Tym razem tylko porcja linków, pod którymi można znaleźć przdatne dane do testów i nauki Pythona i Pandas: Fantastyczny zbiór danych wraz z już opracowanym, opublikowanym i skąd inąd interesującym data story: https://github.com/fivethirtyeight/data Zadania do samodzielnego rozwiązania z zakresu Python/Pandas: https://www.w3resource.com/python-exercises/pandas/index.php Prawie, że kurs „hands on lab” z zakresu Pandas, z założenia skupia się na samej […]

Załóżmy, że masz taki tekst: message = ‚Document „cv.doc” was printed on printer: XEROX’ z tego napisu chcesz wyciąć  tylko nazwę dokumentu cv.doc. Można by to zrobić posługując się zwykłymi poleceniami pracującymi na napisach, ale nie jest to zbyt wygodne rozwiązanie – trzeba się sporo przy tym napracować, a na dodatek kod będzie nieczytelny, trudny […]

Można mieć wątpliwości w jaki sposób porównywać ze sobą wartości, bo dostępne są dwie podobne instrukcje: operator porównania wartości zmiennych == oraz operator porównania zmiennych „is” Najpierw zobaczmy sytuację kiedy oba operatory zwrócą te same wyniki: a = ‚mouse’ b = ‚mouse’ #sprawdzam czy a == b print (a==b) #sprawdzam czy a i b to […]

Załóżmy, że w pliku cities.csv znajduje sie następujący tekst CityName,Number,YesNo New York,80,0 San Francisco,95,1 Paris,95,0 Rome,100,1 czyli mamy do czynienia ze standardowym plikiem Comma Separated Values (CSV) Żeby rozpocząć pracę z plikiem CSV zaimportuj najpierw moduł csv. Funkcja, która rzeczywiście wczyta i zinterpretuje plik CSV to csv.reader. Generalnie posiadając przetworzony przez reader plik w zmiennej, […]

Każdy obiekt ma swój typ i pewne właściwości. Jedną z tych właściwości jest informacja, czy obiekt można wywołać (dziwnie to brzmi po polsku „jest wywoływalny” więc będę używał „is callable”). Oczywiście funkcje są przykładem obiektów wywoływalnych. Zobacz: def f_just_print_1(): return 1 print(‚is function callable? ‚, callable(f_just_print_1)) x=123 print(‚is integer callable? ‚,callable(x)) Jak to uruchomisz to […]

Python, a zwłaszcza moduł PANDAS pozwala na analizę danych. Skąd wziąć jakieś przkładowe pliki do analizy, które na dodatek będą miały fajne znacznie. Np z github: https://github.com/AddisonGauss/NbaData2015-2016 https://github.com/thiloklein/thiloklein.github.io/tree/master/R/WB https://catalog.data.gov/dataset?res_format=CSV&tags=food https://github.com/danielmarcelino/Datasets  (fortune1000) https://github.com/umbrae/reddit-top-2.5-million/tree/master/data Ale czasami ciekawe dane na swój temat lub na temat prowadzonej dizałalności organizaje publikują same: https://data.cityofchicago.org/Health-Human-Services/for-csv/j8a4-a59k/data https://www.google.com/finance/historical?q=GOOGL&output=csv  

1. Najpierw uruchamiasz anaconda prompt, a w nim wykonujesz: jupyter notebook –generate-config 2. Ta komenda wyświetli nazwę pliku konfiguracyjnego 3. Teraz wyedytuj ten plik w notatniku u mnie: notepad „C:\Users\rafal\.jupyter\jupyter_notebook_config.py” 4. W tym pliku szukasz wpisu: #c.NotebookApp.notebook_dir Odkomentowujesz znak # z przodu i podajesz ścieżkę dostępu do katalogu, który ma być domyślnie owierany. U mnie: […]