\u0412 \u0441\u043e\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u043e\u043c \u043c\u0438\u0440\u0435 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u043e\u043d\u043d\u044b\u0445 \u0442\u0435\u0445\u043d\u043e\u043b\u043e\u0433\u0438\u0439 \u0434\u0430\u043d\u043d\u044b\u0435 \u0441\u0442\u0430\u043b\u0438 \u043d\u043e\u0432\u043e\u0439 \u043d\u0435\u0444\u0442\u044c\u044e. \u041a\u0430\u0436\u0434\u044b\u0439 \u0434\u0435\u043d\u044c \u0441\u043e\u0437\u0434\u0430\u044e\u0442\u0441\u044f \u0442\u0435\u0440\u0430\u0431\u0430\u0439\u0442\u044b \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438, \u0438 \u0441\u043f\u043e\u0441\u043e\u0431\u043d\u043e\u0441\u0442\u044c \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u043e \u043e\u0431\u0440\u0430\u0431\u0430\u0442\u044b\u0432\u0430\u0442\u044c, \u0430\u043d\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0438 \u0438\u0437\u0432\u043b\u0435\u043a\u0430\u0442\u044c \u0438\u0437 \u043d\u0435\u0451 \u0446\u0435\u043d\u043d\u044b\u0435 \u0438\u043d\u0441\u0430\u0439\u0442\u044b \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044f\u0435\u0442 \u043a\u043e\u043d\u043a\u0443\u0440\u0435\u043d\u0442\u043e\u0441\u043f\u043e\u0441\u043e\u0431\u043d\u043e\u0441\u0442\u044c \u043a\u043e\u043c\u043f\u0430\u043d\u0438\u0439 \u0438 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u043c\u044b\u0445 \u0440\u0435\u0448\u0435\u043d\u0438\u0439. \u0412 \u044d\u0442\u043e\u043c \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442\u0435 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 Pandas \u0434\u043b\u044f Python \u0441\u0442\u0430\u043b\u0430 \u043d\u0430\u0441\u0442\u043e\u044f\u0449\u0438\u043c \u043f\u0440\u043e\u0440\u044b\u0432\u043e\u043c, \u043f\u0440\u0435\u0434\u043e\u0441\u0442\u0430\u0432\u0438\u0432 \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a\u0430\u043c \u0438 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u043a\u0430\u043c \u043c\u043e\u0449\u043d\u044b\u0439, \u0438\u043d\u0442\u0443\u0438\u0442\u0438\u0432\u043d\u043e \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u0439 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u0434\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438.<\/p>\n\n\n\n
Pandas (Panel Data) \u2014 \u044d\u0442\u043e \u043e\u0442\u043a\u0440\u044b\u0442\u0430\u044f \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 Python, \u0441\u043e\u0437\u0434\u0430\u043d\u043d\u0430\u044f \u0423\u044d\u0441\u043e\u043c \u041c\u0430\u043a\u041a\u0438\u043d\u043d\u0438 \u0432 2008 \u0433\u043e\u0434\u0443 \u0434\u043b\u044f \u0440\u0435\u0448\u0435\u043d\u0438\u044f \u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0437\u0430\u0434\u0430\u0447 \u0444\u0438\u043d\u0430\u043d\u0441\u043e\u0432\u043e\u0433\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0430. \u041f\u0435\u0440\u0432\u043e\u043d\u0430\u0447\u0430\u043b\u044c\u043d\u043e \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0430\u043d\u043d\u0430\u044f \u0434\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u043c\u0438 \u0440\u044f\u0434\u0430\u043c\u0438 \u0438 \u043f\u0430\u043d\u0435\u043b\u044c\u043d\u044b\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u0432 \u0444\u0438\u043d\u0430\u043d\u0441\u043e\u0432\u043e\u043c \u0441\u0435\u043a\u0442\u043e\u0440\u0435, \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0431\u044b\u0441\u0442\u0440\u043e \u043f\u0435\u0440\u0435\u0440\u043e\u0441\u043b\u0430 \u0441\u0432\u043e\u0438 \u0438\u0437\u043d\u0430\u0447\u0430\u043b\u044c\u043d\u044b\u0435 \u0440\u0430\u043c\u043a\u0438 \u0438 \u0441\u0442\u0430\u043b\u0430 \u0443\u043d\u0438\u0432\u0435\u0440\u0441\u0430\u043b\u044c\u043d\u044b\u043c \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u043e\u043c \u0434\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0442\u0430\u0431\u043b\u0438\u0447\u043d\u044b\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u043b\u044e\u0431\u043e\u0433\u043e \u0442\u0438\u043f\u0430.<\/p>\n\n\n\n
\u0427\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u0442 Pandas \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u044b\u043c? \u042d\u0442\u0430 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u043e\u0431\u044a\u0435\u0434\u0438\u043d\u044f\u0435\u0442 \u0432 \u0441\u0435\u0431\u0435 \u043c\u043e\u0449\u044c \u0438 \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c NumPy \u0441 \u0443\u0434\u043e\u0431\u0441\u0442\u0432\u043e\u043c \u0438 \u0433\u0438\u0431\u043a\u043e\u0441\u0442\u044c\u044e \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0440\u0435\u043b\u044f\u0446\u0438\u043e\u043d\u043d\u044b\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438, \u043f\u0440\u0435\u0434\u043e\u0441\u0442\u0430\u0432\u043b\u044f\u044f \u043f\u0440\u0438 \u044d\u0442\u043e\u043c \u0438\u043d\u0442\u0443\u0438\u0442\u0438\u0432\u043d\u043e \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u0439 \u0438\u043d\u0442\u0435\u0440\u0444\u0435\u0439\u0441, \u043d\u0430\u043f\u043e\u043c\u0438\u043d\u0430\u044e\u0449\u0438\u0439 \u0440\u0430\u0431\u043e\u0442\u0443 \u0441 Excel, \u043d\u043e \u0441 \u043d\u0435\u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u043d\u044b\u043c\u0438 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044f\u043c\u0438 \u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u043d\u043e\u0433\u043e \u0443\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f.<\/p>\n\n\n\n
Pandas \u043f\u043e\u0441\u0442\u0440\u043e\u0435\u043d\u0430 \u043f\u043e\u0432\u0435\u0440\u0445 NumPy, \u0447\u0442\u043e \u043e\u0431\u0435\u0441\u043f\u0435\u0447\u0438\u0432\u0430\u0435\u0442 \u0432\u044b\u0441\u043e\u043a\u0443\u044e \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439. NumPy \u043f\u0440\u0435\u0434\u043e\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u044b\u0435 \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u044b \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u043c\u0430\u0441\u0441\u0438\u0432\u043e\u0432 \u0438 \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0438, \u0430 Pandas \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u0442 \u043f\u043e\u0432\u0435\u0440\u0445 \u044d\u0442\u043e\u0433\u043e \u0441\u043b\u043e\u0439 \u0430\u0431\u0441\u0442\u0440\u0430\u043a\u0446\u0438\u0438, \u0434\u0435\u043b\u0430\u044e\u0449\u0438\u0439 \u0440\u0430\u0431\u043e\u0442\u0443 \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u0431\u043e\u043b\u0435\u0435 \u0443\u0434\u043e\u0431\u043d\u043e\u0439 \u0438 \u0438\u043d\u0442\u0443\u0438\u0442\u0438\u0432\u043d\u043e\u0439.<\/p>\n\n\n\n
\u0421\u043e\u0437\u0434\u0430\u0442\u0435\u043b\u0438 Pandas \u0440\u0443\u043a\u043e\u0432\u043e\u0434\u0441\u0442\u0432\u043e\u0432\u0430\u043b\u0438\u0441\u044c \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u043c\u0438 \u043a\u043b\u044e\u0447\u0435\u0432\u044b\u043c\u0438 \u043f\u0440\u0438\u043d\u0446\u0438\u043f\u0430\u043c\u0438:<\/p>\n\n\n\n
\u0418\u043d\u0442\u0443\u0438\u0442\u0438\u0432\u043d\u043e\u0441\u0442\u044c<\/strong>: \u0421\u0438\u043d\u0442\u0430\u043a\u0441\u0438\u0441 \u0434\u043e\u043b\u0436\u0435\u043d \u0431\u044b\u0442\u044c \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c \u0434\u0430\u0436\u0435 \u0434\u043b\u044f \u043d\u043e\u0432\u0438\u0447\u043a\u043e\u0432 \u0414\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 Pandas \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e:<\/p>\n\n\n\n \u0423\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0430 \u0447\u0435\u0440\u0435\u0437 pip:<\/strong><\/p>\n\n\n\n \u0423\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0430 \u0447\u0435\u0440\u0435\u0437 conda:<\/strong><\/p>\n\n\n\n \u0423\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0430 \u0441 \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u043c\u0438 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u044f\u043c\u0438:<\/strong><\/p>\n\n\n\n Series \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u0441\u043e\u0431\u043e\u0439 \u043e\u0434\u043d\u043e\u043c\u0435\u0440\u043d\u044b\u0439 \u043c\u0430\u0441\u0441\u0438\u0432 \u0441 \u043c\u0435\u0442\u043a\u0430\u043c\u0438 (\u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c). \u042d\u0442\u043e \u0431\u0430\u0437\u043e\u0432\u0430\u044f \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0430 \u0434\u0430\u043d\u043d\u044b\u0445 Pandas, \u0430\u043d\u0430\u043b\u043e\u0433\u0438\u0447\u043d\u0430\u044f \u0441\u0442\u043e\u043b\u0431\u0446\u0443 \u0432 \u044d\u043b\u0435\u043a\u0442\u0440\u043e\u043d\u043d\u043e\u0439 \u0442\u0430\u0431\u043b\u0438\u0446\u0435.<\/p>\n\n\n\n \u0410\u0432\u0442\u043e\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u0432\u044b\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u043d\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0445<\/strong>: \u041f\u0440\u0438 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044f\u0445 \u043c\u0435\u0436\u0434\u0443 Series \u0434\u0430\u043d\u043d\u044b\u0435 \u0430\u0432\u0442\u043e\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u0432\u044b\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u044e\u0442\u0441\u044f \u043f\u043e \u0438\u043d\u0434\u0435\u043a\u0441\u0443.<\/p>\n\n\n\n \u0412\u0441\u0442\u0440\u043e\u0435\u043d\u043d\u044b\u0435 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438<\/strong>: Series \u043f\u0440\u0435\u0434\u043e\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u0431\u043e\u0433\u0430\u0442\u044b\u0439 \u043d\u0430\u0431\u043e\u0440 \u043c\u0435\u0442\u043e\u0434\u043e\u0432 \u0434\u043b\u044f \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0430\u043d\u0430\u043b\u0438\u0437\u0430.<\/p>\n\n\n\n \u0413\u0438\u0431\u043a\u0430\u044f \u0438\u043d\u0434\u0435\u043a\u0441\u0430\u0446\u0438\u044f<\/strong>: \u041f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u0430 \u043a\u0430\u043a \u0447\u0438\u0441\u043b\u043e\u0432\u044b\u0445, \u0442\u0430\u043a \u0438 \u0441\u0442\u0440\u043e\u043a\u043e\u0432\u044b\u0445 \u0438\u043d\u0434\u0435\u043a\u0441\u043e\u0432 \u0441 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c\u044e \u043c\u043d\u043e\u0433\u043e\u0443\u0440\u043e\u0432\u043d\u0435\u0432\u043e\u0439 \u0438\u043d\u0434\u0435\u043a\u0441\u0430\u0446\u0438\u0438.