Внимание, друзья! 🎓
Сегодня поговорим о словарях Python! 🐍📚
🤔 Вам когда-нибудь требовалось хранить данные таким образом, чтобы к ним было легко получить доступ или изменить их? В таком случае пригодятся словари!
🔑 Словари похожи на систему хранения, где вы по слову (ключ) находите его определение (значение).
📝 Вот пример того, как создать словарь на Python:
🍎,🍌,🍊 В этом примере у нас есть три ключа (яблоко, банан и апельсин) с соответствующими им значениями (2, 3 и 1).
🔍 Чтобы получить доступ к значению, используй ключ следующим образом:
🔄 Чтобы изменить значение, просто присвой ключу новое значение:
🗑️ Чтобы удалить пару ключ-значение, используй ключевое слово del:
⚡ Вызывает ли работа со словарями у тебя сложности, если да, то задавай вопросы в комментариях!
💻 Если показалось очень легко, то в следующем посте разберем более сложные манипуляции!
#python #словари
Сегодня поговорим о словарях Python! 🐍📚
🤔 Вам когда-нибудь требовалось хранить данные таким образом, чтобы к ним было легко получить доступ или изменить их? В таком случае пригодятся словари!
🔑 Словари похожи на систему хранения, где вы по слову (ключ) находите его определение (значение).
📝 Вот пример того, как создать словарь на Python:
my_dict = {"яблоко": 2, "банан": 3, "апельсин": 1}🍎,🍌,🍊 В этом примере у нас есть три ключа (яблоко, банан и апельсин) с соответствующими им значениями (2, 3 и 1).
🔍 Чтобы получить доступ к значению, используй ключ следующим образом:
my_dict["яблоко"]
# Output: 2
🔄 Чтобы изменить значение, просто присвой ключу новое значение:
my_dict["банан"] = 4
my_dict["банан"]
# Output: 4
🗑️ Чтобы удалить пару ключ-значение, используй ключевое слово del:
del my_dict["апельсин"]
my_dict
Output: {"яблоко": 2, "банан": 4}
⚡ Вызывает ли работа со словарями у тебя сложности, если да, то задавай вопросы в комментариях!
💻 Если показалось очень легко, то в следующем посте разберем более сложные манипуляции!
#python #словари
🔥10❤3👏2
📊 Всем привет! Сегодня поговорим про DataFrame в Pandas
DataFrame в Pandas - это, по сути, таблицы, содержащие данные, и их можно комбинировать различными способами для создания еще более сложных таблиц. 🤓
Чтобы объединить два или более DataFrame, можно использовать методы: concat(), merge() или join(). Эти методы позволяют вам объединять DataFrame на основе определенных критериев, таких как общий столбец или индекс. 🔗
Например, если у вас есть два DataFrame с одинаковыми столбцами, но разными данными, вы можете использовать concat(), чтобы объединить их по вертикали или горизонтали. Если у вас есть два DataFrame с одним общим столбцом, вы можете использовать merge(), чтобы объединить их на основе этого столбца. И если у вас есть два DataFrame с общим индексом, вы можете использовать join(), чтобы объединить их на основе этого индекса. 🧐
Не бойтесь экспериментировать с различными способами объединения ваших DataFrame, чтобы получить нужные вам результаты! 🤗 Удачи! 💪
#pandas
DataFrame в Pandas - это, по сути, таблицы, содержащие данные, и их можно комбинировать различными способами для создания еще более сложных таблиц. 🤓
Чтобы объединить два или более DataFrame, можно использовать методы: concat(), merge() или join(). Эти методы позволяют вам объединять DataFrame на основе определенных критериев, таких как общий столбец или индекс. 🔗
Например, если у вас есть два DataFrame с одинаковыми столбцами, но разными данными, вы можете использовать concat(), чтобы объединить их по вертикали или горизонтали. Если у вас есть два DataFrame с одним общим столбцом, вы можете использовать merge(), чтобы объединить их на основе этого столбца. И если у вас есть два DataFrame с общим индексом, вы можете использовать join(), чтобы объединить их на основе этого индекса. 🧐
Не бойтесь экспериментировать с различными способами объединения ваших DataFrame, чтобы получить нужные вам результаты! 🤗 Удачи! 💪
import pandas as pd
# Создаем два DataFrames
df1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
df2 = pd.DataFrame({'A': [4, 5, 6], 'B': [7, 8, 9]})
# Используем concat() для объединения DataFrames горизонтально
combined_df1 = pd.concat([df1, df2], axis=1)
print(combined_df1)
# Используем concat() to combine two DataFrames вертикально
combined_df2 = pd.concat([df1, df2], axis=0)
print(combined_df2)
# Создаем два DataFrames с общей колонкой
df3 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': ['X', 'Y', 'Z']})
df4 = pd.DataFrame({'A': [2, 3, 4], 'D': [7, 8, 9], 'C': ['Y', 'Z', 'W']})
# Используем merge() для объединения DataFrames на основе общей колонки “C”
combined_df3 = pd.merge(df3, df4, on='C')
print(combined_df3)
# Создаем два DataFrames с общим индексом
df5 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}, index=[10, 20, 30])
df6 = pd.DataFrame({'C': [7, 8, 9], 'D': [10, 11, 12]}, index=[10, 20, 40])
# Используем join() для объединения DataFrames на основе индекса
combined_df4 = df5.join(df6)
print(combined_df4)
#pandas
👍9🔥8❤3
Всем привет! Сегодня продолжим тему словарей и разберем более сложные случаи!
Такие примеры часто встречаются на собеседованиях в части Python.
🔍 Использование метода get()
Метод get() является полезным инструментом при работе со словарями. Он позволяет получить доступ к значению для данного ключа, и если ключ не найден, он возвращает значение по умолчанию.
В этом примере у нас есть список чисел, и мы хотим найти все дубликаты и создать словарь, где ключами являются уникальные числа, а значениями - их частота в списке.
В этом примере мы имитируем бросание игральной кости 100 раз и подсчитываем, сколько раз появляется каждый результат. Мы используем словарь, чтобы отслеживать подсчеты.
Вы можете создать словарь из двух списков, где один список содержит ключи, а другой - значения. Вот пример:
#python #собеседование #словари
Такие примеры часто встречаются на собеседованиях в части Python.
