Добавлен файл week2_analysis.ipynb и README.md, описывающий процесс

README.md

@@ -1 +1,105 @@
-"‡ ¤ ­¨¥ ¢â®à®© ­¥¤¥«¨" 
+1. Подготовка окружения
+Перед началом работы необходимо:
+
+Создать и активировать виртуальное окружение (venv или conda).
+Установить необходимые библиотеки: JupyterLab, numpy, pandas, matplotlib, seaborn, tqdm.
+Инициализировать репозиторий Git, добавить .gitignore и README.md.
+Зафиксировать первый коммит с базовой настройкой проекта.
+Эти шаги были рассмотрены на первой неделе. Проверьте, что всё настроено правильно.
+
+2. Основы работы с JupyterLab
+Запустите JupyterLab командой:
+jupyter lab
+Создайте новый Notebook (блокнот) и сохраните его под названием week2_analysis.ipynb.
+Добавьте несколько ячеек с кодом, выполните их и убедитесь, что результаты отображаются правильно.
+Используйте Markdown-ячейки для пояснений и заголовков в вашем блокноте.
+Почему JupyterLab?
+Позволяет быстро изменять код и видеть результаты без повторного запуска всего скрипта.
+Удобен для работы с данными, пошагового анализа и визуализации.
+Можно комбинировать код, текст, формулы и графики в одном документе.
+Попробуйте изменить несколько значений в коде и запустить ячейки снова. Так вы увидите, как разные параметры влияют на результат.
+
+3. Работа с pandas и numpy
+pandas: работа с таблицами
+Прочитайте и выполните следующий код:
+
+import pandas as pd
+
+# Создадим DataFrame
+data = {
+    "Имя": ["Анна", "Борис", "Виктор", "Галина"],
+    "Возраст": [21, 22, 23, 24],
+    "Баллы": [89, 76, 95, 82]
+}
+df = pd.DataFrame(data)
+
+print("Первый взгляд на данные:")
+print(df.head())
+print(df.info())
+print(df.describe())
+print(df.isnull().sum())
+Попробуйте самостоятельно (каждый пункт в новых блоках):
+
+Поместить df в последнюю строчку блока.
+Добавить новый столбец с вычисляемыми значениями (df["Новый столбец"] = df["Баллы"] * 1.1).
+Применить .groupby() и .agg(), чтобы сгруппировать данные.
+Фильтровать записи по условиям (df[df["Возраст"] > 21]).
+numpy: массивы и вычисления
+import numpy as np
+
+arr = np.array([1, 2, 3, 4, 5])
+print("Сумма элементов массива:", np.sum(arr))
+print("Среднее значение:", np.mean(arr))
+print("Медиана:", np.median(arr))
+print("Стандартное отклонение:", np.std(arr))
+Попробуйте:
+
+Создать двумерный массив (np.array([[1, 2], [3, 4]])).
+Использовать np.linspace(), np.random.randn(), np.dot().
+4. Визуализация данных
+matplotlib: построение графиков
+import matplotlib.pyplot as plt
+
+x = np.linspace(0, 10, 100)
+y = np.sin(x)
+
+plt.plot(x, y, label='sin(x)')
+plt.xlabel("X")
+plt.ylabel("Y")
+plt.title("График синуса")
+plt.legend()
+plt.grid()
+plt.show()
+Попробуйте:
+
+Изменить цвет (color='red').
+Добавить несколько графиков (plt.plot(x, np.cos(x), label='cos(x)')).
+Использовать bar, scatter, hist.
+seaborn: работа с графиками данных
+import seaborn as sns
+
+df["Категория"] = ["A", "B", "A", "B"] # догадайтесь откуда df и её содержимое взялось
+sns.boxplot(x="Категория", y="Баллы", data=df)
+plt.show()
+Попробуйте:
+
+Построить histplot, scatterplot.
+Добавить sns.pairplot(df), sns.heatmap(df.corr(), annot=True).
+5. Прогресс-бар с tqdm
+from tqdm import tqdm
+import time
+
+for i in tqdm(range(100)):
+    time.sleep(0.01)  # Симуляция долгого процесса
+Попробуйте:
+
+Использовать tqdm для обработки данных (tqdm(df.iterrows())).
+Добавить кастомные стилизации (tqdm(range(100), desc='Загрузка')).
+6. Самостоятельное задание
+Задание: Найдите свободные данные (например, на https://www.kaggle.com/ или https://datahub.io/) и выполните их анализ.
+
+Загрузите данные в pandas (pd.read_csv() или pd.read_excel()).
+Проведите базовый анализ (df.info(), df.describe()).
+Постройте минимум 3 разных графика (histplot, scatterplot, boxplot).
+Используйте tqdm, если работаете с большими данными.
+Сохраните результаты в Jupyter Notebook и зафиксируйте изменения в Git.