<\/p>\n\n\n\n DataFrame \u2014 \u044d\u0442\u043e \u043e\u0441\u043d\u043e\u0432\u043d\u0430\u044f \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0430 \u0434\u0430\u043d\u043d\u044b\u0445 Pandas, \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u044e\u0449\u0430\u044f \u0441\u043e\u0431\u043e\u0439 \u0434\u0432\u0443\u043c\u0435\u0440\u043d\u0443\u044e \u0442\u0430\u0431\u043b\u0438\u0446\u0443 \u0441 \u043c\u0435\u0442\u043a\u0430\u043c\u0438 \u0441\u0442\u0440\u043e\u043a \u0438 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432. \u041c\u043e\u0436\u043d\u043e \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0435\u0451 \u043a\u0430\u043a \u043a\u043e\u043b\u043b\u0435\u043a\u0446\u0438\u044e Series \u0441 \u043e\u0431\u0449\u0438\u043c \u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c.<\/p>\n\n\n\n \u0418\u043d\u0434\u0435\u043a\u0441 (Index)<\/strong>: \u041c\u0435\u0442\u043a\u0438 \u0441\u0442\u0440\u043e\u043a, \u043e\u0431\u0435\u0441\u043f\u0435\u0447\u0438\u0432\u0430\u044e\u0449\u0438\u0435 \u0431\u044b\u0441\u0442\u0440\u044b\u0439 \u0434\u043e\u0441\u0442\u0443\u043f \u043a \u0434\u0430\u043d\u043d\u044b\u043c CSV (Comma-Separated Values) \u2014 \u043e\u0434\u0438\u043d \u0438\u0437 \u0441\u0430\u043c\u044b\u0445 \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0451\u043d\u043d\u044b\u0445 \u0444\u043e\u0440\u043c\u0430\u0442\u043e\u0432 \u0434\u043b\u044f \u0445\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u0442\u0430\u0431\u043b\u0438\u0447\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445.<\/p>\n\n\n\n Parquet \u2014 \u044d\u0442\u043e \u043a\u043e\u043b\u043e\u043d\u043e\u0447\u043d\u044b\u0439 \u0444\u043e\u0440\u043c\u0430\u0442 \u0434\u0430\u043d\u043d\u044b\u0445, \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0439 \u0434\u043b\u044f \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432.<\/p>\n\n\n\n \u041d\u043e\u0432\u044b\u0435 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u0438 \u0432 \u0441\u043e\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0445 \u0432\u0435\u0440\u0441\u0438\u044f\u0445 Pandas:<\/p>\n\n\n\n PyArrow backend<\/strong>: \u0411\u043e\u043b\u0435\u0435 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u043e\u0435 \u0445\u0440\u0430\u043d\u0435\u043d\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0445 \u0411\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 Pandas \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u0441\u043e\u0431\u043e\u0439 \u043d\u0435 \u043f\u0440\u043e\u0441\u0442\u043e \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u0434\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u2014 \u044d\u0442\u043e \u0446\u0435\u043b\u0430\u044f \u044d\u043a\u043e\u0441\u0438\u0441\u0442\u0435\u043c\u0430, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0438\u0440\u0443\u0435\u0442 \u043f\u043e\u0434\u0445\u043e\u0434 \u043a \u0430\u043d\u0430\u043b\u0438\u0437\u0443 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438. \u0417\u0430 \u0433\u043e\u0434\u044b \u0441\u0432\u043e\u0435\u0433\u043e \u0440\u0430\u0437\u0432\u0438\u0442\u0438\u044f \u043e\u043d\u0430 \u0441\u0442\u0430\u043b\u0430 \u043d\u0435\u043e\u0442\u044a\u0435\u043c\u043b\u0435\u043c\u043e\u0439 \u0447\u0430\u0441\u0442\u044c\u044e \u0441\u0442\u0435\u043a\u0430 \u0442\u0435\u0445\u043d\u043e\u043b\u043e\u0433\u0438\u0439 \u0434\u0430\u0442\u0430-\u0441\u0430\u0439\u0435\u043d\u0442\u0438\u0441\u0442\u0430, \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u043a\u0430 \u0438 \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a\u0430.<\/p>\n\n\n\n \u0423\u043d\u0438\u0432\u0435\u0440\u0441\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c<\/strong>: Pandas \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u043e \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u0430 \u0434\u043b\u044f \u0440\u0435\u0448\u0435\u043d\u0438\u044f \u043f\u0440\u043e\u0441\u0442\u044b\u0445 \u0437\u0430\u0434\u0430\u0447 \u043e\u0447\u0438\u0441\u0442\u043a\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 \u0438 \u0441\u043b\u043e\u0436\u043d\u044b\u0445 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043f\u0440\u043e\u0435\u043a\u0442\u043e\u0432.<\/p>\n\n\n\n
\u041f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c<\/strong>: \u041e\u043f\u0435\u0440\u0430\u0446\u0438\u0438 \u0434\u043e\u043b\u0436\u043d\u044b \u0432\u044b\u043f\u043e\u043b\u043d\u044f\u0442\u044c\u0441\u044f \u0431\u044b\u0441\u0442\u0440\u043e \u0434\u0430\u0436\u0435 \u043d\u0430 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u043e\u0431\u044a\u0451\u043c\u0430\u0445 \u0434\u0430\u043d\u043d\u044b\u0445
\u0413\u0438\u0431\u043a\u043e\u0441\u0442\u044c<\/strong>: \u0411\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 \u0434\u043e\u043b\u0436\u043d\u0430 \u043f\u043e\u0434\u0434\u0435\u0440\u0436\u0438\u0432\u0430\u0442\u044c \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0435 \u0444\u043e\u0440\u043c\u0430\u0442\u044b \u0434\u0430\u043d\u043d\u044b\u0445 \u0438 \u0441\u0446\u0435\u043d\u0430\u0440\u0438\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f
\u0421\u043e\u0432\u043c\u0435\u0441\u0442\u0438\u043c\u043e\u0441\u0442\u044c<\/strong>: \u0418\u043d\u0442\u0435\u0433\u0440\u0430\u0446\u0438\u044f \u0441 \u0434\u0440\u0443\u0433\u0438\u043c\u0438 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430\u043c\u0438 \u044d\u043a\u043e\u0441\u0438\u0441\u0442\u0435\u043c\u044b Python \u0434\u043e\u043b\u0436\u043d\u0430 \u0431\u044b\u0442\u044c \u0431\u0435\u0441\u0448\u043e\u0432\u043d\u043e\u0439<\/p>\n\n\n\n\u0423\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0430 \u0438 \u043d\u0430\u0441\u0442\u0440\u043e\u0439\u043a\u0430 \u0441\u0440\u0435\u0434\u044b<\/h2>\n\n\n\n
\u0421\u0438\u0441\u0442\u0435\u043c\u043d\u044b\u0435 \u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u0438\u044f<\/h3>\n\n\n\n
\n
\u0421\u043f\u043e\u0441\u043e\u0431\u044b \u0443\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0438<\/h3>\n\n\n\n
pip install pandas<\/code><\/pre>\n\n\n\nconda install -c conda-forge pandas<\/code><\/pre>\n\n\n\npip install pandas[all] # \u0432\u043a\u043b\u044e\u0447\u0430\u0435\u0442 \u0432\u0441\u0435 \u043e\u043f\u0446\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0435 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438\npip install pandas[excel] # \u0434\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 Excel \u0444\u0430\u0439\u043b\u0430\u043c\u0438\npip install pandas[plotting] # \u0434\u043b\u044f \u0440\u0430\u0441\u0448\u0438\u0440\u0435\u043d\u043d\u044b\u0445 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u0435\u0439 \u0432\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438<\/code><\/pre>\n\n\n\n\u0418\u043c\u043f\u043e\u0440\u0442 \u0438 \u0431\u0430\u0437\u043e\u0432\u0430\u044f \u043d\u0430\u0441\u0442\u0440\u043e\u0439\u043a\u0430<\/h3>\n\n\n\n
import pandas as pd\nimport numpy as np\n\n# \u041d\u0430\u0441\u0442\u0440\u043e\u0439\u043a\u0430 \u043e\u0442\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0434\u0430\u043d\u043d\u044b\u0445\npd.set_option('display.max_columns', None) # \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0442\u044c \u0432\u0441\u0435 \u0441\u0442\u043e\u043b\u0431\u0446\u044b\npd.set_option('display.max_rows', 100) # \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0442\u044c \u0434\u043e 100 \u0441\u0442\u0440\u043e\u043a\npd.set_option('display.precision', 2) # \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c \u0447\u0438\u0441\u0435\u043b \u0441 \u043f\u043b\u0430\u0432\u0430\u044e\u0449\u0435\u0439 \u0442\u043e\u0447\u043a\u043e\u0439<\/code><\/pre>\n\n\n\n\u041e\u0441\u043d\u043e\u0432\u043d\u044b\u0435 \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u044b \u0434\u0430\u043d\u043d\u044b\u0445 \u0432 Pandas<\/h2>\n\n\n\n
Series: \u041e\u0434\u043d\u043e\u043c\u0435\u0440\u043d\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u0441 \u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c<\/h3>\n\n\n\n
\u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 Series<\/h4>\n\n\n\n
# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0438\u0437 \u0441\u043f\u0438\u0441\u043a\u0430\ndata = [10, 20, 30, 40, 50]\nseries = pd.Series(data, index=['a', 'b', 'c', 'd', 'e'])\n\n# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0438\u0437 \u0441\u043b\u043e\u0432\u0430\u0440\u044f\ndict_data = {'\u044f\u043d\u0432\u0430\u0440\u044c': 1000, '\u0444\u0435\u0432\u0440\u0430\u043b\u044c': 1200, '\u043c\u0430\u0440\u0442': 1100}\nseries_dict = pd.Series(dict_data)\n\n# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0441 \u0443\u043a\u0430\u0437\u0430\u043d\u0438\u0435\u043c \u0442\u0438\u043f\u0430 \u0434\u0430\u043d\u043d\u044b\u0445\nseries_int = pd.Series([1, 2, 3, 4], dtype='int32')<\/code><\/pre>\n\n\n\n\u0423\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u0435 \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u0438 Series<\/h4>\n\n\n\n
DataFrame: \u0414\u0432\u0443\u043c\u0435\u0440\u043d\u044b\u0435 \u0442\u0430\u0431\u043b\u0438\u0447\u043d\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435<\/h3>\n\n\n\n
\u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 DataFrame<\/h4>\n\n\n\n
# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0438\u0437 \u0441\u043b\u043e\u0432\u0430\u0440\u044f\ndata = {\n '\u0418\u043c\u044f': ['\u0410\u043d\u043d\u0430', '\u0411\u043e\u0440\u0438\u0441', '\u0412\u0438\u043a\u0442\u043e\u0440', '\u0413\u0430\u043b\u0438\u043d\u0430'],\n '\u0412\u043e\u0437\u0440\u0430\u0441\u0442': [25, 30, 35, 28],\n '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430': [50000, 60000, 75000, 55000],\n '\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442': ['IT', '\u0424\u0438\u043d\u0430\u043d\u0441\u044b', 'IT', '\u041c\u0430\u0440\u043a\u0435\u0442\u0438\u043d\u0433']\n}\ndf = pd.DataFrame(data)\n\n# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0438\u0437 \u0441\u043f\u0438\u0441\u043a\u0430 \u0441\u043b\u043e\u0432\u0430\u0440\u0435\u0439\nemployees = [\n {'\u0418\u043c\u044f': '\u0410\u043d\u043d\u0430', '\u0412\u043e\u0437\u0440\u0430\u0441\u0442': 25, '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430': 50000},\n {'\u0418\u043c\u044f': '\u0411\u043e\u0440\u0438\u0441', '\u0412\u043e\u0437\u0440\u0430\u0441\u0442': 30, '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430': 60000},\n {'\u0418\u043c\u044f': '\u0412\u0438\u043a\u0442\u043e\u0440', '\u0412\u043e\u0437\u0440\u0430\u0441\u0442': 35, '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430': 75000}\n]\ndf_from_list = pd.DataFrame(employees)\n\n# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0438\u0437 \u043c\u0430\u0441\u0441\u0438\u0432\u0430 NumPy\nnumpy_data = np.random.randn(4, 3)\ndf_numpy = pd.DataFrame(numpy_data, \n columns=['A', 'B', 'C'], \n index=['\u0441\u0442\u0440\u043e\u043a\u04301', '\u0441\u0442\u0440\u043e\u043a\u04302', '\u0441\u0442\u0440\u043e\u043a\u04303', '\u0441\u0442\u0440\u043e\u043a\u04304'])<\/code><\/pre>\n\n\n\n\u0410\u043d\u0430\u0442\u043e\u043c\u0438\u044f DataFrame<\/h4>\n\n\n\n
\u0421\u0442\u043e\u043b\u0431\u0446\u044b (Columns)<\/strong>: \u041c\u0435\u0442\u043a\u0438 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432, \u043a\u0430\u0436\u0434\u044b\u0439 \u0438\u0437 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f Series
\u0414\u0430\u043d\u043d\u044b\u0435 (Values)<\/strong>: \u0421\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0434\u0430\u043d\u043d\u044b\u0435 \u0432 \u0432\u0438\u0434\u0435 \u043c\u0430\u0441\u0441\u0438\u0432\u0430 NumPy<\/p>\n\n\n\n\u0417\u0430\u0433\u0440\u0443\u0437\u043a\u0430 \u0438 \u0441\u043e\u0445\u0440\u0430\u043d\u0435\u043d\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0445<\/h2>\n\n\n\n
\u0420\u0430\u0431\u043e\u0442\u0430 \u0441 CSV \u0444\u0430\u0439\u043b\u0430\u043c\u0438<\/h3>\n\n\n\n
# \u0417\u0430\u0433\u0440\u0443\u0437\u043a\u0430 CSV \u0441 \u043e\u0441\u043d\u043e\u0432\u043d\u044b\u043c\u0438 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u0430\u043c\u0438\ndf = pd.read_csv('data.csv')\n\n# \u0417\u0430\u0433\u0440\u0443\u0437\u043a\u0430 \u0441 \u043d\u0430\u0441\u0442\u0440\u043e\u0439\u043a\u0430\u043c\u0438\ndf = pd.read_csv(\n 'data.csv',\n sep=';', # \u0440\u0430\u0437\u0434\u0435\u043b\u0438\u0442\u0435\u043b\u044c\n encoding='utf-8', # \u043a\u043e\u0434\u0438\u0440\u043e\u0432\u043a\u0430\n index_col=0, # \u0441\u0442\u043e\u043b\u0431\u0435\u0446 \u0434\u043b\u044f \u0438\u043d\u0434\u0435\u043a\u0441\u0430\n parse_dates=['\u0434\u0430\u0442\u0430'], # \u043f\u0430\u0440\u0441\u0438\u043d\u0433 \u0434\u0430\u0442\n na_values=['', 'NULL'], # \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u0434\u043b\u044f \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u043e\u0432\n skiprows=1, # \u043f\u0440\u043e\u043f\u0443\u0441\u0442\u0438\u0442\u044c \u0441\u0442\u0440\u043e\u043a\u0438\n nrows=1000 # \u043f\u0440\u043e\u0447\u0438\u0442\u0430\u0442\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u043f\u0435\u0440\u0432\u044b\u0435 1000 \u0441\u0442\u0440\u043e\u043a\n)\n\n# \u0421\u043e\u0445\u0440\u0430\u043d\u0435\u043d\u0438\u0435 \u0432 CSV\ndf.to_csv('output.csv', \n index=False, # \u043d\u0435 \u0441\u043e\u0445\u0440\u0430\u043d\u044f\u0442\u044c \u0438\u043d\u0434\u0435\u043a\u0441\n encoding='utf-8', # \u043a\u043e\u0434\u0438\u0440\u043e\u0432\u043a\u0430\n sep=';') # \u0440\u0430\u0437\u0434\u0435\u043b\u0438\u0442\u0435\u043b\u044c<\/code><\/pre>\n\n\n\n\u0420\u0430\u0431\u043e\u0442\u0430 \u0441 Excel \u0444\u0430\u0439\u043b\u0430\u043c\u0438<\/h3>\n\n\n\n
# \u0427\u0442\u0435\u043d\u0438\u0435 Excel \u0444\u0430\u0439\u043b\u0430\ndf = pd.read_excel('data.xlsx', \n sheet_name='\u041b\u0438\u0441\u04421', # \u0438\u043c\u044f \u043b\u0438\u0441\u0442\u0430\n header=0, # \u0441\u0442\u0440\u043e\u043a\u0430 \u0437\u0430\u0433\u043e\u043b\u043e\u0432\u043a\u043e\u0432\n usecols='A:D') # \u0441\u0442\u043e\u043b\u0431\u0446\u044b \u0434\u043b\u044f \u0447\u0442\u0435\u043d\u0438\u044f\n\n# \u0427\u0442\u0435\u043d\u0438\u0435 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u0445 \u043b\u0438\u0441\u0442\u043e\u0432\nexcel_dict = pd.read_excel('data.xlsx', sheet_name=None)\n\n# \u0421\u043e\u0445\u0440\u0430\u043d\u0435\u043d\u0438\u0435 \u0432 Excel\nwith pd.ExcelWriter('output.xlsx', engine='openpyxl') as writer:\n df.to_sheet(writer, sheet_name='\u0414\u0430\u043d\u043d\u044b\u0435', index=False)\n summary.to_sheet(writer, sheet_name='\u0421\u0432\u043e\u0434\u043a\u0430', index=False)<\/code><\/pre>\n\n\n\n\u0420\u0430\u0431\u043e\u0442\u0430 \u0441 JSON<\/h3>\n\n\n\n
# \u0427\u0442\u0435\u043d\u0438\u0435 JSON\ndf = pd.read_json('data.json', orient='records')\n\n# \u0421\u043e\u0445\u0440\u0430\u043d\u0435\u043d\u0438\u0435 \u0432 JSON\ndf.to_json('output.json', \n orient='records', # \u043e\u0440\u0438\u0435\u043d\u0442\u0430\u0446\u0438\u044f \u0434\u0430\u043d\u043d\u044b\u0445\n indent=2, # \u043e\u0442\u0441\u0442\u0443\u043f\u044b \u0434\u043b\u044f \u0447\u0438\u0442\u0430\u0435\u043c\u043e\u0441\u0442\u0438\n date_format='iso') # \u0444\u043e\u0440\u043c\u0430\u0442 \u0434\u0430\u0442<\/code><\/pre>\n\n\n\n\u0420\u0430\u0431\u043e\u0442\u0430 \u0441 \u0431\u0430\u0437\u0430\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u0445<\/h3>\n\n\n\n
import sqlite3\n\n# \u041f\u043e\u0434\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u0435 \u043a SQLite\nconn = sqlite3.connect('database.db')\n\n# \u0427\u0442\u0435\u043d\u0438\u0435 \u0438\u0437 \u0431\u0430\u0437\u044b \u0434\u0430\u043d\u043d\u044b\u0445\ndf = pd.read_sql_query(\"SELECT * FROM employees WHERE salary > 50000\", conn)\n\n# \u0421\u043e\u0445\u0440\u0430\u043d\u0435\u043d\u0438\u0435 \u0432 \u0431\u0430\u0437\u0443 \u0434\u0430\u043d\u043d\u044b\u0445\ndf.to_sql('new_table', conn, if_exists='replace', index=False)\n\nconn.close()<\/code><\/pre>\n\n\n\n\u0420\u0430\u0431\u043e\u0442\u0430 \u0441 Parquet<\/h3>\n\n\n\n
# \u0427\u0442\u0435\u043d\u0438\u0435 Parquet\ndf = pd.read_parquet('data.parquet')\n\n# \u0421\u043e\u0445\u0440\u0430\u043d\u0435\u043d\u0438\u0435 \u0432 Parquet\ndf.to_parquet('output.parquet', \n compression='snappy', # \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c \u0441\u0436\u0430\u0442\u0438\u044f\n index=False)<\/code><\/pre>\n\n\n\n\u0418\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u043d\u0438\u0435 \u0438 \u043e\u0431\u0437\u043e\u0440 \u0434\u0430\u043d\u043d\u044b\u0445<\/h2>\n\n\n\n
\u041f\u0435\u0440\u0432\u0438\u0447\u043d\u044b\u0439 \u0430\u043d\u0430\u043b\u0438\u0437 \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u044b \u0434\u0430\u043d\u043d\u044b\u0445<\/h3>\n\n\n\n
# \u041e\u0441\u043d\u043e\u0432\u043d\u0430\u044f \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044f \u043e DataFrame\nprint(df.info()) # \u0442\u0438\u043f\u044b \u0434\u0430\u043d\u043d\u044b\u0445, \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043d\u0435\u043f\u0443\u0441\u0442\u044b\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439\nprint(df.describe()) # \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u0445\u0430\u0440\u0430\u043a\u0442\u0435\u0440\u0438\u0441\u0442\u0438\u043a\u0438\nprint(df.head(10)) # \u043f\u0435\u0440\u0432\u044b\u0435 10 \u0441\u0442\u0440\u043e\u043a\nprint(df.tail(5)) # \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 5 \u0441\u0442\u0440\u043e\u043a\nprint(df.shape) # \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c (\u0441\u0442\u0440\u043e\u043a\u0438, \u0441\u0442\u043e\u043b\u0431\u0446\u044b)<\/code><\/pre>\n\n\n\n\u0410\u043d\u0430\u043b\u0438\u0437 \u043f\u0440\u043e\u043f\u0443\u0449\u0435\u043d\u043d\u044b\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439<\/h3>\n\n\n\n
# \u041f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u043f\u0440\u043e\u043f\u0443\u0449\u0435\u043d\u043d\u044b\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439\nprint(df.isnull().sum()) # \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u043e\u0432 \u043f\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u0430\u043c\nprint(df.isnull().sum().sum()) # \u043e\u0431\u0449\u0435\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u043e\u0432\n\n# \u0412\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u043e\u0432\nimport matplotlib.pyplot as plt\nimport seaborn as sns\n\nplt.figure(figsize=(10, 6))\nsns.heatmap(df.isnull(), yticklabels=False, cbar=True, cmap='viridis')\nplt.title('\u041a\u0430\u0440\u0442\u0430 \u043f\u0440\u043e\u043f\u0443\u0449\u0435\u043d\u043d\u044b\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439')\nplt.show()<\/code><\/pre>\n\n\n\n\u0410\u043d\u0430\u043b\u0438\u0437 \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439<\/h3>\n\n\n\n
# \u0423\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u0432 \u0441\u0442\u043e\u043b\u0431\u0446\u0435\nprint(df['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442'].unique())\nprint(df['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442'].nunique()) # \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u0445\nprint(df['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442'].value_counts()) # \u043f\u043e\u0434\u0441\u0447\u0451\u0442 \u043f\u043e \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f\u043c<\/code><\/pre>\n\n\n\n\u0418\u043d\u0434\u0435\u043a\u0441\u0430\u0446\u0438\u044f \u0438 \u0432\u044b\u0431\u043e\u0440\u043a\u0430 \u0434\u0430\u043d\u043d\u044b\u0445<\/h2>\n\n\n\n
\u0420\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0435 \u0441\u043f\u043e\u0441\u043e\u0431\u044b \u0434\u043e\u0441\u0442\u0443\u043f\u0430 \u043a \u0434\u0430\u043d\u043d\u044b\u043c<\/h3>\n\n\n\n
