях!
❤️Поддержать канал бустами, чтобы у автора появился дополнительный функционал можно - здесь (это бесплатно и доступно с подпиской telegram premium)

❓ Пользовались какими-то из этих материалов? Что бы добавили в подборку?
✔️ Подпишитесь на канал, чтобы не пропустить следующие посты.

Сделал сайт - оцените:
🚬 Вопросы, обучение, консультации

@dima_sqlit

💯 SQL-лайфхаки — номера в GROUP BY и как избежать целых чисел в расчётах при делении:

Группировка в SQL: по именам и по номерам столбцов 🔵
В SQL при группировке часто повторяешь длинные названия столбцов. Можно проще — использовать номера столбцов из списка SELECT.

Пример с именами столбцов:

SELECT order_date, customer_city, COUNT(*)
FROM orders
GROUP BY order_date, customer_city

То же самое с номерами столбцов:

SELECT order_date, customer_city, COUNT(*)
FROM orders
GROUP BY 1, 2  -- 1 и 2 — это первый и второй столбцы в SELECT

Так код короче и удобнее править, особенно если поле одно или много.

Правильное деление: избегаем целочисленного деления 🔵
SQL часто делит целые числа и отбрасывает дроби — 5/2 = 2, а не 2.5. Чтобы получить правильный процент, нужно привести числитель или знаменатель к дробному типу.

Способы:
• Умножить числитель на 100.0 (не на 100, а именно с точкой)
• Привести к float (через CAST)

Пример:

SELECT
    category,
    SUM(sales) AS total_sales,
    SUM(sales) * 100.0 / SUM(all_sales) AS percent -- 100.0 заставит SQL считать дроби
FROM sales
GROUP BY category

Или через CAST:

SELECT
    category,
    SUM(sales) AS total_sales,
    CAST(SUM(sales) * 100 AS DECIMAL(5,2)) / SUM(all_sales) AS percent
FROM sales
GROUP BY category

Итог:
Группировка по номерам столбцов (GROUP BY 1, 2) и явное указание дробного типа при делении (100.0 вместо 100 или через CAST) — два простых приёма, которые экономят время и избавляют от ошибок. Номера столбцов делают код компактнее и удобнее для правок, а правильное деление гарантирует точные проценты и метрики.

🍸 Если зашло, кидайте реакции — пойму, что SQL-трюки нужны!
❤️Поддержать канал бустами, чтобы у автора появился дополнительный функционал можно - здесь (это бесплатно и доступно с подпиской telegram premium)

❓ Знали об этих приёмах раньше или только сейчас узнали? Используете GROUP BY с номерами в работе? Делитесь опытом в комментариях!
✔️ Подпишитесь на канал, чтобы не пропустить следующие посты.

Сделал сайт - оцените:
🚬 Вопросы, обучение, консультации

@dima_sqlit

🤩 Как создать универсальный скрипт в Python, чтобы не перекладывать его между проектами:

Привет!
У всех бывала ситуация: один и тот же скрипт (типа подключения к БД) перекочевывает из проекта в проект. А потом хост меняется или параметры — и бегаешь по всем файлам править. Звучит знакомо? Есть идея получше: создадим свой модуль, который импортируется в любом проекте. Один раз обновил — везде сработало. Разберём на примере с подключением к PostgreSQL, но подойдёт для любых задач.

Представим модуль

connections.py

с функцией подключения:

# connections.py
pg_url = 'postgresql://user:pass@old_host/db'

def connect_db():
    import psycopg2
    return psycopg2.connect(pg_url)

Чтобы импортировать, файл должен лежать в проекте. Но давайте сделаем универсально: положим его в общую папку и используем sys.path.append. Это добавит путь в список поиска модулей Python — и импорт заработает везде.

