Python курс для аналитика данных — pandas, numpy, scipy

Программа курса

8 модулей. К концу курса умеешь делать full-stack аналитический pipeline: загрузить CSV → почистить → агрегировать → визуализировать → отчитаться.

Почему через Pyodide

Pyodide — это CPython 3.12 скомпилированный в WebAssembly. Полноценный Python в браузере: pandas, numpy, scipy, scikit-learn, matplotlib — все ставятся за 5-15 секунд при первой задаче, далее всё локально. Не нужны Anaconda, Jupyter, virtualenv.

Формат: чистая практика на реальных размерах данных

Главное отличие нашего формата — задачи имитируют реальные сценарии аналитика: 50-100 строк кода, datasets от 1000+ строк, multi-step трансформации. На собесе тоже не будут давать «выведи квадрат числа» — будут просить cohort retention на 5 таблицах.

Сколько времени уйдёт

Реалистичные сроки от бэкграунда:

Что получишь

После прохождения 8 модулей:

• Умеешь читать CSV/Excel/Parquet/JSON в pandas
• Делаешь groupby + merge + pivot на 5+ таблицах
• Понимаешь vectorization vs apply (apply медленнее в 100×)
• Проводишь A/B-тесты через scipy.stats
• Строишь графики matplotlib/seaborn без гугла
• Решаешь algo-задачи уровня easy за 15 мин, medium за 30 мин

Полезные библиотеки

Что входит в Pyodide и что доступно из коробки:

• pandas 2.2 — полная поддержка
• numpy 1.26 — полная поддержка
• scipy 1.13 — stats, optimize, signal
• scikit-learn 1.4 — classification, regression, clustering
• matplotlib 3.8 — визуализация (без интерактивности)
• seaborn 0.13 — высокоуровневая визуализация
• statsmodels 0.14 — расширенная статистика
• NOT доступно: torch, tensorflow, lightgbm, xgboost (слишком тяжёлые для WASM)

Пример задачи модуля 3 (pandas)

Классическая задача groupby + transform для broadcast обратно:

# Задача: посчитать долю выручки каждого товара в категории
import pandas as pd
df = pd.DataFrame({
    'category': ['A', 'A', 'B', 'B', 'B'],
    'product': ['p1', 'p2', 'p3', 'p4', 'p5'],
    'revenue': [100, 200, 50, 150, 100],
})
df['category_total'] = df.groupby('category')['revenue'].transform('sum')
df['share'] = df['revenue'] / df['category_total'] * 100
print(df)
# Output:
#   category product  revenue  category_total  share
# 0        A     p1      100             300  33.33
# 1        A     p2      200             300  66.67
# 2        B     p3       50             300  16.67
# 3        B     p4      150             300  50.00
# 4        B     p5      100             300  33.33