# \u0412\u044b\u0431\u043e\u0440 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432\nsingle_column = df['\u0418\u043c\u044f'] # \u043e\u0434\u0438\u043d\u043e\u0447\u043d\u044b\u0439 \u0441\u0442\u043e\u043b\u0431\u0435\u0446 (Series)\nmultiple_columns = df[['\u0418\u043c\u044f', '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430']] # \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432 (DataFrame)\n\n# \u0412\u044b\u0431\u043e\u0440 \u0441\u0442\u0440\u043e\u043a \u043f\u043e \u0438\u043d\u0434\u0435\u043a\u0441\u0443\ndf.loc[0] # \u0441\u0442\u0440\u043e\u043a\u0430 \u043f\u043e \u043c\u0435\u0442\u043a\u0435 \u0438\u043d\u0434\u0435\u043a\u0441\u0430\ndf.iloc[0] # \u0441\u0442\u0440\u043e\u043a\u0430 \u043f\u043e \u043f\u043e\u0437\u0438\u0446\u0438\u0438\ndf.loc[0:2] # \u0441\u0440\u0435\u0437 \u043f\u043e \u043c\u0435\u0442\u043a\u0430\u043c (\u0432\u043a\u043b\u044e\u0447\u0438\u0442\u0435\u043b\u044c\u043d\u043e)\ndf.iloc[0:3] # \u0441\u0440\u0435\u0437 \u043f\u043e \u043f\u043e\u0437\u0438\u0446\u0438\u044f\u043c (\u0438\u0441\u043a\u043b\u044e\u0447\u0430\u044f \u043a\u043e\u043d\u0435\u0446)<\/code><\/pre>\n\n\n\n\u041b\u043e\u0433\u0438\u0447\u0435\u0441\u043a\u0430\u044f \u0438\u043d\u0434\u0435\u043a\u0441\u0430\u0446\u0438\u044f<\/h3>\n\n\n\n
# \u0424\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u044f \u043f\u043e \u0443\u0441\u043b\u043e\u0432\u0438\u044e\nhigh_salary = df[df['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] > 60000]\n\n# \u041c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0435 \u0443\u0441\u043b\u043e\u0432\u0438\u044f\nit_high_salary = df[(df['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442'] == 'IT') & (df['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] > 50000)]\n\n# \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 isin \u0434\u043b\u044f \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0433\u043e \u0432\u044b\u0431\u043e\u0440\u0430\ndepartments = df[df['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442'].isin(['IT', '\u0424\u0438\u043d\u0430\u043d\u0441\u044b'])]\n\n# \u0424\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u044f \u043f\u043e \u0441\u0442\u0440\u043e\u043a\u043e\u0432\u044b\u043c \u043c\u0435\u0442\u043e\u0434\u0430\u043c\nnames_with_a = df[df['\u0418\u043c\u044f'].str.contains('\u0430', case=False)]<\/code><\/pre>\n\n\n\n\u041f\u0440\u043e\u0434\u0432\u0438\u043d\u0443\u0442\u044b\u0435 \u043c\u0435\u0442\u043e\u0434\u044b \u0438\u043d\u0434\u0435\u043a\u0441\u0430\u0446\u0438\u0438<\/h3>\n\n\n\n
# \u041c\u0435\u0442\u043e\u0434 query \u0434\u043b\u044f \u0441\u043b\u043e\u0436\u043d\u044b\u0445 \u0443\u0441\u043b\u043e\u0432\u0438\u0439\nresult = df.query('\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430 > 55000 and \u0412\u043e\u0437\u0440\u0430\u0441\u0442 < 35')\n\n# \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 loc \u0441 \u0443\u0441\u043b\u043e\u0432\u0438\u044f\u043c\u0438 \u0438 \u0432\u044b\u0431\u043e\u0440\u043e\u043c \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432\nsubset = df.loc[df['\u0412\u043e\u0437\u0440\u0430\u0441\u0442'] > 30, ['\u0418\u043c\u044f', '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430']]\n\n# \u0423\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0430 \u043d\u043e\u0432\u043e\u0433\u043e \u0438\u043d\u0434\u0435\u043a\u0441\u0430\ndf_indexed = df.set_index('\u0418\u043c\u044f')<\/code><\/pre>\n\n\n\n\u041e\u0447\u0438\u0441\u0442\u043a\u0430 \u0438 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0430 \u0434\u0430\u043d\u043d\u044b\u0445<\/h2>\n\n\n\n
\u041e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0430 \u043f\u0440\u043e\u043f\u0443\u0449\u0435\u043d\u043d\u044b\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439<\/h3>\n\n\n\n
# \u0423\u0434\u0430\u043b\u0435\u043d\u0438\u0435 \u0441\u0442\u0440\u043e\u043a \u0441 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u0430\u043c\u0438\ndf_dropped = df.dropna() # \u0443\u0434\u0430\u043b\u0438\u0442\u044c \u0432\u0441\u0435 \u0441\u0442\u0440\u043e\u043a\u0438 \u0441 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u0430\u043c\u0438\ndf_dropped_any = df.dropna(how='any') # \u0443\u0434\u0430\u043b\u0438\u0442\u044c \u0435\u0441\u043b\u0438 \u0445\u043e\u0442\u044f \u0431\u044b \u043e\u0434\u0438\u043d \u043f\u0440\u043e\u043f\u0443\u0441\u043a\ndf_dropped_all = df.dropna(how='all') # \u0443\u0434\u0430\u043b\u0438\u0442\u044c \u0435\u0441\u043b\u0438 \u0432\u0441\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u043f\u0440\u043e\u043f\u0443\u0449\u0435\u043d\u044b\n\n# \u0417\u0430\u043f\u043e\u043b\u043d\u0435\u043d\u0438\u0435 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u043e\u0432\ndf_filled = df.fillna(0) # \u0437\u0430\u043f\u043e\u043b\u043d\u0438\u0442\u044c \u043d\u0443\u043b\u044f\u043c\u0438\ndf_filled_mean = df.fillna(df.mean()) # \u0437\u0430\u043f\u043e\u043b\u043d\u0438\u0442\u044c \u0441\u0440\u0435\u0434\u043d\u0438\u043c\u0438 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f\u043c\u0438\n\n# \u0417\u0430\u043f\u043e\u043b\u043d\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u043d\u044b\u043c\u0438 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f\u043c\u0438 \u043f\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u0430\u043c\nfill_values = {'\u0412\u043e\u0437\u0440\u0430\u0441\u0442': df['\u0412\u043e\u0437\u0440\u0430\u0441\u0442'].median(), \n '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430': df['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'].mean()}\ndf_filled_dict = df.fillna(value=fill_values)\n\n# \u0418\u043d\u0442\u0435\u0440\u043f\u043e\u043b\u044f\u0446\u0438\u044f \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439\ndf['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] = df['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'].interpolate(method='linear')<\/code><\/pre>\n\n\n\n\u0423\u0434\u0430\u043b\u0435\u043d\u0438\u0435 \u0434\u0443\u0431\u043b\u0435\u0439<\/h3>\n\n\n\n
# \u041f\u043e\u0438\u0441\u043a \u0434\u0443\u0431\u043b\u0435\u0439\nduplicates = df.duplicated()\nprint(f\"\u041a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0434\u0443\u0431\u043b\u0435\u0439: {duplicates.sum()}\")\n\n# \u0423\u0434\u0430\u043b\u0435\u043d\u0438\u0435 \u0434\u0443\u0431\u043b\u0435\u0439\ndf_no_duplicates = df.drop_duplicates()\n\n# \u0423\u0434\u0430\u043b\u0435\u043d\u0438\u0435 \u0434\u0443\u0431\u043b\u0435\u0439 \u043f\u043e \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0451\u043d\u043d\u044b\u043c \u0441\u0442\u043e\u043b\u0431\u0446\u0430\u043c\ndf_no_name_duplicates = df.drop_duplicates(subset=['\u0418\u043c\u044f'])\n\n# \u0421\u043e\u0445\u0440\u0430\u043d\u0435\u043d\u0438\u0435 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0433\u043e \u0434\u0443\u0431\u043b\u044f\ndf_keep_last = df.drop_duplicates(keep='last')<\/code><\/pre>\n\n\n\n\u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0442\u0438\u043f\u043e\u0432 \u0434\u0430\u043d\u043d\u044b\u0445<\/h3>\n\n\n\n
# \u0418\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u0442\u0438\u043f\u043e\u0432 \u0434\u0430\u043d\u043d\u044b\u0445\ndf['\u0412\u043e\u0437\u0440\u0430\u0441\u0442'] = df['\u0412\u043e\u0437\u0440\u0430\u0441\u0442'].astype('int64')\ndf['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] = df['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'].astype('float64')\n\n# \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0432 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u044b\u0439 \u0442\u0438\u043f\ndf['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442'] = df['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442'].astype('category')\n\n# \u041f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0441\u0442\u0440\u043e\u043a \u0432 \u0434\u0430\u0442\u044b\ndf['\u0414\u0430\u0442\u0430_\u043d\u0430\u0439\u043c\u0430'] = pd.to_datetime(df['\u0414\u0430\u0442\u0430_\u043d\u0430\u0439\u043c\u0430'], format='%Y-%m-%d')\n\n# \u0420\u0430\u0431\u043e\u0442\u0430 \u0441 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u044b\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438\ndf['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442_cat'] = pd.Categorical(df['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442'], \n categories=['IT', '\u0424\u0438\u043d\u0430\u043d\u0441\u044b', '\u041c\u0430\u0440\u043a\u0435\u0442\u0438\u043d\u0433'],\n ordered=True)<\/code><\/pre>\n\n\n\n\u041c\u0430\u043d\u0438\u043f\u0443\u043b\u044f\u0446\u0438\u0438 \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438<\/h2>\n\n\n\n
\u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u043d\u043e\u0432\u044b\u0445 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432<\/h3>\n\n\n\n
# \u041f\u0440\u043e\u0441\u0442\u044b\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f\ndf['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430_\u043c\u0435\u0441\u044f\u0446'] = df['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] \/ 12\ndf['\u041e\u043f\u044b\u0442'] = 2024 - df['\u0413\u043e\u0434_\u0440\u043e\u0436\u0434\u0435\u043d\u0438\u044f']\n\n# \u0423\u0441\u043b\u043e\u0432\u043d\u044b\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f\ndf['\u041a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f_\u0437\u0430\u0440\u043f\u043b\u0430\u0442\u044b'] = np.where(df['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] > 60000, '\u0412\u044b\u0441\u043e\u043a\u0430\u044f', '\u0421\u0440\u0435\u0434\u043d\u044f\u044f')\n\n# \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 apply \u0434\u043b\u044f \u0441\u043b\u043e\u0436\u043d\u044b\u0445 \u0444\u0443\u043d\u043a\u0446\u0438\u0439\ndef determine_generation(age):\n if age < 25:\n return 'Z'\n elif age < 40:\n return 'Millennial'\n else:\n return 'X'\n\ndf['\u041f\u043e\u043a\u043e\u043b\u0435\u043d\u0438\u0435'] = df['\u0412\u043e\u0437\u0440\u0430\u0441\u0442'].apply(determine_generation)\n\n# \u0412\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0438 \u0441\u043e \u0441\u0442\u0440\u043e\u043a\u0430\u043c\u0438\ndf['\u0418\u043c\u044f_\u0432\u0435\u0440\u0445\u043d\u0438\u0439'] = df['\u0418\u043c\u044f'].str.upper()\ndf['\u0414\u043b\u0438\u043d\u0430_\u0438\u043c\u0435\u043d\u0438'] = df['\u0418\u043c\u044f'].str.len()<\/code><\/pre>\n\n\n\n\u041f\u0435\u0440\u0435\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u043d\u0438\u0435 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432 \u0438 \u0438\u043d\u0434\u0435\u043a\u0441\u043e\u0432<\/h3>\n\n\n\n
# \u041f\u0435\u0440\u0435\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u043d\u0438\u0435 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432\ndf_renamed = df.rename(columns={'\u0418\u043c\u044f': '\u0424\u0418\u041e', '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430': '\u041e\u043a\u043b\u0430\u0434'})\n\n# \u041f\u0435\u0440\u0435\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u043d\u0438\u0435 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u0441\u043b\u043e\u0432\u0430\u0440\u044f\ncolumn_mapping = {\n '\u0418\u043c\u044f': '\u041f\u043e\u043b\u043d\u043e\u0435_\u0438\u043c\u044f',\n '\u0412\u043e\u0437\u0440\u0430\u0441\u0442': '\u0413\u043e\u0434\u044b',\n '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430': '\u0414\u043e\u0445\u043e\u0434'\n}\ndf_mapped = df.rename(columns=column_mapping)\n\n# \u041f\u0435\u0440\u0435\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u043d\u0438\u0435 \u0438\u043d\u0434\u0435\u043a\u0441\u043e\u0432\ndf_index_renamed = df.rename(index={0: '\u041f\u0435\u0440\u0432\u044b\u0439', 1: '\u0412\u0442\u043e\u0440\u043e\u0439'})<\/code><\/pre>\n\n\n\n\u0421\u043e\u0440\u0442\u0438\u0440\u043e\u0432\u043a\u0430 \u0434\u0430\u043d\u043d\u044b\u0445<\/h3>\n\n\n\n
# \u0421\u043e\u0440\u0442\u0438\u0440\u043e\u0432\u043a\u0430 \u043f\u043e \u043e\u0434\u043d\u043e\u043c\u0443 \u0441\u0442\u043e\u043b\u0431\u0446\u0443\ndf_sorted = df.sort_values('\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430', ascending=False)\n\n# \u0421\u043e\u0440\u0442\u0438\u0440\u043e\u0432\u043a\u0430 \u043f\u043e \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u043c \u0441\u0442\u043e\u043b\u0431\u0446\u0430\u043c\ndf_multi_sorted = df.sort_values(['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442', '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'], \n ascending=[True, False])\n\n# \u0421\u043e\u0440\u0442\u0438\u0440\u043e\u0432\u043a\u0430 \u043f\u043e \u0438\u043d\u0434\u0435\u043a\u0441\u0443\ndf_index_sorted = df.sort_index()\n\n# \u0421\u043e\u0440\u0442\u0438\u0440\u043e\u0432\u043a\u0430 \u0441 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u043e\u0439 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u043e\u0432\ndf_na_sorted = df.sort_values('\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430', na_position='first')<\/code><\/pre>\n\n\n\n\u0413\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u043a\u0430 \u0438 \u0430\u0433\u0440\u0435\u0433\u0430\u0446\u0438\u044f \u0434\u0430\u043d\u043d\u044b\u0445<\/h2>\n\n\n\n
\u041e\u0441\u043d\u043e\u0432\u044b \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u043a\u0438<\/h3>\n\n\n\n
# \u041f\u0440\u043e\u0441\u0442\u0430\u044f \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u043a\u0430\ngrouped = df.groupby('\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442')\n\n# \u0410\u0433\u0440\u0435\u0433\u0430\u0442\u043d\u044b\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438\ndept_stats = df.groupby('\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442').agg({\n '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430': ['mean', 'median', 'std', 'min', 'max'],\n '\u0412\u043e\u0437\u0440\u0430\u0441\u0442': ['mean', 'count']\n})\n\n# \u041c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u0430\u044f \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u043a\u0430\nmulti_grouped = df.groupby(['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442', '\u041f\u043e\u043a\u043e\u043b\u0435\u043d\u0438\u0435'])['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'].mean()<\/code><\/pre>\n\n\n\n\u041f\u0440\u043e\u0434\u0432\u0438\u043d\u0443\u0442\u044b\u0435 \u0442\u0435\u0445\u043d\u0438\u043a\u0438 \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u043a\u0438<\/h3>\n\n\n\n
# \u041f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u0441\u043a\u0438\u0445 \u0444\u0443\u043d\u043a\u0446\u0438\u0439\ndef salary_range(series):\n return series.max() - series.min()\n\ndept_range = df.groupby('\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442')['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'].apply(salary_range)\n\n# Transform \u0434\u043b\u044f \u0434\u043e\u0431\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0433\u0440\u0443\u043f\u043f\u043e\u0432\u044b\u0445 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\ndf['\u0421\u0440\u0435\u0434\u043d\u044f\u044f_\u0437\u0430\u0440\u043f\u043b\u0430\u0442\u0430_\u0434\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442\u0430'] = df.groupby('\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442')['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'].transform('mean')\ndf['\u041e\u0442\u043a\u043b\u043e\u043d\u0435\u043d\u0438\u0435_\u043e\u0442_\u0441\u0440\u0435\u0434\u043d\u0435\u0439'] = df['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] - df['\u0421\u0440\u0435\u0434\u043d\u044f\u044f_\u0437\u0430\u0440\u043f\u043b\u0430\u0442\u0430_\u0434\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442\u0430']\n\n# Filter \u0434\u043b\u044f \u0444\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u0438 \u0433\u0440\u0443\u043f\u043f\nlarge_departments = df.groupby('\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442').filter(lambda x: len(x) > 2)<\/code><\/pre>\n\n\n\nPivot-\u0442\u0430\u0431\u043b\u0438\u0446\u044b<\/h3>\n\n\n\n
# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0441\u0432\u043e\u0434\u043d\u043e\u0439 \u0442\u0430\u0431\u043b\u0438\u0446\u044b\npivot_table = df.pivot_table(\n values='\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430',\n index='\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442',\n columns='\u041f\u043e\u043a\u043e\u043b\u0435\u043d\u0438\u0435',\n aggfunc='mean',\n fill_value=0\n)\n\n# \u0421\u043b\u043e\u0436\u043d\u0430\u044f \u0441\u0432\u043e\u0434\u043d\u0430\u044f \u0442\u0430\u0431\u043b\u0438\u0446\u0430 \u0441 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u043c\u0438 \u0430\u0433\u0440\u0435\u0433\u0430\u0446\u0438\u044f\u043c\u0438\ncomplex_pivot = df.pivot_table(\n values=['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430', '\u0412\u043e\u0437\u0440\u0430\u0441\u0442'],\n index=['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442'],\n aggfunc={\n '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430': ['mean', 'count'],\n '\u0412\u043e\u0437\u0440\u0430\u0441\u0442': 'mean'\n }\n)<\/code><\/pre>\n\n\n\n\u041e\u0431\u044a\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0445<\/h2>\n\n\n\n
\u0420\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0435 \u0432\u0438\u0434\u044b \u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0439<\/h3>\n\n\n\n
# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0442\u0435\u0441\u0442\u043e\u0432\u044b\u0445 DataFrame \u0434\u043b\u044f \u0434\u0435\u043c\u043e\u043d\u0441\u0442\u0440\u0430\u0446\u0438\u0438\nemployees = pd.DataFrame({\n 'ID': [1, 2, 3, 4],\n '\u0418\u043c\u044f': ['\u0410\u043d\u043d\u0430', '\u0411\u043e\u0440\u0438\u0441', '\u0412\u0438\u043a\u0442\u043e\u0440', '\u0413\u0430\u043b\u0438\u043d\u0430'],\n '\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442_ID': [101, 102, 101, 103]\n})\n\ndepartments = pd.DataFrame({\n '\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442_ID': [101, 102, 103, 104],\n '\u041d\u0430\u0437\u0432\u0430\u043d\u0438\u0435': ['IT', '\u0424\u0438\u043d\u0430\u043d\u0441\u044b', '\u041c\u0430\u0440\u043a\u0435\u0442\u0438\u043d\u0433', 'HR']\n})\n\n# Inner join (\u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0435\u0435 \u0441\u043e\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435)\ninner_merged = pd.merge(employees, departments, on='\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442_ID', how='inner')\n\n# Left join (\u043b\u0435\u0432\u043e\u0435 \u0441\u043e\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435)\nleft_merged = pd.merge(employees, departments, on='\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442_ID', how='left')\n\n# Outer join (\u043f\u043e\u043b\u043d\u043e\u0435 \u0432\u043d\u0435\u0448\u043d\u0435\u0435 \u0441\u043e\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435)\nouter_merged = pd.merge(employees, departments, on='\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442_ID', how='outer')<\/code><\/pre>\n\n\n\n\u041a\u043e\u043d\u043a\u0430\u0442\u0435\u043d\u0430\u0446\u0438\u044f DataFrames<\/h3>\n\n\n\n
# \u0412\u0435\u0440\u0442\u0438\u043a\u0430\u043b\u044c\u043d\u0430\u044f \u043a\u043e\u043d\u043a\u0430\u0442\u0435\u043d\u0430\u0446\u0438\u044f (\u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435 \u0441\u0442\u0440\u043e\u043a)\ndf1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})\ndf2 = pd.DataFrame({'A': [5, 6], 'B': [7, 8]})\nvertical_concat = pd.concat([df1, df2], ignore_index=True)\n\n# \u0413\u043e\u0440\u0438\u0437\u043e\u043d\u0442\u0430\u043b\u044c\u043d\u0430\u044f \u043a\u043e\u043d\u043a\u0430\u0442\u0435\u043d\u0430\u0446\u0438\u044f (\u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432)\ndf3 = pd.DataFrame({'C': [9, 10], 'D': [11, 12]})\nhorizontal_concat = pd.concat([df1, df3], axis=1)\n\n# \u041a\u043e\u043d\u043a\u0430\u0442\u0435\u043d\u0430\u0446\u0438\u044f \u0441 \u043a\u043b\u044e\u0447\u0430\u043c\u0438\nkeyed_concat = pd.concat([df1, df2], keys=['\u041f\u0435\u0440\u0432\u044b\u0439', '\u0412\u0442\u043e\u0440\u043e\u0439'])<\/code><\/pre>\n\n\n\nJoin \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0438<\/h3>\n\n\n\n
# \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 join \u043c\u0435\u0442\u043e\u0434\u0430\ndf_indexed = employees.set_index('\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442_ID')\ndept_indexed = departments.set_index('\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442_ID')\njoined = df_indexed.join(dept_indexed, how='left')<\/code><\/pre>\n\n\n\n\u0420\u0430\u0431\u043e\u0442\u0430 \u0441 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u043c\u0438 \u0440\u044f\u0434\u0430\u043c\u0438<\/h2>\n\n\n\n
\u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0438 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0430 \u0434\u0430\u0442<\/h3>\n\n\n\n
# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0434\u0438\u0430\u043f\u0430\u0437\u043e\u043d\u0430 \u0434\u0430\u0442\ndate_range = pd.date_range('2024-01-01', periods=365, freq='D')\n\n# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u043e\u0433\u043e \u0440\u044f\u0434\u0430\nts = pd.Series(np.random.randn(365), index=date_range)\n\n# \u041f\u0430\u0440\u0441\u0438\u043d\u0433 \u0434\u0430\u0442 \u0438\u0437 \u0441\u0442\u0440\u043e\u043a\ndates_str = ['2024-01-01', '2024-02-15', '2024-03-30']\nparsed_dates = pd.to_datetime(dates_str)\n\n# \u0420\u0430\u0431\u043e\u0442\u0430 \u0441 \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u043c\u0438 \u0444\u043e\u0440\u043c\u0430\u0442\u0430\u043c\u0438 \u0434\u0430\u0442\ncustom_format = pd.to_datetime(['01-01-2024', '15-02-2024'], format='%d-%m-%Y')<\/code><\/pre>\n\n\n\n\u0418\u043d\u0434\u0435\u043a\u0441\u0430\u0446\u0438\u044f \u043f\u043e \u0432\u0440\u0435\u043c\u0435\u043d\u0438<\/h3>\n\n\n\n
# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 DataFrame \u0441 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u043c \u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c\ndata = {\n '\u041f\u0440\u043e\u0434\u0430\u0436\u0438': np.random.randint(100, 1000, 365),\n '\u041f\u0440\u0438\u0431\u044b\u043b\u044c': np.random.randint(10, 100, 365)\n}\nts_df = pd.DataFrame(data, index=date_range)\n\n# \u0412\u044b\u0431\u043e\u0440\u043a\u0430 \u043f\u043e \u0434\u0430\u0442\u0430\u043c\njanuary_data = ts_df['2024-01']\nq1_data = ts_df['2024-01':'2024-03']\nspecific_day = ts_df['2024-01-15']<\/code><\/pre>\n\n\n\n\u0420\u0435\u0441\u044d\u043c\u043f\u043b\u0438\u043d\u0433 \u0438 \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u043a\u0430 \u043f\u043e \u0432\u0440\u0435\u043c\u0435\u043d\u0438<\/h3>\n\n\n\n
# \u0410\u0433\u0440\u0435\u0433\u0430\u0446\u0438\u044f \u043f\u043e \u043c\u0435\u0441\u044f\u0446\u0430\u043c\nmonthly_sales = ts_df.resample('M').sum()\n\n# \u0410\u0433\u0440\u0435\u0433\u0430\u0446\u0438\u044f \u043f\u043e \u043d\u0435\u0434\u0435\u043b\u044f\u043c \u0441 \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u043c\u0438 \u0444\u0443\u043d\u043a\u0446\u0438\u044f\u043c\u0438\nweekly_stats = ts_df.resample('W').agg({\n '\u041f\u0440\u043e\u0434\u0430\u0436\u0438': 'sum',\n '\u041f\u0440\u0438\u0431\u044b\u043b\u044c': 'mean'\n})\n\n# \u0421\u043a\u043e\u043b\u044c\u0437\u044f\u0449\u0438\u0435 \u0441\u0440\u0435\u0434\u043d\u0438\u0435\nts_df['\u041f\u0440\u043e\u0434\u0430\u0436\u0438_MA7'] = ts_df['\u041f\u0440\u043e\u0434\u0430\u0436\u0438'].rolling(window=7).mean()\nts_df['\u041f\u0440\u043e\u0434\u0430\u0436\u0438_MA30'] = ts_df['\u041f\u0440\u043e\u0434\u0430\u0436\u0438'].rolling(window=30).mean()<\/code><\/pre>\n\n\n\n\u0420\u0430\u0431\u043e\u0442\u0430 \u0441 \u043a\u043e\u043c\u043f\u043e\u043d\u0435\u043d\u0442\u0430\u043c\u0438 \u0434\u0430\u0442<\/h3>\n\n\n\n
# \u0418\u0437\u0432\u043b\u0435\u0447\u0435\u043d\u0438\u0435 \u043a\u043e\u043c\u043f\u043e\u043d\u0435\u043d\u0442\u043e\u0432 \u0434\u0430\u0442\nts_df['\u0413\u043e\u0434'] = ts_df.index.year\nts_df['\u041c\u0435\u0441\u044f\u0446'] = ts_df.index.month\nts_df['\u0414\u0435\u043d\u044c_\u043d\u0435\u0434\u0435\u043b\u0438'] = ts_df.index.dayofweek\nts_df['\u041a\u0432\u0430\u0440\u0442\u0430\u043b'] = ts_df.index.quarter\n\n# \u0424\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u044f \u043f\u043e \u043a\u043e\u043c\u043f\u043e\u043d\u0435\u043d\u0442\u0430\u043c \u0432\u0440\u0435\u043c\u0435\u043d\u0438\nweekends = ts_df[ts_df.index.dayofweek >= 5]\ndecember_data = ts_df[ts_df.index.month == 12]<\/code><\/pre>\n\n\n\n\u0420\u0430\u0431\u043e\u0442\u0430 \u0441 \u0442\u0435\u043a\u0441\u0442\u043e\u0432\u044b\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438<\/h2>\n\n\n\n
\u0421\u0442\u0440\u043e\u043a\u043e\u0432\u044b\u0435 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0438<\/h3>\n\n\n\n
# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0442\u0435\u0441\u0442\u043e\u0432\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445\ntext_data = pd.DataFrame({\n '\u0418\u043c\u044f': [' \u0410\u043d\u043d\u0430 \u0418\u0432\u0430\u043d\u043e\u0432\u0430 ', '\u0411\u041e\u0420\u0418\u0421 \u043f\u0435\u0442\u0440\u043e\u0432', '\u0432\u0438\u043a\u0442\u043e\u0440 \u0421\u0418\u0414\u041e\u0420\u041e\u0412'],\n 'Email': ['anna@email.com', 'boris@DOMAIN.RU', 'viktor@site.org'],\n '\u0422\u0435\u043b\u0435\u0444\u043e\u043d': ['+7-123-456-78-90', '8(495)123-45-67', '123.456.78.90']\n})\n\n# \u041e\u0447\u0438\u0441\u0442\u043a\u0430 \u0438 \u043d\u043e\u0440\u043c\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u0441\u0442\u0440\u043e\u043a\ntext_data['\u0418\u043c\u044f_\u0447\u0438\u0441\u0442\u043e\u0435'] = text_data['\u0418\u043c\u044f'].str.strip().str.title()\ntext_data['Email_\u043d\u0438\u0436\u043d\u0438\u0439'] = text_data['Email'].str.lower()\n\n# \u0418\u0437\u0432\u043b\u0435\u0447\u0435\u043d\u0438\u0435 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438\ntext_data['\u0418\u043c\u044f_\u0434\u043b\u0438\u043d\u0430'] = text_data['\u0418\u043c\u044f'].str.len()\ntext_data['\u0414\u043e\u043c\u0435\u043d'] = text_data['Email'].str.split('@').str[1]\n\n# \u041f\u043e\u0438\u0441\u043a \u0438 \u0437\u0430\u043c\u0435\u043d\u0430\ntext_data['\u0422\u0435\u043b\u0435\u0444\u043e\u043d_\u0447\u0438\u0441\u0442\u044b\u0439'] = text_data['\u0422\u0435\u043b\u0435\u0444\u043e\u043d'].str.replace(r'[^\\d]', '', regex=True)\n\n# \u041f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u043d\u0430 \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0438\u0435 \u043f\u0430\u0442\u0442\u0435\u0440\u043d\u0443\ntext_data['Email_\u0432\u0430\u043b\u0438\u0434\u043d\u044b\u0439'] = text_data['Email'].str.contains(r'^[^@]+@[^@]+\\.[^@]+$', regex=True)<\/code><\/pre>\n\n\n\n\u0420\u0435\u0433\u0443\u043b\u044f\u0440\u043d\u044b\u0435 \u0432\u044b\u0440\u0430\u0436\u0435\u043d\u0438\u044f<\/h3>\n\n\n\n
import re\n\n# \u0418\u0437\u0432\u043b\u0435\u0447\u0435\u043d\u0438\u0435 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u0440\u0435\u0433\u0443\u043b\u044f\u0440\u043d\u044b\u0445 \u0432\u044b\u0440\u0430\u0436\u0435\u043d\u0438\u0439\ntext_data['\u041a\u043e\u0434_\u0433\u043e\u0440\u043e\u0434\u0430'] = text_data['\u0422\u0435\u043b\u0435\u0444\u043e\u043d'].str.extract(r'(\\d{3})')\ntext_data['\u0418\u043c\u044f_\u0447\u0430\u0441\u0442\u0438'] = text_data['\u0418\u043c\u044f'].str.extractall(r'(\\w+)').unstack()\n\n# \u0420\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0441\u0442\u0440\u043e\u043a\ntext_data[['\u0418\u043c\u044f_\u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0435', '\u0424\u0430\u043c\u0438\u043b\u0438\u044f']] = text_data['\u0418\u043c\u044f_\u0447\u0438\u0441\u0442\u043e\u0435'].str.split(' ', expand=True)<\/code><\/pre>\n\n\n\n\u0412\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u0434\u0430\u043d\u043d\u044b\u0445<\/h2>\n\n\n\n
\u0412\u0441\u0442\u0440\u043e\u0435\u043d\u043d\u044b\u0435 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u0438 Pandas<\/h3>\n\n\n\n
import matplotlib.pyplot as plt\n\n# \u041f\u0440\u043e\u0441\u0442\u044b\u0435 \u0433\u0440\u0430\u0444\u0438\u043a\u0438\ndf['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'].hist(bins=20, title='\u0420\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0437\u0430\u0440\u043f\u043b\u0430\u0442')\ndf['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'].plot(kind='box', title='\u0411\u043e\u043a\u0441\u043f\u043b\u043e\u0442 \u0437\u0430\u0440\u043f\u043b\u0430\u0442')\n\n# \u0413\u0440\u0430\u0444\u0438\u043a\u0438 \u043f\u043e \u0433\u0440\u0443\u043f\u043f\u0430\u043c\ndf.groupby('\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442')['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'].mean().plot(kind='bar', title='\u0421\u0440\u0435\u0434\u043d\u044f\u044f \u0437\u0430\u0440\u043f\u043b\u0430\u0442\u0430 \u043f\u043e \u0434\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442\u0430\u043c')\n\n# \u041a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u043e\u043d\u043d\u0430\u044f \u043c\u0430\u0442\u0440\u0438\u0446\u0430\nnumeric_cols = df.select_dtypes(include=[np.number])\ncorrelation_matrix = numeric_cols.corr()\nplt.figure(figsize=(10, 8))\nplt.imshow(correlation_matrix, cmap='coolwarm', interpolation='nearest')\nplt.colorbar()\nplt.title('\u041a\u043e\u0440\u0440\u0435\u043b\u044f\u0446\u0438\u043e\u043d\u043d\u0430\u044f \u043c\u0430\u0442\u0440\u0438\u0446\u0430')<\/code><\/pre>\n\n\n\n\u0418\u043d\u0442\u0435\u0433\u0440\u0430\u0446\u0438\u044f \u0441 \u0432\u043d\u0435\u0448\u043d\u0438\u043c\u0438 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430\u043c\u0438 \u0432\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438<\/h3>\n\n\n\n
import seaborn as sns\nimport plotly.express as px\n\n# Seaborn \u0434\u043b\u044f \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0433\u0440\u0430\u0444\u0438\u043a\u043e\u0432\nplt.figure(figsize=(12, 6))\nsns.boxplot(data=df, x='\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442', y='\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430')\nplt.xticks(rotation=45)\nplt.title('\u0420\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0437\u0430\u0440\u043f\u043b\u0430\u0442 \u043f\u043e \u0434\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442\u0430\u043c')\n\n# Plotly \u0434\u043b\u044f \u0438\u043d\u0442\u0435\u0440\u0430\u043a\u0442\u0438\u0432\u043d\u044b\u0445 \u0433\u0440\u0430\u0444\u0438\u043a\u043e\u0432\nfig = px.scatter(df, x='\u0412\u043e\u0437\u0440\u0430\u0441\u0442', y='\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430', \n color='\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442', \n title='\u0417\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u044c \u0437\u0430\u0440\u043f\u043b\u0430\u0442\u044b \u043e\u0442 \u0432\u043e\u0437\u0440\u0430\u0441\u0442\u0430')\nfig.show()<\/code><\/pre>\n\n\n\n\u041e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438<\/h2>\n\n\n\n
\u042d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u043e\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u043f\u0430\u043c\u044f\u0442\u0438<\/h3>\n\n\n\n