Шаги: 🔵
1️⃣ Создайте папку, например: /home/dima_sqlit/modules, и перенесите туда

connections.py

2️⃣ В любом проекте добавим путь и импортируем:

import sys
sys.path.append('/home/dima_sqlit/modules')  # Ваш путь к общей папке

from connections import connect_db

conn = connect_db()
cursor = conn.cursor()
cursor.execute("SELECT * FROM data LIMIT 10")
data = cursor.fetchall()  # Готово для анализа!

3️⃣ Тестируем: Изменили хост в модуле — перезапустили скрипты в проектах. Всё подхватило автоматически, без правок в каждом файле. Красота!

Итог:
Универсальный скрипт — один файл, импорт везде, обновления без хлопот. Идеально для утилит, которые часто применяются.
Внедрите — сэкономите часы своего времени!

🍸 Если зашло, кидайте реакции — пойму, что Python-трюки нужны!
❤️Поддержать канал бустами, чтобы у автора появился дополнительный функционал можно - здесь (это бесплатно и доступно с подпиской telegram premium)

❓ Как вы храните общие скрипты — копипастите или централизованно? Делитесь в комментариях!
✔️ Подпишитесь на канал, чтобы не пропустить следующие посты.

Сделал сайт - оцените:
🚬 Вопросы, обучение, консультации

@dima_sqlit

👍Матемарткетинг - мой первый раз. День 1:

Сегодня мой первый раз, как я побывал на Матемаркетинге.

Что успел сделать:🔵

• Посмотреть несколько выступлений (ниже написал, какое зашло больше всего)
• Набрать мерча и походить по стендам (смотрим фото в комментариях)
• Пообщаться
• И просто хорошо провести время 🍆

Какое выступление зашло больше всего? 🔵

Выступление Алёны Артемьевой с темой "Как рационально использовать нерациональное поведение клиентов и повысить эффективность маркетинга, продукта и продаж".

Почему именно оно: ♟
• Мысли которые доносила Алёна я тоже разделяю, она говорила о том, что аналитикам нужно изучать психологию, чтобы понимать, как люди принимают решение.
• Она рассказала про когнитивные искажения, про то, что человеческий мозг не любит тяжелые системы и именно по этому когда люди видят большой выбор теряются. Лучше сделать маленький ассортимент, а не раздувать предложения.
• Про легкость восприятия тоже согласен. Продукт должен быть интуитивно понятным, так человек видит легкость и скорее купит, чем нет.
• Ну и показ случаев, когда мы ловим когнитивные искажения и как они влияют на наш выбор, например, какой текст вас цепляет больше:
— 80% наших пользователей ощутили результат уже в первую неделю.
— только 20% пользователей не ощутили на себе никаких изменений в первую неделю.

Думаю, что все однозначно выбрали первый вариант. В общем я с ней полностью солидарен, чтобы качественно выстраивать продукт и аналитику нужно изучать нейромаркетинг.

Завтра будет второй день, посмотрим, что будет еще интересного) ⚪️


Ну и отдельное спасибо моей компании за предоставленную возможность 🛒

🍸 Кидайте реакции — пойму, что лайф вам тоже интересен!
❤️Поддержать канал бустами, чтобы у автора появился дополнительный функционал можно - здесь (это бесплатно и доступно с подпиской telegram premium)

❓ А вы были на МатеМаркетинге или других конференциях? Поделитесь в комментариях
✔️ Подпишитесь на канал, чтобы не пропустить следующие посты.

Сделал сайт - оцените:
🚬 Вопросы, обучение, консультации

@dima_sqlit

📊 Бесплатные материалы для изучения визуализации данных:

Недавно в комментариях меня спросили про ресурсы для изучения визуализации. Материалов много — и платных, и бесплатных — и, как это часто бывает, бесплатные ничем не уступают платным.