🔍 Использование метода get()
Метод get() является полезным инструментом при работе со словарями. Он позволяет получить доступ к значению для данного ключа, и если ключ не найден, он возвращает значение по умолчанию.
my_dict = {"apple": 2, "banana": 3, "orange": 1}
my_dict.get("apple", 0)
# Output: 2
my_dict.get("kiwi", 0)
# Output: 0
🧹 Нахождение дубликатов (словарное включение)В этом примере у нас есть список чисел, и мы хотим найти все дубликаты и создать словарь, где ключами являются уникальные числа, а значениями - их частота в списке.
numbers = [1, 2, 2, 3, 4, 4, 4, 5, 6, 6, 7]🎲 Подсчет бросаний кубика со словарем
unique_numbers = {num: numbers.count(num) for num in numbers}
print(unique_numbers)
# Output: {1: 1, 2: 2, 3: 1, 4: 3, 5: 1, 6: 2, 7: 1}
В этом примере мы имитируем бросание игральной кости 100 раз и подсчитываем, сколько раз появляется каждый результат. Мы используем словарь, чтобы отслеживать подсчеты.
import random🔑 Создание словаря из двух списков
rolls = [random.randint(1, 6) for _ in range(100)]
counts = {}
for roll in rolls:
counts[roll] = counts.get(roll, 0) + 1
print(counts)
# Output: {1: 16, 2: 18, 3: 18, 4: 21, 5: 15, 6: 12}
Вы можете создать словарь из двух списков, где один список содержит ключи, а другой - значения. Вот пример:
keys = ['apple', 'banana', 'orange']В следующем посте разберем другие методы словарей и как их использовать для решения задач!
values = [2, 3, 1]
my_dict = dict(zip(keys, values))
print(my_dict)
# Output: {'apple': 2, 'banana': 3, 'orange': 1}
#python #собеседование #словари
🔥9❤8👏2
📊🔎🤖 Всем привет, сегодня будем решать задачи с собеседований! Продолжая наше обсуждение словарных методов, давайте взглянем на dictionary comprehension (словарное включение). Словарное включение - это краткий и мощный способ создания словарей на Python.
📝 Словарное включение выполняется по синтаксису, аналогичному списковому включению, но с использованием пар ключ-значение вместо отдельных значений. Вот пример:
🧐 Словарное включение может быть использовано для решения самых разных задач. Вот несколько примеров:
🔍 Задача 1: Преобразуйте список строк в словарь, где ключом является строка, а значением - длина строки.
🔍 Задача 2: Отфильтруйте словарь, чтобы он включал только пары ключ-значение, в которых значение больше 5.
🔍 Задача 3: Создайте словарь, использую словарное включение, на основе списка из чисел, где ключом является число, а его значением квадрат числа!
Если получится решить, то присылай свой код в комментарии, а если нет, то задавай вопросы и всей командой поможем тебе!
#собеседование #python #словари #задача
📝 Словарное включение выполняется по синтаксису, аналогичному списковому включению, но с использованием пар ключ-значение вместо отдельных значений. Вот пример:
my_dict = {key: value for key, value в iterable}🧐 Словарное включение может быть использовано для решения самых разных задач. Вот несколько примеров:
🔍 Задача 1: Преобразуйте список строк в словарь, где ключом является строка, а значением - длина строки.
my_list = ['apple', 'banana', 'cherry']
my_dict = {string: len(string) for string in my_list}
print(my_dict)
# Output: {'apple': 5, 'banana': 6, 'cherry': 6}🔍 Задача 2: Отфильтруйте словарь, чтобы он включал только пары ключ-значение, в которых значение больше 5.
my_dict = {'apple': 3, 'banana': 6, 'cherry': 2, orange: 8}
filtered_dict = {key: value for key, value in my_dict.items() if value > 5}
print(filtered_dict)
# Output: {'banana': 6, orange: 8}🔍 Задача 3: Создайте словарь, использую словарное включение, на основе списка из чисел, где ключом является число, а его значением квадрат числа!
numbers = [1, 2, 3, 4, 5]
squares_dict = {место для кода}
# Output {1: 1, 2: 4, 3: 9, 4: 16, 5: 25}Если получится решить, то присылай свой код в комментарии, а если нет, то задавай вопросы и всей командой поможем тебе!
#собеседование #python #словари #задача
🔥9👍7🥰1
📊Всем привет! Сегодня будет новый формат, где мы по шагам разберем решение рабочей задачи с моими комментариями!
♻А также применим наши знания о словарях из предыдущих постов и познакомимся с новой структурой данных в Python - множества (set).
📝 Если хочешь испытать себя, то реши задачу самостоятельно, пришли решение в комментарии и сравни с моим!
🔍 Задача! Есть список со словарями и нам необходимо найти все уникальные ключи:
💯Решение:
1. Первое, что приходит на ум, это создать цикл и пройтись по списку:
2. Далее, нам необходимо получить доступ к ключам каждого словаря, это можно сделать с помощью метода .keys():
3. Теперь, хотелось бы сохранить эти ключи в список, для этого создадим пустой список result и с помощью метода .extend() добавим ключи:
4. На данном этапе у нас есть список со всеми значениями ключей из словарей и необходимо оставить только уникальные, для этого можно использовать структуру данных Python - множества (set), в которой могут быть только уникальные значения:
🐥Вот такое решение у меня получилось в первом приближение, есть идеи переписать это полностью с использованием множеств и метода .update().
🐊В следующих постах более подробно расскажу множествах и как использовать их в работе и для решения задач на собеседованиях!
👉 Обязательно задавайте вопросы и присылайте свои решения!
🗿Понравился ли такой формат?
#python #словари #множества #работа
♻А также применим наши знания о словарях из предыдущих постов и познакомимся с новой структурой данных в Python - множества (set).
📝 Если хочешь испытать себя, то реши задачу самостоятельно, пришли решение в комментарии и сравни с моим!
