📱 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