Я собрал набор видеокурсов и книг, которые можно найти в открытом доступе. Сохраняйте себе, чтобы не потерять 👇


Видеокурсы (видеоматериалы): 🔵

Python (matplotlib):
1) Практикум по математике и Python
2) Deep Learning (семестр 1, осень 2025)
3) Готовые notebook на kaggle

Системы BI:
1) DataLens: анализ и визуализация данных
2) Симулятор SQL (от Карпова) [там есть отдельный блок про визуализацию в Redash]


Excel:
1) БАЗА. Основы визуализации данных в Excel

Книги:
1) Графики, которые убеждают всех (Александр Богачёв)

🤔 Подборку бесплатных материалов по статистике смотрите в этом посте

Итог:

🍸 Если хотите, могу собрать аналогичные подборки по Python, SQL или другим темам — просто напишите в комментариях!
❤️Поддержать канал бустами, чтобы у автора появился дополнительный функционал можно - здесь (это бесплатно и доступно с подпиской telegram premium)

❓ Пользовались ли вы этими материалами? Что посоветуете добавить?
✔️ Подпишитесь на канал, чтобы не пропустить следующие посты.

Сделал сайт - оцените:
🚬 Вопросы, обучение, консультации

@dima_sqlit

📚 Бесплатные материалы для изучения SQL — от азов до продвинутых тем:

Продолжаю делиться бесплатными материалами.
Сегодня на очереди SQL.

Видеокурсы (видеоматериалы): 🔵

1) Интерактивный тренажер по SQL
2) Симулятор SQL (от Карпова)
3) ClickHouse с нуля (Курс - чтобы понять особенности ClickHouse от других СУБД)
4) Тестовые по SQL (Глеб Михайлов) [для насмотренности]
5) Бесплатный курс «Основы SQL» (от Simulative)

Итог:

🍸 По каким инструментам вам хочется увидеть ещё бесплатные подборки? Просто напишите в комментариях!
❤️Поддержать канал бустами, чтобы у автора появился дополнительный функционал можно - здесь (это бесплатно и доступно с подпиской telegram premium)

❓ Пользовались ли вы этими материалами? Что ещё добавить в подборку?
✔️ Подпишитесь на канал, чтобы не пропустить следующие посты.

Сделал сайт - оцените:
🚬 Вопросы, обучение, консультации

@dima_sqlit

⚡️ Как ускорить ad-hoc аналитику с помощью Streamlit:

В ад-хоке мы часто делаем одно и то же: выгрузили данные → отфильтровали → построили график → отправили.
Каждый раз заново.
И именно на это уходит больше всего времени.

Python позволяет автоматизировать почти любую рутину, но запуск скриптов — это всегда не самый удобный формат. Что если сделать проще: добавить к вашему Python-коду фильтры, селекторы, кнопки и всё это завернуть в аккуратный UI?

Streamlit ровно для этого и нужен — он позволяет превращать обычный код в небольшой аналитический инструмент, который экономит время и ускоряет ad-hoc аналитику без BI-систем

Если вы ещё не пробовали, я нашёл одно максимально понятное видео, которое позволит быстро освоить данный инструмент 👇

🟢 Видео здесь

Что полезного разберёте:
• как запустить Streamlit и превратить скрипт в веб-интерфейс
• как добавить кнопки, селекторы
• как выводить графики
• как бесплатно задеплоить инструмент в общий доступ
• прийдет понимание как использовать Streamlit именно для аналитики


Итог:
Streamlit — отличный способ перестать делать ad-hoc «вручную» и собрать быстрый инструмент под любую задачу.
Видео — хороший старт, сохранить точно стоит.

🎁 Бонус:
Оставил вам готовый Python-файл и CSV-пример, чтобы вы могли сразу попробовать Streamlit и повторить инструмент с картинки из поста (смотрим комментарии и ставим много реакций).

🍸 Если формат быстрых разборов инструментов вам заходит — накидайте реакций!
❤️Поддержать канал бустами, чтобы у автора появился дополнительный функционал можно - здесь (это бесплатно и доступно с подпиской telegram premium)

❓ Уже делали свои Streamlit-инструменты? Расскажите!
✔️ Подпишитесь на канал, чтобы не пропустить следующие посты.