🔍 Задача! Есть список со словарями и нам необходимо найти все уникальные ключи:
arr = [{'a': 1, 'b': 2},
{'a': 3, 'b': 4},
{'c': 5}]
💯Решение:
1. Первое, что приходит на ум, это создать цикл и пройтись по списку:
for i in arr:
pass
2. Далее, нам необходимо получить доступ к ключам каждого словаря, это можно сделать с помощью метода .keys():
for i in arr:
i.keys()3. Теперь, хотелось бы сохранить эти ключи в список, для этого создадим пустой список result и с помощью метода .extend() добавим ключи:
result = []
for i in arr:
result.extend(i.keys())
print(result)
#Output ['a', 'b', 'a', 'b', 'c']4. На данном этапе у нас есть список со всеми значениями ключей из словарей и необходимо оставить только уникальные, для этого можно использовать структуру данных Python - множества (set), в которой могут быть только уникальные значения:
result = []
for i in arr:
result.extend(i.keys())
result = set(result)
print(result)
#Output ['a','c','b']🐥Вот такое решение у меня получилось в первом приближение, есть идеи переписать это полностью с использованием множеств и метода .update().
🐊В следующих постах более подробно расскажу множествах и как использовать их в работе и для решения задач на собеседованиях!
👉 Обязательно задавайте вопросы и присылайте свои решения!
🗿Понравился ли такой формат?
#python #словари #множества #работа
❤9🔥9👏3
📊 Давайте поговорим о структуре данных в Python - множество (set) 🐍
🤔 Что такое множество?
Множество - это неупорядоченная коллекция уникальных элементов. Проще говоря, это похоже на список, но без дубликатов.
🤓 Вот некоторые методы множества:
add() - добавляет элемент в набор
remove() - удаляет элемент из набора
intersection() - возвращает пересечение двух наборов
union() - возвращает объединение двух наборов
👨💻 Вот пример кода:
🎉 Множества являются полезным инструментом при анализе данных, поскольку они позволяют нам легко удалять дубликаты и выполнять операции на много быстрее, чем со списками. Поэтому в следующий раз, когда вы столкнетесь с дублирующимися данными, попробуйте использовать множества!
❓Вопрос: что будет если с помощью метода .add() добавить в множество уже имеющийся элемент? Пиши ответ в комментариях! В следующем посте раберем на сколько множество быстрее, чем списки!
#python #множества #set
🤔 Что такое множество?
Множество - это неупорядоченная коллекция уникальных элементов. Проще говоря, это похоже на список, но без дубликатов.
🤓 Вот некоторые методы множества:
add() - добавляет элемент в набор
remove() - удаляет элемент из набора
intersection() - возвращает пересечение двух наборов
union() - возвращает объединение двух наборов
👨💻 Вот пример кода:
# Создаем 2 множества
set1 = {1, 2, 3, 4, 5}
set2 = {4, 5, 6, 7, 8}
print(set1) # Output: {1, 2, 3, 4, 5}
print(set2) # Output: {4, 5, 6, 7, 8}
# set1
set1.add(6)
print(set1) # Output: {1, 2, 3, 4, 5, 6}
# Удлаим элемент из set2
set2.remove(8)
print(set2) # Output: {4, 5, 6, 7}
# Найдем пересечение set1 и set2
intersection_set = set1.intersection(set2)
print(intersection_set) # Output: {4, 5, 6}
# Найдем уникальные значения set1 and set2
union_set = set1.union(set2)
print(union_set) # Output: {1, 2, 3, 4, 5, 6, 7}🎉 Множества являются полезным инструментом при анализе данных, поскольку они позволяют нам легко удалять дубликаты и выполнять операции на много быстрее, чем со списками. Поэтому в следующий раз, когда вы столкнетесь с дублирующимися данными, попробуйте использовать множества!
❓Вопрос: что будет если с помощью метода .add() добавить в множество уже имеющийся элемент? Пиши ответ в комментариях! В следующем посте раберем на сколько множество быстрее, чем списки!
#python #множества #set
👍10🔥8❤1
Всем привет! Воскресный пост будет без кода! Тем не менее, будет интересно и затронем важный аспект аналитики данных – визуализацию.
Сегодня я посетил выставку в Новом Иерусалиме “Под знаком Рубенса”, в которой представлены работы мастера и его учеников. Но, видимо, из-за профессиональной деформации вместо созерцания картин, все мое внимание было приковано к графическим визуализациям, которыми изобилует данная выставка!
Визуализация – это неотъемлемая часть аналитики данных, которая является финальным аккордом и квинтэссенцией работы. Исследование может пойти насмарку, если его результаты никто, кроме вас не сможет понять.
Для своих визуализация я использую метод Дэвида Маккэндлесса, посвященный эффективной визуализации данных, в котором перечислены четыре элемента хорошей визуализации данных:
1. Информация: данные, с которыми вы работаете
2. История: четкое и убедительное повествование или концепция
3. Цель: конкретная задача или функция для визуализации
4. Визуальная форма: эффективное использование визуального выражения
Один из способов понять данных подход – это представить визуализации, которые имеют только несколько из перечисленных пунктов. Например, визуальная форма без цели, истории или данных может быть эскизом или даже произведением искусства. Данные и визуальная форма без цели или функции — это оторванность от контекста. Данные с определенной целью, но без истории или визуальной формы, скучны. Для создания эффективного визуального образа должны использоваться все четыре элемента.
Интересны посты про визуальную составляющую часть работы аналитика данных? В комментариях к посту прикладываю фотографии визуализаций с выставки, как вам они? Все ли понятно?
#визуализация
Сегодня я посетил выставку в Новом Иерусалиме “Под знаком Рубенса”, в которой представлены работы мастера и его учеников. Но, видимо, из-за профессиональной деформации вместо созерцания картин, все мое внимание было приковано к графическим визуализациям, которыми изобилует данная выставка!
Визуализация – это неотъемлемая часть аналитики данных, которая является финальным аккордом и квинтэссенцией работы. Исследование может пойти насмарку, если его результаты никто, кроме вас не сможет понять.
Для своих визуализация я использую метод Дэвида Маккэндлесса, посвященный эффективной визуализации данных, в котором перечислены четыре элемента хорошей визуализации данных:
1. Информация: данные, с которыми вы работаете
2. История: четкое и убедительное повествование или концепция
3. Цель: конкретная задача или функция для визуализации
4. Визуальная форма: эффективное использование визуального выражения
Один из способов понять данных подход – это представить визуализации, которые имеют только несколько из перечисленных пунктов. Например, визуальная форма без цели, истории или данных может быть эскизом или даже произведением искусства. Данные и визуальная форма без цели или функции — это оторванность от контекста. Данные с определенной целью, но без истории или визуальной формы, скучны. Для создания эффективного визуального образа должны использоваться все четыре элемента.
