Файл: 1 выбор платформы и данных.docx

Скачать файл
Заказать решение

ВУЗ: Не указан

Категория: Реферат

Дисциплина: Не указана

Добавлен: 07.11.2023

Просмотров: 1493

Скачиваний: 41

ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
СодержаниеВведение 31выбор платформы и данных 51.1Выбор платформы для разработки и необходимых библиотек 51.1.1Обоснование выбора платформы интерпретатора языка Python 51.1.2Выбор библиотек для анализа данных 61.2Получение данных 71.2.1Предварительный анализ данных 71.2.2 Выбор формата хранения данных 71.2.3 Очистка данных от цифрового мусора 81.3 Выводы по разделу 92количественный анализ данных 152.1Получение данных Dataset (данные) 152.2Рассчет стандартных числовых характеристик для набора данных Series 162.3Выводы по разделу 183визуализация результатов количествнного анализа данных 213.1Визуализация наборов данных с помощью стандартных библиотек по заданным критериям 212.4 Формирование Dataframe из данных Series и добавление столбцов 222.5 Визуализация данных полученные в результате промежуточного анализа 233.2Выводы по разделу 24
Список использованной литературы 28ВведениеУчебная практика (ознакомительная практика) относится к разделу Б2.О.01 блока «Практики» базового учебного плана основной профессиональной образовательной программы по направлению подготовки 38.03.05 «Бизнес-информатика» и является видом учебной деятельности, направленной на ознакомление, формирование, закрепление, развитие практических навыков и компетенции в процессе выполнения определенных видов работ, связанных с будущей профессиональной деятельностью. Учебная практика проходила в Московском университете им. С.Ю. Витте (далее - Университете) на кафедре информационных системЦель практикиприобретение первичных профессиональных навыков, практического опыта, закрепление, систематизация и расширение теоретических знаний по дисциплинам учебного плана при прохождении учебной практики в Университете.Задачи практики

  • Закрепление приобретенных теоретических знаний.

  • Приобретение навыков научного поиска и практической работы с информационными источниками данных.

  • Овладение практическими методиками формирования цели и задач для работы над групповым проектом, управления познавательной деятельностью.

  • Приобретение практических навыков участия в командной работе, в групповых проектах, распределения ролей в условиях командного взаимодействия

  • Приобретение практических навыков использования иностранного языка при анализе зарубежных информационных Интернет источников.

  • Приобретение навыков использования современных информационных технологий и программных средств для решения задач анализа данных.

  • Приобретение навыков инсталлирования программного обеспечения.

  • Формирование практических навыков по основам алгоритмизации вычислительных процессов и программированию решения задач обработки данных их отладке и тестирования на выбранной языковой платформе.

  • Получение навыков экспериментального исследования больших данных и практического решения информационных задач по обработке данных.

  • Получения навыков проведения инженерных расчетов.

  • Получение навыков самостоятельной работы.

  • Получение навыков подготовки отчетной документации
Источниками информации явились открытые информационные базы, информационно-справочные документы, интернет-ресурсы, учебно-методические материалы, размещенные в Электронном Университете, а также информация, представленная на официальном сайте университета в разделе «Сведения об образовательной организации»: https://www.muiv.ru/sveden/.ОСНОВНАЯ ЧАСТЬ

  • выбор платформы и данных

  • Выбор платформы для разработки и необходимых библиотек
Python - это высокоуровневый язык программирования, который был разработан с акцентом на удобство написания и читаемость кода. Ядро Python имеет минималистический синтаксис, однако стандартная библиотека включает огромное количество полезных функций. Этот язык поддерживает различные парадигмы программирования, включая структурное, объектно-ориентированное, функциональное, императивное и аспектно-ориентированное. Некоторые из основных характеристик Python - динамическая типизация, автоматическое управление памятью, поддержка многопоточных вычислений, возможность полной интроспекции, механизм обработки исключений и удобные высокоуровневые структуры данных. В Python код организуется в функции и классы, которые можно объединять в модули. Кроме того, существует множество полезных библиотек, таких как Matplotlib, pandas, NumPy.