Сделал сайт - оцените:
🚬 Вопросы, обучение, консультации

@dima_sqlit

🐍 Бесплатные материалы для изучения Python — базовый минимум для аналитики:

Продолжаю делиться бесплатными материалами.
Сегодня на очереди Python — язык, который нужен всем: аналитикам, дата-сайентистам, инженерам и просто тем, кто хочет автоматизировать рутину.

Курсы по Python:
1) Поколение Python: курс для начинающих
2) Поколение Python: курс для продвинутых
3) Бесплатный курс по Pandas (от Simulative)
4) Анализ Данных на Python и Pandas (Глеб Михайлов)

Итог:

🍸 Вроде рассмотрел все что просили или есть еще какие-то предложения? Напишите в комментариях!
❤️Поддержать канал бустами, чтобы у автора появился дополнительный функционал можно - здесь (это бесплатно и доступно с подпиской telegram premium)

❓ Пользовались ли вы этими материалами? Что посоветуете добавить?
✔️ Подпишитесь на канал, чтобы не пропустить следующие посты.

Сделал сайт - оцените:
🚬 Вопросы, обучение, консультации

@dima_sqlit

🗒 Оптимизация SQL запросов: что такое партиции и индексы простыми словами. Часть 1

На собеседованиях часто спрашивают:
«Какие методы оптимизации SQL-запросов вы знаете?»

И спрашивают не зря. При работе с большими объёмами данных с этим сталкиваешься постоянно. В этом посте разберём базовые вещи — что такое партиционирование и индексирование и как они работают на уровне идеи. Практические примеры будут во второй части.

1) Что такое партиции? 🟢
• Представим таблицу, в которой хранятся списания клиентов банка. Объём данных там огромный. Часто кажется, что достаточно просто написать фильтр по дате, и всё будет быстро. Но если таблица большая, SQL начнёт читать её целиком — строка за строкой, проверяя условие у каждой записи. Это полный скан таблицы, и он дорогой.

• Теперь представим жизненный пример. У вас есть тысячи фотографий. Обычно люди раскладывают их по годам. И если нужно посмотреть фотографии за конкретный год, вы не открываете все остальные — сразу идёте в нужную папку и экономите время.

• Партиционирование работает точно так же. Таблица физически делится на части — партиции. Чаще всего это делают по дате. В итоге, когда мы хотим посчитать списания клиента за конкретный месяц, запрос сразу идёт только в нужный диапазон дат и не читает всё остальное. На больших объёмах данных это даёт очень ощутимый прирост.

2) Что такое индексы? 🟢
• Продолжим аналогию с фотографиями. Мы уже разложили фото по годам — стало быстрее. Но допустим, в одном году фотографий всё равно очень много, и мы хотим найти конкретные — например, с дня рождения.

• Было бы удобно иметь файл с описанием, где написано:
фото 1–10 — путешествие
фото 20–25 — день рождения
фото 40–50 — работа
По сути, это содержание книги. Именно так работают индексы.

• Индекс — это отдельная структура, которая хранит значения столбца и знает, где физически лежат строки с этими значениями. Когда в запросе используется условие в WHERE или JOIN, база данных сначала смотрит в индекс, а затем читает только нужные строки, а не всю таблицу.

• Важно понимать: индекс не уменьшает объём данных, он ускоряет поиск внутри них.

3) Партиции и индексы вместе: 🟢
• Теперь картинка складывается полностью.
Партиционирование помогает не читать лишние данные.
Индексы помогают быстро находить нужные строки.

• На практике часто делают так: таблицу партиционируют, например, по дате, а внутри каждой партиции создают индексы.

Итог:

Партиционирование физически делит большую таблицу на части.
Индексы ускоряют поиск данных внутри таблицы или партиции.
Это разные инструменты, которые дополняют друг друга.