Интересны посты про визуальную составляющую часть работы аналитика данных? В комментариях к посту прикладываю фотографии визуализаций с выставки, как вам они? Все ли понятно?
#визуализация
❤15👍10🥰7
📣 Всем привет! 🐍
Я хотел поделиться классной встроенной функцией в Python, которая может помочь Вам писать более эффективный код: 🔍
👉
👉
👉
👉
Вот пример использования
Какие еще способы применения функции 🔍
Также сообщаю, что мы с @dianakoloda, Head of HR DataGo!, записали видео с ответами на Ваши вопросы и скоро его можно будет посмотреть!
#python
Я хотел поделиться классной встроенной функцией в Python, которая может помочь Вам писать более эффективный код: 🔍
range().
👉
range()- это удобная функция для генерации последовательности чисел. Она обычно используется в циклах
forдля выполнения итерации определенное количество раз. Вот пример:
for i in range(5):Функция
print(i)
Output: 0 1 2 3 4
range()принимает до трех аргументов:
start,
stopи
step.
👉
start(необязательно) — это первое значение последовательности. Если не указано, то по умолчанию значение равно 0.
👉
stop(обязательно) – это конечное значение последовательности. Это значение не включено в последовательность.
👉
step(необязательно) — это разница между каждым значением в последовательности. Если не указано, то по умолчанию значение равно 1.
Вот пример использования
range()со всеми тремя параметрами для генерации последовательности четных чисел от 2 до 10:
for i in range(2, 11, 2):Вы также можете использовать параметр
print(i)
Output: 2 4 6 8 10
stepдля изменения списка в обратном направлении, установив для него значение -1. Например:
my_list = [1, 2, 3, 4, 5]В следующих постах мы познакомимся с еще некоторыми встроенными функциями: 🧐
reversed_list = my_list[::-1] # using slicing
print(reversed_list)
Output: [5, 4, 3, 2, 1]
# Используя range
reversed_list = []
for i in range(len(my_list)-1, -1, -1):
reversed_list.append(my_list[i])
print(reversed_list)
Output: [5, 4, 3, 2, 1]
enumerateи 🗺
map.
Какие еще способы применения функции 🔍
range()вы знаете?
Также сообщаю, что мы с @dianakoloda, Head of HR DataGo!, записали видео с ответами на Ваши вопросы и скоро его можно будет посмотреть!
#python
❤17🥰16🎉8🤩6
👋🏼 Всем привет!
Наконец-то интервью с @dianakoloda 👩💻, которая отвечает на Ваши вопросы, а я 👨💻 делюсь опытом, вышло у меня на канале OnlyAnalyst 🎥!
Видео получилось очень содержательным: обсудили все стадии трудоустройства и специфику отрасли. Уверен, что будет интересно людям, которые только начинают карьерный путь в IT 🔍 и тем, кто хочет расти дальше 📈!
Знаю, что Вы и так поддержите, но все же попрошу: если такой контент Вам интересен, то подписаться 📩, если понравилось видео, то поставить лайк 👍🏼, а если будут вопросы, то задавать их в комментариях 💬, обязательно на все ответим! 👀
Пишите какие форматы Вам еще интересны, а этот надеюсь станет постоянным.
🕰 В описании к видео есть таймкоды, чтобы вам было проще ориентироваться и находить интересующие Вас вопросы
Ссылка 🔗 на видео: https://youtu.be/JTR4vXSMh-Q
#видео #интервью #собеседования
Наконец-то интервью с @dianakoloda 👩💻, которая отвечает на Ваши вопросы, а я 👨💻 делюсь опытом, вышло у меня на канале OnlyAnalyst 🎥!
Видео получилось очень содержательным: обсудили все стадии трудоустройства и специфику отрасли. Уверен, что будет интересно людям, которые только начинают карьерный путь в IT 🔍 и тем, кто хочет расти дальше 📈!
Знаю, что Вы и так поддержите, но все же попрошу: если такой контент Вам интересен, то подписаться 📩, если понравилось видео, то поставить лайк 👍🏼, а если будут вопросы, то задавать их в комментариях 💬, обязательно на все ответим! 👀
Пишите какие форматы Вам еще интересны, а этот надеюсь станет постоянным.
🕰 В описании к видео есть таймкоды, чтобы вам было проще ориентироваться и находить интересующие Вас вопросы
Ссылка 🔗 на видео: https://youtu.be/JTR4vXSMh-Q
#видео #интервью #собеседования
YouTube
Как получить работу аналитика данных: HR раскрывает секреты!
НОВИНКА! https://www.youtube.com/watch?v=sIvCvIe1KRc
У нас в гостях Диана Колода, head of HR DataGo. Вместе с ней отвечаем на вопросы соискателей на вакансию Аналитик Данных.
Гаврилов Алексей - @onlyanalyst
Группа в Telegram - @onlyanalystgroup
Диана…
У нас в гостях Диана Колода, head of HR DataGo. Вместе с ней отвечаем на вопросы соискателей на вакансию Аналитик Данных.
Гаврилов Алексей - @onlyanalyst
Группа в Telegram - @onlyanalystgroup
Диана…
👍23🔥17❤14🤩11🥰9👏4🎉4😁2
👋 Часто задают вопрос: С чего начать изучение аналитики данных! Сегодня будет история из личного опыта изучения программирования и работы с данными.
🏆 Первым этапом, с которого я начал свой путь стал сайт Kaggle. А именно, его обучающий раздел, где собраны курсы по Python, SQL, Pandas, визуализаци и машинному обучению.
📜 Сертификаты о прохождении данных курсов я с гордостью выставлял в своем резюме, в надежде привлечь внимание рекрутеров и доказать свои знания.
👨💻 Так как участие в соревнованиях требовало хоть каких-то знаний, то на тот момент единственное, что я сделал - это создал несколько датасетов, чтобы получить желанное звание - Datasets Contributor.
🕹 Сейчас можно участвовать и побеждать в первых соревнованиях уже после прохождения нескольких вводных курсов! Радует, что порог вхождения снижается.
🔗 И последние: все свои домашние проекты я делал в специальном разделе, где их можно запускать в браузере и делиться ссылкой с HR, которые жаждут посмотреть, как повторить все разделы Google Analytics с помощью BigQuery и Python. В итоге моя работа даже заработала 3 лайка.
🤗 Благодарю за внимание к моей истории! Если у вас есть свой опыт работы с Kaggle или другими платформами для изучения программирования и работы с данными, поделитесь им в комментариях!