  • Обоснование выбора платформы интерпретатора языка Python
Я, выбрал использование Python из-за следующих причин:Простота изучения и практического использования. Python имеет простой синтаксис, хорошую документацию и богатую стандартную библиотеку, что делает его привлекательным для начинающих программистов.Мультиплатформенность. Python можно использовать на различных операционных системах, в том числе на Windows, Linux и Mac OS.Большое сообщество разработчиков. Python имеет огромное сообщество разработчиков и пользователей, где можно найти ответы на любые вопросы, а также множество бесплатных инструментов и библиотек.Широкое применение. Python широко используется в таких областях, как машинное обучение, анализ данных, веб-разработка, научные исследования, автоматизация и т.д.
Высокая производительность. Python может быть достаточно быстрым благодаря своей структуре и оптимизации.Исходя из всех этих факторов, я рекомендую использовать Python для различных проектов и задач.

  • Выбор библиотек для анализа данных
На сегодняшний день на языке Python доступны многочисленные библиотеки для обработки, анализа и визуализации данных. Однако не все они одинаково удобны в использовании, имеют объемный функционал и получили поддержку со стороны сообщества. Только несколько библиотек оправдали ожидания по всем этим аспектам, среди них pandas, matplotlib и numpy.Pandas Pandas - это высокоуровневая библиотека на языке программирования Python, предназначенная для обработки и анализа данных, включая CSV, Excel, SQL и в других форматах. Она предоставляет удобные инструменты для работы с табличными данными, такими как функции для чтения и записи данных из различных источников, слияния, группировки и агрегирования данных, а также для визуализации результатов анализа.Matplotlib Библиотека Matplotlib - это библиотека на языке программирования Python для создания графиков и диаграмм. Она позволяет создавать различные типы графиков, такие как линейные графики, гистограммы, круговые диаграммы, диаграммы рассеяния и т.д. Matplotlib предоставляет широкие возможности для кастомизации внешнего вида графиков, включая настройку цветов, текста, шрифтов, подписей, легенды и т.д.Requests Библиотека Requests - это библиотека на языке программирования Python, которая предоставляет удобные инструменты для работы с HTTP-запросами. Она позволяет отправлять GET, POST, PUT, DELETE и другие типы запросов на веб-серверы, получать данные в различных форматах (например, JSON, XML), а также управлять заголовками запросов.Numpy NumPy - это библиотека на языке программирования Python для работы с многомерными массивами (включая матрицы), а также инструментов для работы с этими массивами. NumPy является основной библиотекой для научных вычислений в Python и широко используется в различных областях, таких как машинное обучение, анализ данных, наука о материалах и другие.

  • Получение данных

  • Предварительный анализ данных
Анализ данных в Python может включать в себя множество задач, таких как чтение и запись данных, очистка и предобработка, визуализация и моделирование данных. В Python для решения этих задач используются различные библиотеки, такие как NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn и другие. Некоторые возможности анализа данных в Python: Чтение и запись данных, Очистка и предобработка данных, Визуализация данных, Моделирование данныхПример программного кода предварительного анализа данных в Python с использованием библиотеки Pandas и matplotlib:import random
import pandas as pdimport matplotlib.pyplot as plt

data_list = [] # создаемпустойсписокдляданныхfor i in range(1000):
data_list.append(random.randint(-10000, 10000)) # генерируемслучайноечислоидобавляемвсписокdf = pd.DataFrame(data_list, columns=['Values'])# Описательнаястатистикаprint(df.describe())

# Гистограммараспределениязначенийdf.hist(bins=20)
plt.title('Histogram of Values')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()Рис.1На рис1. метод describe() позволяет получить описательную статистику по столбцу 'Values', включающую среднее, стандартное отклонение, минимальное и максимальное значения, а также квартили.Гистограмма распределения значений показывает, что выборка имеет примерно равномерное распределение, с небольшими выбросами на краях диапазона.

Смотрите также файлы