❤️Поддержать канал бустами, чтобы у автора появился дополнительный функционал можно - здесь (это бесплатно и доступно с подпиской telegram premium)
❓ А вы в своей работе чаще используете индексы или партиционирование?
✔️ Подпишитесь на канал, чтобы не пропустить следующие посты.

Провожу консультации (подробности здесь):
🚬 Вопросы, обучение, консультации

@dima_sqlit

🎉 Итоги года и большое спасибо вам:

Хочу подвести итоги года и просто сказать спасибо.

Канал я начал активно вести с начала июля этого года.
Цель была максимально простая и понятная — набрать 1000 подписчиков до конца года.
И мы с вами эту цель перевыполнили.🚬

Почему вы не видели постов про 500 или 1000 подписчиков? 🤩
Я сознательно их пропускал и ждал одно конкретное число.

📊 1106 человек. Почему именно оно для меня важно:
• По данным на 1 декабря 2025 года, именно столько населения в поселении, откуда я родом
• И получается, что мы с вами здесь собрали больше людей, чем живёт в месте, где я вырос

Если честно — это просто вау.
Очень сильное ощущение масштаба и ценности того, что происходит.

Отдельно хочу отметить, что результат был достигнут: 💡
• без рекламы
• только взаимный пиар, комментарии и контент

Для меня это показатель, что формат и темы действительно вам откликаются.

Что дальше? ☺️
Хочется развивать канал и делать его ещё полезнее, поэтому очень важно ваше мнение.

Что бы вы хотели видеть больше: 🔨
• больше SQL / Python / аналитики
• больше разборов задач и собесов
• больше life-контента
• или есть другие идеи — пишите, всё читаю

Ну и, конечно, поздравляю вас с наступающим Новым годом 🎄
Спасибо, что читаете, комментируете и поддерживаете — это реально мотивирует продолжать.

🍆 Принимаю поздравления в комментариях — считаю, что результат действительно хороший.
❤️Поддержать канал бустами, чтобы у автора появился дополнительный функционал можно - здесь (это бесплатно и доступно с подпиской telegram premium)
✔️ Подпишитесь на канал, чтобы не пропустить следующие посты.

Провожу консультации (подробности здесь):
🚬 Вопросы, обучение, консультации

@dima_sqlit

❔ Ловушка оператора OR в SQL и Python:

Мало кто понимает, что OR — ленивый оператор, который проверяет условия слева направо и останавливается на первом истинном.
Звучит как оптимизация, но может сыграть злую шутку, если этого не знать.

Как работает ленивое вычисление? 😀

Когда Python или SQL видит OR, он работает так:
• Проверяет первое условие слева
• Если оно истинно — возвращает результат и останавливается
• Если ложно — идёт проверять второе условие

Простыми словами: как только нашёл хоть одну правду — всё, дальше не смотрит. Это экономит ресурсы, но может пропустить важную логику.

Пример проблемы в Python: 🟢

Представим: мы проверяем пользователя — есть ли у него права админа или он прошёл дополнительную проверку безопасности.

def is_admin(user):
    print("Проверяем права админа")
    return user == 'admin'

def security_check(user):
    print("Запускаем проверку безопасности")
    # Тут могла быть запись в лог, отправка в аналитику и т.д.
    return True

# Проверяем пользователя
user = 'admin'
access = is_admin(user) or security_check(user)
print(f"Доступ: {access}")

Вывод:

Проверяем права админа
Доступ: True

Проблема: Функция security_check() вообще не запустилась. Python увидел, что is_admin() вернул True, и дальше не пошёл. А там могла быть важная логика — запись в лог, отправка метрики, валидация. Всё это пропустилось из-за особенности работы оператора OR.
​
Пример проблемы в SQL: 🟢

Представим таблицу users с миллионом записей. Хотим найти пользователей, которые либо из Москвы, либо потратили больше 100 тысяч рублей.

