🔝🔥 Добро пожаловать в PM.Python!
Где Python встречается с эффективным управлением проектами

Рады видеть Вас в нашем канале. Здесь мы будем делиться полезными материалами, советами и практическими примерами использования Python для эффективного управления проектами — от планирования и мониторинга до анализа рисков и отчетности. Забудь про ручные отчеты — здесь мы строим автоматические решения!

Навигация:
→ #библиотеки (функции, фреймворки)
→ #визуализация (графики, схемы)
→ #фичи (функции, методы)
→ #автоматизация (API, парсинг)
→ #инструменты (боты, отчеты)
→ #кейсы (реальные примеры)
→ #теория (статьи и гайды)

📱 Plotly — мощная бесплатная библиотека для интерактивной визуализации данных на Python. Она позволяет создавать красивые, динамичные графики и диаграммы, которые легко интегрируются в веб-приложения и отчёты.

Основные возможности
🗣 Разнообразие типов графиков: От простых линейных и столбчатых диаграмм до сложных трёхмерных и географических карт.
🗣 Простота интеграции: Легко встраивается в Jupyter Notebooks, Dash приложения и HTML страницы. Может работать с датафреймами pandas.
🗣 Интерактивность и анимация: Пользователи могут взаимодействовать с графиками, масштабируя и выделяя интересующие области. Поддерживаются анимации графиков.

Установка

pip install plotly

Примеры использования

import plotly.express as px
df = px.data.tips()
fig = px.density_heatmap(df, x="total_bill", y="tip")
fig.show()

Подробнее
🔗 Сайт проекта

#pmpython #библиотеки #python

Где попробовать примеры кода, публикуемого на канале?

📱Google Colaboratory — простой, но мощный инструмент для аналитики и машинного обучения в облаке!

❓ Что такое Google Colab? Это бесплатная онлайн-платформа, созданная специально для разработки проектов в сфере науки о данных, анализа и машинного обучения. Суть: Colab — это «Google Документы» для кода и данных. Запускается в браузере, ничего не нужно устанавливать.
Идеально для ускорения прототипирования моделей и принятия решений на основе данных.

Важные особенности!
🗣Среда разработки уже настроена и включает популярные библиотеки.
🗣Возможна совместная работа разных пользователей в одном проекте.
🗣Загруженные для обработки массивы данных хранятся не более 12 часов (решается за счет интеграции с Google Disk).

Для чего можно использовать?
🗣Предсказательная аналитика и моделирование данных.
🗣Обработка изображений и компьютерное зрение.
🗣Анализ текста и обработка естественного языка.
🗣Развитие приложений для глубокого обучения и нейронных сетей.

Для работы требуется аккаунт Google!
🔗 Ссылка на платформу

#pmpython #инструменты #python

🎙Визуализация данных: Как генерировать связанные графики из таблиц в один клик с помощью дополнительных команд Plotly.

Частая ситуация — нужно нарисовать несколько одинаковых графиков для разных категорий (например, продажи по каждому региону или прогресс работ по подрядчикам). В MS Excel нужно создать и оформить несколько отдельных графиков, но в Plotly это можно делать одной командой.

facet_col и facet_row — это аргументы в Plotly, который автоматически разбивают ваши данные на несколько графиков по уникальным значениям выбранной колонки. Вы получаете готовый набор из графиков по каждой категории.

Простой пример на Python

fig1 = px.scatter(dataset,         x='Старт', y='Финиш',
         facet_col='Исполнитель',
         facet_row='Тип',
           color='Статус')

fig1.show()

Что получим на выходе
🗣 Столько отдельных графиков, сколько уникальных значений в колонке.
🗣 Все графики оформляются одинаково.
🗣 Настраиваемые оси X и Y для работы с масштабами данных.

И eще
Комбинируя facet_row и facet_col, можно создать двумерную матрицу графиков. Например, разбить и по видам работ и исполнителям.

❗️Посмотрите готовый пример собранного блокнота с комментариями, скачайте и используйте в дальнейшем!
🔗Ссылка на блокнот Colab

#pmpython #визуализация #python #plotly

⚡️Бонус пост: дополнительный способ отображения массивов графиков для датасетов с большим количеством уникальных значений категорий

Если нужно разделить графики, для которых в таблице очень много категорий – воспользуйтесь аргументами facet_col_wrap или facet_row_wrap вместе с командами facet_col или facet_row, соответственно. Укажите максимальное количество графиков в строке\колонке и при генерации они будут автоматически перенесены.

Простой пример на Python

fig1 = px.scatter(dataset, x='Старт', y='Финиш', 
               facet_col='Этап', 
               facet_col_wrap=4.
               color='Статус')
fig1.show()

❗️Посмотрите готовый пример собранного, блокнота с комментариями, скачайте и используйте в дальнейшем!
🔗Ссылка на блокнот Colab

#pmpython #визуализация #python #plotly

⭐️Полезные приемы для работы с данными: Работа с датами в датафреймах Pandas.

Собрали подборку интересных и полезных инструментов для работы с датами в Pandas, которые сэкономит Вам кучу времени и нервов.