#истории #петпроект
🏆 Первым этапом, с которого я начал свой путь стал сайт Kaggle. А именно, его обучающий раздел, где собраны курсы по Python, SQL, Pandas, визуализаци и машинному обучению.
📜 Сертификаты о прохождении данных курсов я с гордостью выставлял в своем резюме, в надежде привлечь внимание рекрутеров и доказать свои знания.
👨💻 Так как участие в соревнованиях требовало хоть каких-то знаний, то на тот момент единственное, что я сделал - это создал несколько датасетов, чтобы получить желанное звание - Datasets Contributor.
🕹 Сейчас можно участвовать и побеждать в первых соревнованиях уже после прохождения нескольких вводных курсов! Радует, что порог вхождения снижается.
🔗 И последние: все свои домашние проекты я делал в специальном разделе, где их можно запускать в браузере и делиться ссылкой с HR, которые жаждут посмотреть, как повторить все разделы Google Analytics с помощью BigQuery и Python. В итоге моя работа даже заработала 3 лайка.
🤗 Благодарю за внимание к моей истории! Если у вас есть свой опыт работы с Kaggle или другими платформами для изучения программирования и работы с данными, поделитесь им в комментариях!
#истории #петпроект
Kaggle
Kaggle: Your Machine Learning and Data Science Community
Kaggle is the world’s largest data science community with powerful tools and resources to help you achieve your data science goals.
❤18🔥9👍1
Only Analyst pinned «👋🏼 Всем привет! Наконец-то интервью с @dianakoloda 👩💻, которая отвечает на Ваши вопросы, а я 👨💻 делюсь опытом, вышло у меня на канале OnlyAnalyst 🎥! Видео получилось очень содержательным: обсудили все стадии трудоустройства и специфику отрасли. Уверен…»
Всем привет! 👋🏻
После видео с @dianakoloda 👩💻 и подробного разбора всех аспектов собеседования, стоит еще обсудить и другую важную часть - ментальную. 😬
Из-за переживаний или неуверенности во время собеседования можно не ответить на свой максимум. ♾
Как Вы уже поняли, следующим гостем будет врач-психотерапевт @yuri_chet 👨⚕️, вместе с которым разберем психологическую подготовку к собеседованию. 🙌
В комментариях жду Ваших вопросов на тему 💸
#видео
После видео с @dianakoloda 👩💻 и подробного разбора всех аспектов собеседования, стоит еще обсудить и другую важную часть - ментальную. 😬
Из-за переживаний или неуверенности во время собеседования можно не ответить на свой максимум. ♾
Как Вы уже поняли, следующим гостем будет врач-психотерапевт @yuri_chet 👨⚕️, вместе с которым разберем психологическую подготовку к собеседованию. 🙌
В комментариях жду Ваших вопросов на тему 💸
#видео
👍13❤3👏1
Когда речь заходит об обучении, то чаще мы задаемся вопросом 🤔: «Что изучать?». Сделать упор на Python ил SQL? А может повторить АБ тесты и статистику? Как там называется метод pandas: .count_values() или .values_count()? Все это не важно, если к процессу изучения подходить пресловутым зазубриванием 📚или повторением 🙇♂️.
А следовало бы сконцентрироваться на другом фундаментальном вопросе 🙋♀️: «Как изучать?». Методологий тут предостаточно, но мне откликнулась книга «Думай как математик» 🧮 Барбары Оакли.
Перед прочтением думал, что книгу 📕закрою на словах, что у разных людей по-разному развиты половины мозга или о том, что есть визуалы 🙈, аудиалы 🙉 и прочие инопланетяне 👽.
Книга - краткое руководство о том, как отойти от фаталистической догмы, что есть «технари» 👷♀️и «гуманитарии»👩🎨, и просто начать эффективно усваивать любой материал, применять его на практике или решать любые другие мыслительные задачи.
Если ужать книгу водин два абзац, то есть два типа мышления: сфокусированный 🧘 и рассеянный 😶🌫️. Как применяем: до 25 минут фокусируемся 🎯 над задачей, после переходим в рассеянный 🌈 режим с помощью прогулок 🚶♀️, спорта 🎾 или сна 😴, чтобы думать о задаче в фоне и посмотреть на нее под другим углом. Необязательно возвращаться к той же задаче 😮.
Чем-то напоминает метод Помидоро 🍅, но с дополнительными приседаниями.
Что касается памяти 🧠, то их две: рабочая и долгосрочная. В рабочей держится до 4 порций информации, а в долгосрочной ♾. Для перехода знаний из одной в другую применяем интервальное повторение: лучше повторить 20 раз за неделю, чем 20 раз за вечер.
Тренировки мозга схожи с занятиями в спортзале 🏋️♀️, где важна периодичность и умеренные нагрзуки. И если вы приходите в спортзал в первый раз и не может от груди выжать «сотку», то это совсем не означет, что Вы потеряны для спорта.
Вот Вам задача 🕵️, которую приводят в книге: «В этам предлажении три ошибки». Решением будет перечисление трех ошибок.
#книги #учеба
А следовало бы сконцентрироваться на другом фундаментальном вопросе 🙋♀️: «Как изучать?». Методологий тут предостаточно, но мне откликнулась книга «Думай как математик» 🧮 Барбары Оакли.
Перед прочтением думал, что книгу 📕закрою на словах, что у разных людей по-разному развиты половины мозга или о том, что есть визуалы 🙈, аудиалы 🙉 и прочие инопланетяне 👽.
Книга - краткое руководство о том, как отойти от фаталистической догмы, что есть «технари» 👷♀️и «гуманитарии»👩🎨, и просто начать эффективно усваивать любой материал, применять его на практике или решать любые другие мыслительные задачи.
Если ужать книгу в
Чем-то напоминает метод Помидоро 🍅, но с дополнительными приседаниями.
Что касается памяти 🧠, то их две: рабочая и долгосрочная. В рабочей держится до 4 порций информации, а в долгосрочной ♾. Для перехода знаний из одной в другую применяем интервальное повторение: лучше повторить 20 раз за неделю, чем 20 раз за вечер.
Тренировки мозга схожи с занятиями в спортзале 🏋️♀️, где важна периодичность и умеренные нагрзуки. И если вы приходите в спортзал в первый раз и не может от груди выжать «сотку», то это совсем не означет, что Вы потеряны для спорта.