SELECT
    user_id,
    city,
    total_spent
FROM users
WHERE
    1=1
    AND (calculate_total_spent(user_id) > 100000  -- Тяжёлая функция
   OR city = 'Moscow');

Проблема: Функция calculate_total_spent() очень дорогая — считает сумму по всем заказам пользователя. Если поставить её первой, она будет вычисляться для каждой строки. А если бы мы поставили city = 'Moscow' первым — для москвичей функция могла бы не считаться.

Важно: В SQL такая логика оператора OR не гарантирована стандартом. PostgreSQL и другие СУБД могут переставить условия или выполнить их параллельно. Оптимизатор сам решает, в каком порядке проверять.

Итог:
Оператор OR останавливается на первом истинном условии. В Python это гарантировано и работает всегда. В SQL — не гарантировано, оптимизатор может переставить условия.

❤️Поддержать канал бустами, чтобы у автора появился дополнительный функционал можно - здесь (это бесплатно и доступно с подпиской telegram premium)
❓ Сталкивались с такими проблемами? Знали про отличия между Python и SQL? Делитесь в комментариях!
✔️ Подпишитесь на канал, чтобы не пропустить следующие посты.

Обучаю АНАЛитике и Провожу консультации (подробности здесь):
🚬 Вопросы, обучение, консультации

@dima_sqlit

⚡️Пошаговый план: как получить оффер на аналитика в 2026 году?

Ребята, приглашаю на бесплатный вебинар, где Андрон Алексанян - эксперт в области аналитики и CEO школы аналитики Simulative — в прямом эфире разберет все важные аспекты в работе аналитика, а также расскажет как получить оффер быстрее других.

Это очень полезное событие для тех кто только зашел в аналитику и для тех, кто хочет в нее зайти в ближайшее время. Особенно если вы не понимаете, какие навыки действительно важны или боитесь, что без опыта вас не возьмут на работу. Кстати тут разберут и возрастной аспект: как стать аналитиком в 30/40/50 лет и т.д.

На вебинаре будет:
🟠Разберем полный роадмап: что учить, в каком порядке, до какого уровня;
🟠Структура хорошего портфолио с примерами;
🟠Что говорят реальные наниматели - какие у них сейчас требования:

— Покажем реальные примеры, как оформить резюме и портфолио, чтобы привлекать внимание;
— Обсудим какие отклики работают, а какие сразу отправляют в корзину;
— Изнанка найма: инсайдерский взгляд на процессы отбора

🟠 Практические техники для новичков: разберём, как компенсировать недостаток опыта и быстро закрывать пробелы в знаниях.

💬 Всем зарегистрировавшимся Simulative пришлют полезный материал — карту компетенций аналитика данных со всеми нужными инструментами для освоения.

😶Зарегистрироваться на бесплатный вебинар

🥰 Как эффективно искать работу на HeadHunter — без массовых откликов и скриптов:

Слышал от многих, что на hh.ru нужно отправлять по 50+ откликов в день и даже скрипты для этого пишут.
Но давайте честно: массовые отклики — это ,большая потеря энергии. Лучше точечно находить компании, где действительно хочется работать.

Разберёмся пошагово, как это делать правильно.

1️⃣Шаг 1: Составьте свой чек-лист требований:

Возьмите ручку и листок (или заметки в телефоне — не важно) и напишите, что для вас критично:
• Выдача техники (MacBook, монитор)
• Наличие IT-аккредитации у компании
• Конкретные технологии: SQL, Python, Superset, Redash, А/Б-тесты
• Полная удалёнка или гибрид
• ДМС и другие плюшки

2️⃣ Шаг 2: Используйте продвинутый поиск с AND/OR:

Большинство ищет просто «аналитик данных» — и получает сотни нерелевантных вакансий.
А можно искать точечно, используя логические операторы прямо в строке поиска hh.ru.

Пример запроса:

Python AND Superset

Вернёт только те вакансии, где упоминаются оба инструмента.

Ещё круче:

SQL AND Python AND (ДМС OR удалённо)

Найдёт вакансии, где обязательно есть SQL и Python, плюс либо ДМС, либо удалёнка.