# \u0410\u043d\u0430\u043b\u0438\u0437 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u043f\u0430\u043c\u044f\u0442\u0438\nmemory_usage = df.memory_usage(deep=True)\nprint(\"\u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u043f\u0430\u043c\u044f\u0442\u0438 \u043f\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u0430\u043c:\")\nprint(memory_usage)\n\n# \u041e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u0442\u0438\u043f\u043e\u0432 \u0434\u0430\u043d\u043d\u044b\u0445\ndef optimize_dtypes(df):\n for col in df.columns:\n if df[col].dtype == 'object':\n try:\n df[col] = pd.to_numeric(df[col], downcast='integer')\n except:\n pass\n elif df[col].dtype == 'float64':\n df[col] = pd.to_numeric(df[col], downcast='float')\n elif df[col].dtype == 'int64':\n df[col] = pd.to_numeric(df[col], downcast='integer')\n return df\n\ndf_optimized = optimize_dtypes(df.copy())\n\n# \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445\ndf['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442'] = df['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442'].astype('category')<\/code><\/pre>\n\n\n\n\u0412\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0430\u0446\u0438\u044f \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0439<\/h3>\n\n\n\n
# \u0418\u0437\u0431\u0435\u0433\u0430\u0439\u0442\u0435 \u0446\u0438\u043a\u043b\u043e\u0432, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0439\u0442\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0438\n# \u041c\u0435\u0434\u043b\u0435\u043d\u043d\u043e\nresult_slow = []\nfor index, row in df.iterrows():\n result_slow.append(row['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] * 1.1)\n\n# \u0411\u044b\u0441\u0442\u0440\u043e\nresult_fast = df['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] * 1.1\n\n# \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0439\u0442\u0435 .loc \u0434\u043b\u044f \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0445 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0439\ndf.loc[df['\u0412\u043e\u0437\u0440\u0430\u0441\u0442'] > 30, '\u041a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f'] = '\u041e\u043f\u044b\u0442\u043d\u044b\u0439'\ndf.loc[df['\u0412\u043e\u0437\u0440\u0430\u0441\u0442'] <= 30, '\u041a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f'] = '\u041c\u043e\u043b\u043e\u0434\u043e\u0439'<\/code><\/pre>\n\n\n\n\u0427\u0430\u043d\u043a\u0438 \u0434\u043b\u044f \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0434\u0430\u043d\u043d\u044b\u0445<\/h3>\n\n\n\n
# \u041e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0430 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0444\u0430\u0439\u043b\u043e\u0432 \u0447\u0430\u0441\u0442\u044f\u043c\u0438\nchunk_size = 10000\nprocessed_chunks = []\n\nfor chunk in pd.read_csv('large_file.csv', chunksize=chunk_size):\n # \u041e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0430 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0447\u0430\u043d\u043a\u0430\n processed_chunk = chunk.groupby('category').sum()\n processed_chunks.append(processed_chunk)\n\n# \u041e\u0431\u044a\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u0432\nfinal_result = pd.concat(processed_chunks)<\/code><\/pre>\n\n\n\n\u0418\u043d\u0442\u0435\u0433\u0440\u0430\u0446\u0438\u044f \u0441 \u043c\u0430\u0448\u0438\u043d\u043d\u044b\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435\u043c<\/h2>\n\n\n\n
\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043a\u0430 \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f<\/h3>\n\n\n\n
from sklearn.model_selection import train_test_split\nfrom sklearn.preprocessing import StandardScaler, LabelEncoder\nfrom sklearn.ensemble import RandomForestRegressor\nfrom sklearn.metrics import mean_squared_error\n\n# \u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043a\u0430 \u0434\u0430\u043d\u043d\u044b\u0445\n# \u041a\u043e\u0434\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u044b\u0445 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0445\nle = LabelEncoder()\ndf['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442_\u043a\u043e\u0434'] = le.fit_transform(df['\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442'])\n\n# \u0412\u044b\u0431\u043e\u0440 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u0432 \u0438 \u0446\u0435\u043b\u0435\u0432\u043e\u0439 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u043e\u0439\nfeatures = ['\u0412\u043e\u0437\u0440\u0430\u0441\u0442', '\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442_\u043a\u043e\u0434']\nX = df[features]\ny = df['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430']\n\n# \u0420\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u043d\u0430 \u043e\u0431\u0443\u0447\u0430\u044e\u0449\u0443\u044e \u0438 \u0442\u0435\u0441\u0442\u043e\u0432\u0443\u044e \u0432\u044b\u0431\u043e\u0440\u043a\u0438\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\n# \u041c\u0430\u0441\u0448\u0442\u0430\u0431\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u0432\nscaler = StandardScaler()\nX_train_scaled = scaler.fit_transform(X_train)\nX_test_scaled = scaler.transform(X_test)<\/code><\/pre>\n\n\n\n\u041f\u0440\u0438\u043c\u0435\u0440 \u043f\u043e\u043b\u043d\u043e\u0433\u043e \u043f\u0430\u0439\u043f\u043b\u0430\u0439\u043d\u0430<\/h3>\n\n\n\n
# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438\nmodel = RandomForestRegressor(n_estimators=100, random_state=42)\nmodel.fit(X_train_scaled, y_train)\n\n# \u041f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u044f\npredictions = model.predict(X_test_scaled)\n\n# \u041e\u0446\u0435\u043d\u043a\u0430 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430\nmse = mean_squared_error(y_test, predictions)\nprint(f\"\u0421\u0440\u0435\u0434\u043d\u044f\u044f \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u0438\u0447\u043d\u0430\u044f \u043e\u0448\u0438\u0431\u043a\u0430: {mse}\")\n\n# \u0412\u0430\u0436\u043d\u043e\u0441\u0442\u044c \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u0432\nfeature_importance = pd.DataFrame({\n 'feature': features,\n 'importance': model.feature_importances_\n}).sort_values('importance', ascending=False)\n\nprint(feature_importance)<\/code><\/pre>\n\n\n\n\u041f\u0440\u043e\u0434\u0432\u0438\u043d\u0443\u0442\u044b\u0435 \u0442\u0435\u0445\u043d\u0438\u043a\u0438 \u0438 \u043b\u0443\u0447\u0448\u0438\u0435 \u043f\u0440\u0430\u043a\u0442\u0438\u043a\u0438<\/h2>\n\n\n\n
\u0420\u0430\u0431\u043e\u0442\u0430 \u0441 \u0431\u043e\u043b\u044c\u0448\u0438\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438<\/h3>\n\n\n\n
# \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 Dask \u0434\u043b\u044f \u0434\u0430\u043d\u043d\u044b\u0445, \u043d\u0435 \u043f\u043e\u043c\u0435\u0449\u0430\u044e\u0449\u0438\u0445\u0441\u044f \u0432 \u043f\u0430\u043c\u044f\u0442\u044c\nimport dask.dataframe as dd\n\n# \u0427\u0442\u0435\u043d\u0438\u0435 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0444\u0430\u0439\u043b\u043e\u0432 \u0441 Dask\nlarge_df = dd.read_csv('very_large_file.csv')\n\n# \u041b\u0435\u043d\u0438\u0432\u044b\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f\nresult = large_df.groupby('category').value.mean()\ncomputed_result = result.compute() # \u0424\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u0432\u044b\u043f\u043e\u043b\u043d\u0435\u043d\u0438\u0435<\/code><\/pre>\n\n\n\n\u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u0441\u043a\u0438\u0445 \u0444\u0443\u043d\u043a\u0446\u0438\u0439<\/h3>\n\n\n\n
# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u0441\u043a\u0438\u0445 \u0430\u043a\u0441\u0435\u0441\u0441\u043e\u0440\u043e\u0432\n@pd.api.extensions.register_dataframe_accessor(\"business\")\nclass BusinessAccessor:\n def __init__(self, pandas_obj):\n self._obj = pandas_obj\n\n def calculate_bonus(self, base_rate=0.1):\n \"\"\"\u0420\u0430\u0441\u0447\u0435\u0442 \u0431\u043e\u043d\u0443\u0441\u0430 \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u0437\u0430\u0440\u043f\u043b\u0430\u0442\u044b\"\"\"\n return self._obj['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] * base_rate\n\n def categorize_salary(self):\n \"\"\"\u041a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0437\u0430\u0446\u0438\u044f \u0437\u0430\u0440\u043f\u043b\u0430\u0442\"\"\"\n conditions = [\n self._obj['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] < 50000,\n self._obj['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] < 80000,\n self._obj['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'] >= 80000\n ]\n choices = ['\u041d\u0438\u0437\u043a\u0430\u044f', '\u0421\u0440\u0435\u0434\u043d\u044f\u044f', '\u0412\u044b\u0441\u043e\u043a\u0430\u044f']\n return pd.Series(np.select(conditions, choices), index=self._obj.index)\n\n# \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u0441\u043a\u043e\u0433\u043e \u0430\u043a\u0441\u0435\u0441\u0441\u043e\u0440\u0430\ndf['\u0411\u043e\u043d\u0443\u0441'] = df.business.calculate_bonus(0.15)\ndf['\u041a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f_\u0437\u0430\u0440\u043f\u043b\u0430\u0442\u044b'] = df.business.categorize_salary()<\/code><\/pre>\n\n\n\n\u041f\u0440\u043e\u0444\u0438\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0438 \u043e\u0442\u043b\u0430\u0434\u043a\u0430<\/h3>\n\n\n\n
import cProfile\nimport pstats\n\n# \u041f\u0440\u043e\u0444\u0438\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u043a\u043e\u0434\u0430\ndef heavy_operation():\n return df.groupby('\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442').apply(lambda x: x.describe())\n\n# \u0417\u0430\u043f\u0443\u0441\u043a \u043f\u0440\u043e\u0444\u0438\u043b\u0438\u0440\u043e\u0432\u0449\u0438\u043a\u0430\ncProfile.run('heavy_operation()', 'profile_stats')\nstats = pstats.Stats('profile_stats')\nstats.sort_stats('cumulative').print_stats(10)<\/code><\/pre>\n\n\n\n\u041e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0430 \u043e\u0448\u0438\u0431\u043e\u043a \u0438 \u0438\u0441\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u0439<\/h2>\n\n\n\n
\u0422\u0438\u043f\u0438\u0447\u043d\u044b\u0435 \u043e\u0448\u0438\u0431\u043a\u0438 \u0438 \u0438\u0445 \u0440\u0435\u0448\u0435\u043d\u0438\u044f<\/h3>\n\n\n\n