Вот Вам задача 🕵️, которую приводят в книге: «В этам предлажении три ошибки». Решением будет перечисление трех ошибок.
#книги #учеба
❤23👍5
— Я ни разу не проводил А/Б - тест.
— Ладно, не заливай... Ни разу не проводил?
— Не довелось. Не было.
— Пойми, в аналитике ☁️ только и говорят, что об А/Б - тестах 🌊…
Именно так бы звучала фраза из фильма 🎬, если бы его снимали в 2023 году. Что такое А/Б - тесты и статистическая значимость я расскажу кратко и перейду к сути поста.
A/B-тестирование 🔬 — это метод, используемый для сравнения двух равнозначных версий, которые отличаются только одной переменной, чтобы определить, какая версия работает лучше, на основе статистического анализа данных.
Статистическая значимость 📈 — это мера того, является ли разница между двумя версиями в тесте A/Б случайной. Другими словами, будут ли результаты, которые вы видите, воспроизводимыми или нет.
Если кто-то читает это в первый раз и что-то понял, то добро пожаловать в Аналитики 👨💻👩💻!
Обычно, с определениями, сложностей не возникает, так как их можно выучить 🧑🏫, а вот когда требуется визуализировать два случая: со статистической значимостью и без, то есть варианты.
Уверен, что это ответ сильно поможет в понимании вопроса🕵️♀️: Строим гистограмму, показывающую распределение данных для каждого варианта (у кого с этим есть вопросы, пишите в комментариях 📝 и обсудим в следующем посту). Если результаты статистически значимы, то будет четкое разделение 🔪 между двумя распределениями, а если разница не является статистически значимой, то распределения будут перекрываться 🙅♂️.
Для наглядности картинки будут в комментариях, угадаете где какая?
#абтесты
— Ладно, не заливай... Ни разу не проводил?
— Не довелось. Не было.
— Пойми, в аналитике ☁️ только и говорят, что об А/Б - тестах 🌊…
Именно так бы звучала фраза из фильма 🎬, если бы его снимали в 2023 году. Что такое А/Б - тесты и статистическая значимость я расскажу кратко и перейду к сути поста.
A/B-тестирование 🔬 — это метод, используемый для сравнения двух равнозначных версий, которые отличаются только одной переменной, чтобы определить, какая версия работает лучше, на основе статистического анализа данных.
Статистическая значимость 📈 — это мера того, является ли разница между двумя версиями в тесте A/Б случайной. Другими словами, будут ли результаты, которые вы видите, воспроизводимыми или нет.
Если кто-то читает это в первый раз и что-то понял, то добро пожаловать в Аналитики 👨💻👩💻!
Обычно, с определениями, сложностей не возникает, так как их можно выучить 🧑🏫, а вот когда требуется визуализировать два случая: со статистической значимостью и без, то есть варианты.
Уверен, что это ответ сильно поможет в понимании вопроса🕵️♀️: Строим гистограмму, показывающую распределение данных для каждого варианта (у кого с этим есть вопросы, пишите в комментариях 📝 и обсудим в следующем посту). Если результаты статистически значимы, то будет четкое разделение 🔪 между двумя распределениями, а если разница не является статистически значимой, то распределения будут перекрываться 🙅♂️.
Для наглядности картинки будут в комментариях, угадаете где какая?
#абтесты
👏7❤2🥰2
👋 Всем привет! Сегодня разберем циклы в
⏰ Цикл повторяет определенную задачу снова и снова, пока он не получит команду остановиться.
🤔 Но как мы сообщаем циклу, когда нужно остановиться?
🤖 Цикл
👦🏼 Например, вы хотите сосчитать от 1 до 10:
🚶Теперь давайте поговорим о циклах
🍎 Например, предположим, у вас есть список фруктов, и вы хотите вывести каждый фрукт в списке:
🤔 Итак, подведем итог: циклы
👋 Вот домашнее задание для закрепления материала:
🧐 Задача: Напишите код на
Выберете какой цикл использовать и объясните почему!
В следующих постах подробно разберем примеры использования того или иного цикла и сравним их с точи зрения скорости выполнения.
#python #циклы
Python: while и for! 🐍⏰ Цикл повторяет определенную задачу снова и снова, пока он не получит команду остановиться.
🤔 Но как мы сообщаем циклу, когда нужно остановиться?
🤖 Цикл
while будет работать до тех пор, пока выполняется определенное условие.👦🏼 Например, вы хотите сосчитать от 1 до 10:
count = 1
while count <= 10:
print(count)
сount = count + 1
Этот цикл будет выполняться до тех пор, пока count будет меньше или равно 10. Он будет выводить значение count каждый раз в цикле, а затем добавлять 1 к count. Когда количество достигает 11, условие count <= 10 больше не выполняется, и цикл останавливается.🚶Теперь давайте поговорим о циклах
for. Цикл for используется для перебора последовательности элементов, например таких как список или строка.🍎 Например, предположим, у вас есть список фруктов, и вы хотите вывести каждый фрукт в списке:
fruits = ['яблоко', 'банан', 'вишня']
for fruit in fruits:
print(fruit)
Этот цикл пройдется по каждому элементу в списке фруктов и напечатает его. Переменная fruit используется для представления каждого элемента по очереди.🤔 Итак, подведем итог: циклы
while продолжают выполняться до тех пор, пока условие истинно, а циклы for повторяют последовательность элементов.👋 Вот домашнее задание для закрепления материала:
🧐 Задача: Напишите код на
Python, который выводит первые 10 четных чисел. Выберете какой цикл использовать и объясните почему!
В следующих постах подробно разберем примеры использования того или иного цикла и сравним их с точи зрения скорости выполнения.
#python #циклы
👍6🥰6
📢 Аналитики, привет! Кто-то сталкивался с проблемой, что нужно посчитать количество повторений элемента в списке? Или узнать какие элементы повторяются больше всего раз? Для решения данной задачи можно написать свою собственную функцию или можно воспользоваться встроенным модулем
🧮 Объект
⚖️ Подробное сравнение на 60 000 элементах в комментариях!