Это работает как WHERE в SQL — комбинируйте условия под себя.

3️⃣ Шаг 3: Пишите сопроводительное письмо под вакансию:

Нашли интересную вакансию — не отправляйте просто резюме.
Напишите короткое сопроводительное письмо:
• Приветствие
• Почему вам интересна эта вакансия (технологии, продукт, команда)
• Какой релевантный опыт у вас есть
• Контакты для связи
• И т.д.

Это займёт 10 минут, но выделит вас среди сотни откликов с пустым полем.

4️⃣ Шаг 4: Резюме решает:

Даже крутое сопроводительное не спасёт, если резюме составлено плохо.
Обновляйте его регулярно — это поднимает его в поиске у работодателей.

Если нужна помощь с составлением резюме / сопроводительного — можете обратиться ко мне @catdem, помогу разобраться. 🚬
Полный список c чем я могу помочь — mentor.dima-sqlit.ru


Итог:

🌟 Пересылайте друзьям и сохраняйте себе данный пост, чтобы не потерять.
❤️Поддержать канал бустами, чтобы у автора появился дополнительный функционал можно - здесь (это бесплатно и доступно с подпиской telegram premium)
✔️ Подпишитесь на канал, чтобы не пропустить следующие посты.

@dima_sqlit

👨‍💻 Подведу итоги канала при помощи сервиса, как многие это делают, а я не отстают от тренда)

Начнем сразу с ТОП 3 поста по реакциям:
1️⃣Итоги года и большое спасибо вам
2️⃣ Как посчитать медиану в SQL — разберем задачу с собеседования
3️⃣ Казалось бы, агрегатные функции в SQL (SUM, AVG, COUNT) просто считают значения — что тут сложного? Но есть скрытая ловушка: как они ведут себя с NULL?

Для тех кто вкатывается в IT (Аналитика данных), серия постов про бесплатные материалы:
1️⃣Бесплатные материалы для изучения статистики и проведения A/B тестов
2️⃣Бесплатные материалы для изучения визуализации данных
3️⃣Бесплатные материалы для изучения SQL — от азов до продвинутых тем
4️⃣Бесплатные материалы для изучения Python — базовый минимум для аналитики

ТОП 5 - Полезных постов по моему мнению:
1️⃣Повышаем продуктивность в Jupyter Notebook - мой личный топ горячих клавиш
2️⃣Как забирать данные из Google Sheets по API через Python
3️⃣ Копируем данные из DataFrame к себе в буфер обмена без лишних шагов с сохранением файлов
4️⃣ Как за 400 рублей в год получить доступ к Claude, ChatGPT, Gemini и Grok через Perplexity и без использования VPN
5️⃣ Как эффективно искать работу на HeadHunter — без массовых откликов и скриптов

☺️ Коротенькие итоги этого года:
🟠Спасибо, что остаетесь и подписывайтесь на канал, в следующем году постараюсь, делать как минимум не хуже, чем в этом (буду ждать от вас комментарии, что можно улучшить и чего по вашему мнению не хватает в блоге).
🟠В частности есть мысль, чтобы создать второй канал под life контент (спорт, покупки и т.п.). Хочется услышать ваше мнение (спойлер канал уже создан, но пока не знаю стоит ли делать под это отдельный канал, по моим ощущениям - стоит)
🟠В этом году открыл для себя направления менторства, всегда нравилось обучать кого-то и объяснять "сложное" простыми словами и при этом я тоже сам учусь
🟠Сделал интересные покупки в этом году, собираюсь это осветить чуть позже в канале (в этом или новом)
🟠Взял за практику стараться раз 1-1.5 месяца менять обстановку
🟠И т.д.

❓ А что вы поняли и сделали за этого год и что собираетесь осуществить в следующем ?

@dima_sqlit

#winter #winter2025 #итогигода #итоги2025 #christmas #NY #newyear