1. Конвертация в формат даты pd.to_datetime()
Это основа основ. Превращает всё что угодно в нормальный DateTime объект Pandas.

dataset['Финиш'] = pandas.to_datetime(dataset['Финиш']) 

date_str = "20231115"
correct_date = pandas.to_datetime(date_str, format='%Y%m%d')  

2. Извлечение компонентов даты .dt()
Для многих задач полезно извлекать компоненты даты: год, месяц, день.

dataset['Финиш_Год'] = dataset['Финиш'].dt.year
dataset['Финиш_Месяц'] = dataset['Финиш'].dt.month_name(locale='ru_RU.UTF-8')
dataset['Финиш_День'] = dataset['Финиш'].dt.dayofweek
dataset['Финиш_Квартал'] = dataset['Финиш'].dt.quarter

3. Дополнительные операции с датами
И еще несколько примеров работы с датами.

dataset['Финиш_Выходной'] = dataset['Финиш'].dt.dayofweek > 4
dataset['Финиш_сдвиг'] = dataset['Финиш'] + pandas.offsets.BDay(1)
dataset['Финиш_конецмесяца'] = dataset['Финиш'].dt.is_month_end 

❗️Посмотрите готовый пример собранного блокнота с комментариями, скачайте и используйте в дальнейшем!
🔗Ссылка на блокнот Colab

#pmpython #фича #python #pandas

📱 Random — небольшой модуль для работы со случайными значениями. Пригодится любому руководителю для автоматизации принятия решений (шутка). Незаменимо для сценарного анализа и подтверждения гипотез.

Основные возможности
💬 Простая генерация случайных чисел
💬 Выбор случайного значения из списка
💬 Создание случайного списка или перемешивание

Установка

pip install random

Примеры использования

import random

list = ["Подрядчик 1", "Подрядчик 2", "Подрядчик 3", "Подрядчик 4", "Подрядчик 5"]

# выбор значения из списка
print(random.choice(list))

# выбор нескольких уникальных значений
print(random.sample(list, k=2))

# перемешать список
random.shuffle(list)
print(list)

Можно протестировать самому в Colab!
🔗 Ссылка на платформу

#pmpython #библиотеки #python

🎙Визуализация данных: Нужно быстро оценить связи между данными нескольких столбцов в таблице - на помощь приходит Scatterplot Matrix.

Один из типовых шаблонов графиков Plotly - Scatterplot Matrix (SPLOM). Скэттерплот матрица это массив точечных диаграмм, показывающих связь между всеми данными одного столбца и всеми данными каждого столбцов таблицы. Шаблон станет незаменимым инструментом для выявления корреляций и зависимостей между признаками набора данных, а также выявления пустых категорий данных.

Простой пример на Python

import plotly.express as px
df = px.data.iris()
fig = px.scatter_matrix(df)
fig.show()

Какие есть возможности
🗣 Быстро визуализировать все данные в таблице.
🗣 Дополнительно раскрашивать данные для поиска многомерных связей.
🗣 Выбирать список используемых столбцов для графика.


❗️Посмотрите готовый пример использования в собранном блокноте с комментариями, скачайте и используйте в дальнейшем!
🔗Ссылка на блокнот Colab

#pmpython #визуализация #python #plotly

⭐️Полезные приемы для работы с данными: диалоговая загрузка локальных файлов в проект Colab.

Наряду с загрузкой файлов с облачного хранилища или добавления файлов в меню проекта, Colab дает возможность загружать свои файлы через всплывающие диалоговое окно при запуске кода! Для этого используется модуль files() библиотеки google.colab.

Простой пример на Python

from google.colab import files 
uploaded = files.upload()

При исполнении кода всплывает окно с указанием пути к пользовательскому файлу, а после выбора загруженный документ появится в боковом меню «Файлы».

💯 Комбо пример для тренировки: загрузи свой файл в блокнот Colab с помощью files(), выведи график по всем столбцам в формате scatter_matrix() и раскрась его по столбцу, случайно выбранному через random().

❗️Посмотрите пример с комментариями, скачайте и используйте в дальнейшем!
🔗Ссылка на блокнот Colab

#pmpython #фича #python #googlecolab

🎙Визуализация данных: Как генерировать вспомогательные графики для повышения наглядности основной диаграммы в Plotly.

Если Вы не хотите сильно перегружать визуализацию данных и сохранить детальность на случай вопросов – в Plotly есть простой способ для создания вспомогательных графиков.

marginal_x и marginal_y это аргументы в Plotly, который автоматически создадут вспомогательные боковые грфаики по краям основной диаграммы. Получите дополнительную информацию, не занимающую много места и не перекрывающую элементы основного графика.

Простой пример на Python

fig1 = px.scatter(dataset, x='Старт', y='Финиш', 
           marginal_x ='histogram',
           marginal_y ='box',
           color='Статус')
fig1.show()

Есть несколько вариантов графиков, реализуемых аргументом marginal:
💬 histogram – обычная гистограмма по сумме значений.
💬 rug – показывает наличие значения на оси.
💬 box – компактный график одномерного распределения вероятностей.
💬 violin – показывает распределение плотности.

❗️Посмотрите готовый пример собранного блокнота с комментариями, скачайте и используйте в дальнейшем!
🔗Ссылка на блокнот Colab

#pmpython #визуализация #python #plotly