#python
Collections и объектом Counter. 🧮 Объект
Counter позволяет нам подсчитывать количество каждого элемента и возвращает словарь с результатами:
# импортируем библиотеку
from collections import Counter
# создаем список со значениями
lst = ['apple', 'banana', 'orange', 'apple', 'apple', 'orange']
# создаем объект
cnt = Counter(lst)
print(cnt)
Output: Counter({'apple': 3, 'orange': 2, 'banana': 1})
# для вывода только 2 самых распространенных элементов
print(cnt.most_common(2))
Output: [('apple', 3), ('orange', 2)]
👩🏭Counter с решением на Python, используя timeit:d = {}
for elem in lst:
d[elem] = d.get(elem, 0) + 1
print(d)
Output: {'apple': 3, 'banana': 1, 'orange': 2}
🔎 Результат мы получим одинаковый, но в плане скорости выполнения Counter работает в разы быстрее, чем даже самое эффективное решение на чистом Python. ⚖️ Подробное сравнение на 60 000 элементах в комментариях!
#python
🔥13👍6
👋🏻Всем привет!
Было бы странно в канале про аналитику не поделиться «аналитикой» видео 📹, которое вышло неделю назад. Так что самое время подвести первые итоги. Сегодня займемся storytelling, где я основываясь на метриках буду рассказывать зачем 🤷 они нужны и какие выводы🗿 я сделал. Думаю будет интересно.
На youtube разделы аналитики контента стандартные: охват 🌍, взаимодействие 👩❤️👨и аудитория 🔉.
🌍 Охват отвечает за такие метрики как показы, CTR (просмотры/клики), просмотры и уникальные зрители. Также по каким поисковым запросам ищут видео и основные источники трафика (сайты, мессенджеры).
🤷 Это помогает лучше понять насколько широко видео распространилось и какие источники были самыми лучшими, а также привлекательность заголовка и актуальность для зрителя.
🗿В моем случае CTR в 7,8 % довольно неплохой показатель: каждый 10 показ генерирует клик в просмотр 👀.
🧾 Выводы: превью и название неплохие, но не очень оптимизация для поиска в youtube.
👩❤️👨 В взаимодействии можно посмотреть общее время просмотров, среднюю продолжительность просмотра , процент досмотра видео и количество лайков/комментариев.
🤷 Показыает на сколько контент интересен пользователем, какие эмоции вызывает и на сколько удобен для «потребления».
🗿Общее время просмотра составило 28 часов, в среднее время просмотра 7 минут! Интересно, что почти 36% досматривают до 30 секунды, потом спад снижается и почти 10% досматривают до конца.
💯 Оценка пользователей оказалась очень высокой: 100 процентов лайков!
🧾 Выводы: первые секунды видео очень важны! Надо стараться «зацепить» зрителя сразу же и тогда шанс, что он досмотрит видео - увеличится. Также полтора часа слишком долго: надо сокращать или разбивать на несколько частей. Возможно, надо попробовать shorts.
🔉Аудитория показывает демографию зрителей: пол, возраст страна, а также их количество.
🤷Позволяет лучше понять Вашего зрителя, чтобы скорректировать контент.
🧾Выводы: 93% уникальных пользователей смотря без подписки, так что если Вы один из них, то подписываетесь ✍️
📽Скоро выйдет выпуск на тему психологии собеседования, получилось очень интересно! Как раз увидите, получилось ли у меня на основе данных принять правильные решения и улучшить контент 😅
Как Вам такой формат? Какие бы Вы выводы сделали на основе этой аналитике? Как вам само видео?
🖋Скриншоты с аналитикой в комментариях.
#видео #аналитика #собеседования #интервью
Было бы странно в канале про аналитику не поделиться «аналитикой» видео 📹, которое вышло неделю назад. Так что самое время подвести первые итоги. Сегодня займемся storytelling, где я основываясь на метриках буду рассказывать зачем 🤷 они нужны и какие выводы🗿 я сделал. Думаю будет интересно.
На youtube разделы аналитики контента стандартные: охват 🌍, взаимодействие 👩❤️👨и аудитория 🔉.
🌍 Охват отвечает за такие метрики как показы, CTR (просмотры/клики), просмотры и уникальные зрители. Также по каким поисковым запросам ищут видео и основные источники трафика (сайты, мессенджеры).
🤷 Это помогает лучше понять насколько широко видео распространилось и какие источники были самыми лучшими, а также привлекательность заголовка и актуальность для зрителя.
🗿В моем случае CTR в 7,8 % довольно неплохой показатель: каждый 10 показ генерирует клик в просмотр 👀.
🧾 Выводы: превью и название неплохие, но не очень оптимизация для поиска в youtube.
👩❤️👨 В взаимодействии можно посмотреть общее время просмотров, среднюю продолжительность просмотра , процент досмотра видео и количество лайков/комментариев.
🤷 Показыает на сколько контент интересен пользователем, какие эмоции вызывает и на сколько удобен для «потребления».
🗿Общее время просмотра составило 28 часов, в среднее время просмотра 7 минут! Интересно, что почти 36% досматривают до 30 секунды, потом спад снижается и почти 10% досматривают до конца.
💯 Оценка пользователей оказалась очень высокой: 100 процентов лайков!
🧾 Выводы: первые секунды видео очень важны! Надо стараться «зацепить» зрителя сразу же и тогда шанс, что он досмотрит видео - увеличится. Также полтора часа слишком долго: надо сокращать или разбивать на несколько частей. Возможно, надо попробовать shorts.
🔉Аудитория показывает демографию зрителей: пол, возраст страна, а также их количество.
🤷Позволяет лучше понять Вашего зрителя, чтобы скорректировать контент.
🧾Выводы: 93% уникальных пользователей смотря без подписки, так что если Вы один из них, то подписываетесь ✍️
📽Скоро выйдет выпуск на тему психологии собеседования, получилось очень интересно! Как раз увидите, получилось ли у меня на основе данных принять правильные решения и улучшить контент 😅
Как Вам такой формат? Какие бы Вы выводы сделали на основе этой аналитике? Как вам само видео?
🖋Скриншоты с аналитикой в комментариях.
#видео #аналитика #собеседования #интервью
YouTube
Как получить работу аналитика данных: HR раскрывает секреты!
НОВИНКА! https://www.youtube.com/watch?v=sIvCvIe1KRc
У нас в гостях Диана Колода, head of HR DataGo. Вместе с ней отвечаем на вопросы соискателей на вакансию Аналитик Данных.
Гаврилов Алексей - @onlyanalyst
Группа в Telegram - @onlyanalystgroup
Диана…
У нас в гостях Диана Колода, head of HR DataGo. Вместе с ней отвечаем на вопросы соискателей на вакансию Аналитик Данных.
Гаврилов Алексей - @onlyanalyst
Группа в Telegram - @onlyanalystgroup
Диана…
🔥10❤6👏3👍2
📽️Вышло новое видео, посвященное ментальной подготовке к собеседованию.
🆘Уверен, что многие узнают себя и найдут эту информацию полезной. ✍️Если остались вопросы, то приглашаю в комментарии.
☎️Жду Вашей обратной связи!
#видео
🆘Уверен, что многие узнают себя и найдут эту информацию полезной. ✍️Если остались вопросы, то приглашаю в комментарии.
☎️Жду Вашей обратной связи!
#видео
YouTube
Психология собеседования в IT: от подготовки до трудоустройства
У нас в гостях Юрий Четвертаков, врач-психотерапевт. Вместе с ним отвечаем на вопросы, связанные с ментальный подготовкой к собеседованию.
Гаврилов Алексей - @onlyanalyst
Группа в Telegram - @onlyanalystgroup
Юрий Четвертаков - @yuri_chet
00:00 - Intro…
Гаврилов Алексей - @onlyanalyst
Группа в Telegram - @onlyanalystgroup
Юрий Четвертаков - @yuri_chet
00:00 - Intro…
❤9👍5🔥4🥰1🤮1
Всем привет! 😀
👨👩👦👦 Совместно с Яндекс.Практикум подготовил список бесплатных курсов, которые помогут Вам приобрести необходимые знания для прохождения собеседования и непосредственно работы, а также добавить немного информации в резюме.
ℹ️ Курсы идут в порядке, который я считаю самым верным. Все курсы опробованы мной. Подходят для изучения с 0. Примерное время прохождения указываю ⏰, но особо на него не ориентируйтесь. Занимает, обычно, дольше.
1️⃣ Основы математики для цифровых профессий. ⏰ 140 часов. Обратите внимание на спецкурс для аналитиков. Отлично изложен материал, есть вводный тест, плотность информации, это все нужно знать для комфортной работы.
2️⃣ Основы анализа данных и Python. ⏰ 12 часов. В Яндексе всегда отличные и завлекающие вводные курсы, после них обучение трансформируется в более академическую форму. Станете junior аналитиком: изучите немного Python, поработаете с визуализациями, метриками и гипотезами, даже МЛ будет.
3️⃣ Основы работы с DataLens. ⏰ 5 часов. Предсказываю, что DataLens станет или уже стал BI-инструментом #1 в СНГ. Так что его изучить будет очень дальновидным поступком. Принцип работы с BI-инструментами практически не меняется в зависимости от вендора, так что после DataLens пересесть на что-то другое будет проще, чем вообще без опыта работы с BI.
4️⃣ Бесплатный курс по созданию презентаций. ⏰ 4 часа. Дэшборды - это конечно хорошо, но старую добрую презентацию никто не отменял, а правил ее составления на самом деле много, чтобы она не превратилась в «текст на слайдах». Курс далеко не исчерпывающий, но некоторое представление даст.
5️⃣ Подготовка к алгоритмическому собеседованию. ⏰ 10 часов. В последнее время от аналитиков требуют не просто решить задачку на Python, но и выполнить условия по сложности алгоритма, поэтому основы знать надо, в работе пригодится.
6️⃣ Инженер облачных профессий. ⏰ 22 часа. Скорее всего облачное решение Вашей компании будет от Яндекса, поэтому понимать как все устроено (в том числе DataLens, ClickHouse) будет большим плюсом во время трудоустройства и поможет во время работы. В целом, можно остановиться на модуле «Хранение и анализ данных», тогда получится 9 часов вместо 22.
7️⃣ Основы Python-разработки. ⏰20 часов. Бесплатная часть курса, но для закрепления и расширения кругозора подойдет. Лично у меня были задачи связанные именно с разработкой на Python, поэтому советую.
8️⃣ Excel для работы. ⏰ 11 часов. Последний по всем параметрам, но все же может пригодиться, если есть пробелы в знаниях по Excel. Но многое, что использую я, там не изложено.
🧐 Как Вам такой контент? Если интересно, то расскажу про курсы, которые закончил на coursera.
🤝 Если понравилось и считаете полезным, то поделитесь с товарищами.
#курсы #подборка
👨👩👦👦 Совместно с Яндекс.Практикум подготовил список бесплатных курсов, которые помогут Вам приобрести необходимые знания для прохождения собеседования и непосредственно работы, а также добавить немного информации в резюме.
ℹ️ Курсы идут в порядке, который я считаю самым верным. Все курсы опробованы мной. Подходят для изучения с 0. Примерное время прохождения указываю ⏰, но особо на него не ориентируйтесь. Занимает, обычно, дольше.
3️⃣ Основы работы с DataLens. ⏰ 5 часов. Предсказываю, что DataLens станет или уже стал BI-инструментом #1 в СНГ. Так что его изучить будет очень дальновидным поступком. Принцип работы с BI-инструментами практически не меняется в зависимости от вендора, так что после DataLens пересесть на что-то другое будет проще, чем вообще без опыта работы с BI.
4️⃣ Бесплатный курс по созданию презентаций. ⏰ 4 часа. Дэшборды - это конечно хорошо, но старую добрую презентацию никто не отменял, а правил ее составления на самом деле много, чтобы она не превратилась в «текст на слайдах». Курс далеко не исчерпывающий, но некоторое представление даст.
5️⃣ Подготовка к алгоритмическому собеседованию. ⏰ 10 часов. В последнее время от аналитиков требуют не просто решить задачку на Python, но и выполнить условия по сложности алгоритма, поэтому основы знать надо, в работе пригодится.
8️⃣ Excel для работы. ⏰ 11 часов. Последний по всем параметрам, но все же может пригодиться, если есть пробелы в знаниях по Excel. Но многое, что использую я, там не изложено.
#курсы #подборка
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
Яндекс Практикум. Программирование и анализ данных
Полезное для начинающих разработчиков, тестировщиков и аналитиков данных. Отвечаем на вопросы и делимся новостями Практикума. Выбрать курс и попробовать свои силы бесплатно: https://ya.cc/t/3bO2f2245AmCeQ
Номер заявления в РКН 4970781590
Номер заявления в РКН 4970781590
❤26👎10🔥6👍1