try:\n # \u0411\u0435\u0437\u043e\u043f\u0430\u0441\u043d\u043e\u0435 \u0447\u0442\u0435\u043d\u0438\u0435 \u0444\u0430\u0439\u043b\u0430\n df = pd.read_csv('data.csv')\nexcept FileNotFoundError:\n print(\"\u0424\u0430\u0439\u043b \u043d\u0435 \u043d\u0430\u0439\u0434\u0435\u043d\")\n df = pd.DataFrame() # \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u043f\u0443\u0441\u0442\u043e\u0433\u043e DataFrame\nexcept pd.errors.EmptyDataError:\n print(\"\u0424\u0430\u0439\u043b \u043f\u0443\u0441\u0442\")\n df = pd.DataFrame()\n\n# \u041f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u043d\u0430 \u043f\u0443\u0441\u0442\u043e\u0442\u0443 DataFrame\nif df.empty:\n print(\"DataFrame \u043f\u0443\u0441\u0442, \u0441\u043e\u0437\u0434\u0430\u0451\u043c \u0442\u0435\u0441\u0442\u043e\u0432\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435\")\n df = create_test_data()\n\n# \u0411\u0435\u0437\u043e\u043f\u0430\u0441\u043d\u044b\u0439 \u0434\u043e\u0441\u0442\u0443\u043f \u043a \u0441\u0442\u043e\u043b\u0431\u0446\u0430\u043c\ndef safe_column_access(df, column_name, default_value=None):\n \"\"\"\u0411\u0435\u0437\u043e\u043f\u0430\u0441\u043d\u044b\u0439 \u0434\u043e\u0441\u0442\u0443\u043f \u043a \u0441\u0442\u043e\u043b\u0431\u0446\u0443 DataFrame\"\"\"\n if column_name in df.columns:\n return df[column_name]\n else:\n print(f\"\u0421\u0442\u043e\u043b\u0431\u0435\u0446 '{column_name}' \u043d\u0435 \u043d\u0430\u0439\u0434\u0435\u043d\")\n return pd.Series([default_value] * len(df), index=df.index)<\/code><\/pre>\n\n\n\n\u0412\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u044f \u0434\u0430\u043d\u043d\u044b\u0445<\/h3>\n\n\n\n
def validate_dataframe(df):\n \"\"\"\u041a\u043e\u043c\u043f\u043b\u0435\u043a\u0441\u043d\u0430\u044f \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u044f DataFrame\"\"\"\n issues = []\n\n # \u041f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u043d\u0430 \u043f\u0443\u0441\u0442\u043e\u0442\u0443\n if df.empty:\n issues.append(\"DataFrame \u043f\u0443\u0441\u0442\")\n\n # \u041f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u0434\u0443\u0431\u043b\u0435\u0439\n if df.duplicated().any():\n issues.append(f\"\u041d\u0430\u0439\u0434\u0435\u043d\u043e {df.duplicated().sum()} \u0434\u0443\u0431\u043b\u0435\u0439\")\n\n # \u041f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u043e\u0432\n missing_data = df.isnull().sum()\n if missing_data.any():\n issues.append(f\"\u041f\u0440\u043e\u043f\u0443\u0449\u0435\u043d\u043d\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435: {missing_data[missing_data > 0].to_dict()}\")\n\n # \u041f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u0442\u0438\u043f\u043e\u0432 \u0434\u0430\u043d\u043d\u044b\u0445\n for col in df.columns:\n if df[col].dtype == 'object':\n try:\n pd.to_numeric(df[col])\n issues.append(f\"\u0421\u0442\u043e\u043b\u0431\u0435\u0446 '{col}' \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u0447\u0438\u0441\u043b\u043e\u0432\u044b\u043c\")\n except:\n pass\n\n return issues\n\n# \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u0438\nvalidation_results = validate_dataframe(df)\nfor issue in validation_results:\n print(f\"\u26a0\ufe0f {issue}\")<\/code><\/pre>\n\n\n\n\u0422\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0438 \u043e\u0442\u043b\u0430\u0434\u043a\u0430<\/h2>\n\n\n\n
\u041c\u043e\u0434\u0443\u043b\u044c\u043d\u043e\u0435 \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0441 Pandas<\/h3>\n\n\n\n
import unittest\n\nclass TestDataProcessing(unittest.TestCase):\n def setUp(self):\n \"\"\"\u041f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u043a\u0430 \u0442\u0435\u0441\u0442\u043e\u0432\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445\"\"\"\n self.test_df = pd.DataFrame({\n '\u0418\u043c\u044f': ['\u0410\u043d\u043d\u0430', '\u0411\u043e\u0440\u0438\u0441', '\u0412\u0438\u043a\u0442\u043e\u0440'],\n '\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430': [50000, 60000, 70000],\n '\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442': ['IT', '\u0424\u0438\u043d\u0430\u043d\u0441\u044b', 'IT']\n })\n\n def test_salary_calculation(self):\n \"\"\"\u0422\u0435\u0441\u0442 \u0440\u0430\u0441\u0447\u0435\u0442\u0430 \u0441\u0440\u0435\u0434\u043d\u0435\u0439 \u0437\u0430\u0440\u043f\u043b\u0430\u0442\u044b\"\"\"\n mean_salary = self.test_df['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430'].mean()\n self.assertEqual(mean_salary, 60000)\n\n def test_department_grouping(self):\n \"\"\"\u0422\u0435\u0441\u0442 \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u043a\u0438 \u043f\u043e \u0434\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442\u0430\u043c\"\"\"\n grouped = self.test_df.groupby('\u0414\u0435\u043f\u0430\u0440\u0442\u0430\u043c\u0435\u043d\u0442').size()\n self.assertEqual(grouped['IT'], 2)\n self.assertEqual(grouped['\u0424\u0438\u043d\u0430\u043d\u0441\u044b'], 1)\n\n def test_data_types(self):\n \"\"\"\u0422\u0435\u0441\u0442 \u0442\u0438\u043f\u043e\u0432 \u0434\u0430\u043d\u043d\u044b\u0445\"\"\"\n self.assertTrue(pd.api.types.is_numeric_dtype(self.test_df['\u0417\u0430\u0440\u043f\u043b\u0430\u0442\u0430']))\n self.assertTrue(pd.api.types.is_object_dtype(self.test_df['\u0418\u043c\u044f']))\n\nif __name__ == '__main__':\n unittest.main()<\/code><\/pre>\n\n\n\nAssertions \u0434\u043b\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438 \u0434\u0430\u043d\u043d\u044b\u0445<\/h3>\n\n\n\n
# \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 pandas.testing \u0434\u043b\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438 DataFrames\nimport pandas.testing as pdt\n\ndef test_dataframe_equality():\n df1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})\n df2 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})\n\n pdt.assert_frame_equal(df1, df2)\n print(\"DataFrames \u0438\u0434\u0435\u043d\u0442\u0438\u0447\u043d\u044b\")\n\ndef test_series_equality():\n s1 = pd.Series([1, 2, 3])\n s2 = pd.Series([1, 2, 3])\n\n pdt.assert_series_equal(s1, s2)\n print(\"Series \u0438\u0434\u0435\u043d\u0442\u0438\u0447\u043d\u044b\")<\/code><\/pre>\n\n\n\n\u041a\u0435\u0439\u0441\u044b \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u0432 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0445 \u043f\u0440\u043e\u0435\u043a\u0442\u0430\u0445<\/h2>\n\n\n\n
\u0424\u0438\u043d\u0430\u043d\u0441\u043e\u0432\u044b\u0439 \u0430\u043d\u0430\u043b\u0438\u0437<\/h3>\n\n\n\n
# \u0410\u043d\u0430\u043b\u0438\u0437 \u0444\u0438\u043d\u0430\u043d\u0441\u043e\u0432\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445 \u043a\u043e\u043c\u043f\u0430\u043d\u0438\u0438\ndef financial_analysis(df):\n \"\"\"\u041a\u043e\u043c\u043f\u043b\u0435\u043a\u0441\u043d\u044b\u0439 \u0444\u0438\u043d\u0430\u043d\u0441\u043e\u0432\u044b\u0439 \u0430\u043d\u0430\u043b\u0438\u0437\"\"\"\n\n # \u0420\u0430\u0441\u0447\u0435\u0442 \u043a\u043b\u044e\u0447\u0435\u0432\u044b\u0445 \u043c\u0435\u0442\u0440\u0438\u043a\n df['ROI'] = (df['\u041f\u0440\u0438\u0431\u044b\u043b\u044c'] \/ df['\u0418\u043d\u0432\u0435\u0441\u0442\u0438\u0446\u0438\u0438']) * 100\n df['\u041c\u0430\u0440\u0436\u0438\u043d\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c'] = (df['\u041f\u0440\u0438\u0431\u044b\u043b\u044c'] \/ df['\u0412\u044b\u0440\u0443\u0447\u043a\u0430']) * 100\n\n # \u0421\u043a\u043e\u043b\u044c\u0437\u044f\u0449\u0438\u0435 \u0441\u0440\u0435\u0434\u043d\u0438\u0435 \u0434\u043b\u044f \u0432\u044b\u044f\u0432\u043b\u0435\u043d\u0438\u044f \u0442\u0440\u0435\u043d\u0434\u043e\u0432\n df['\u0412\u044b\u0440\u0443\u0447\u043a\u0430_MA3'] = df['\u0412\u044b\u0440\u0443\u0447\u043a\u0430'].rolling(window=3).mean()\n df['\u0412\u044b\u0440\u0443\u0447\u043a\u0430_MA12'] = df['\u0412\u044b\u0440\u0443\u0447\u043a\u0430'].rolling(window=12).mean()\n\n # \u0421\u0435\u0437\u043e\u043d\u043d\u0430\u044f \u0434\u0435\u043a\u043e\u043c\u043f\u043e\u0437\u0438\u0446\u0438\u044f\n from statsmodels.tsa.seasonal import seasonal_decompose\n decomposition = seasonal_decompose(df['\u0412\u044b\u0440\u0443\u0447\u043a\u0430'], period=12)\n\n # \u0412\u044b\u044f\u0432\u043b\u0435\u043d\u0438\u0435 \u0430\u043d\u043e\u043c\u0430\u043b\u0438\u0439\n Q1 = df['\u041f\u0440\u0438\u0431\u044b\u043b\u044c'].quantile(0.25)\n Q3 = df['\u041f\u0440\u0438\u0431\u044b\u043b\u044c'].quantile(0.75)\n IQR = Q3 - Q1\n df['\u0410\u043d\u043e\u043c\u0430\u043b\u0438\u044f'] = (df['\u041f\u0440\u0438\u0431\u044b\u043b\u044c'] < (Q1 - 1.5 * IQR)) | (df['\u041f\u0440\u0438\u0431\u044b\u043b\u044c'] > (Q3 + 1.5 * IQR))\n\n return df\n\n# \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u043e\u0442\u0447\u0435\u0442\u0430\ndef generate_financial_report(df):\n \"\"\"\u0413\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u044f \u0444\u0438\u043d\u0430\u043d\u0441\u043e\u0432\u043e\u0433\u043e \u043e\u0442\u0447\u0435\u0442\u0430\"\"\"\n report = {\n '\u041e\u0431\u0449\u0430\u044f \u0432\u044b\u0440\u0443\u0447\u043a\u0430': df['\u0412\u044b\u0440\u0443\u0447\u043a\u0430'].sum(),\n '\u0421\u0440\u0435\u0434\u043d\u044f\u044f \u043f\u0440\u0438\u0431\u044b\u043b\u044c': df['\u041f\u0440\u0438\u0431\u044b\u043b\u044c'].mean(),\n '\u041b\u0443\u0447\u0448\u0438\u0439 \u043c\u0435\u0441\u044f\u0446': df.loc[df['\u041f\u0440\u0438\u0431\u044b\u043b\u044c'].idxmax(), '\u041c\u0435\u0441\u044f\u0446'],\n '\u041a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0430\u043d\u043e\u043c\u0430\u043b\u0438\u0439': df['\u0410\u043d\u043e\u043c\u0430\u043b\u0438\u044f'].sum(),\n '\u0421\u0440\u0435\u0434\u043d\u0438\u0439 ROI': df['ROI'].mean()\n }\n return report<\/code><\/pre>\n\n\n\n\u0410\u043d\u0430\u043b\u0438\u0437 \u043a\u043b\u0438\u0435\u043d\u0442\u0441\u043a\u0438\u0445 \u0434\u0430\u043d\u043d\u044b\u0445<\/h3>\n\n\n\n
def customer_segmentation(df):\n \"\"\"\u0421\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u044f \u043a\u043b\u0438\u0435\u043d\u0442\u043e\u0432 \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 RFM \u0430\u043d\u0430\u043b\u0438\u0437\u0430\"\"\"\n\n # \u0420\u0430\u0441\u0447\u0435\u0442 RFM \u043c\u0435\u0442\u0440\u0438\u043a\n current_date = df['\u0414\u0430\u0442\u0430_\u043f\u043e\u043a\u0443\u043f\u043a\u0438'].max()\n\n rfm = df.groupby('ID_\u043a\u043b\u0438\u0435\u043d\u0442\u0430').agg({\n '\u0414\u0430\u0442\u0430_\u043f\u043e\u043a\u0443\u043f\u043a\u0438': lambda x: (current_date - x.max()).days, # Recency\n 'ID_\u0437\u0430\u043a\u0430\u0437\u0430': 'count', # Frequency\n '\u0421\u0443\u043c\u043c\u0430': 'sum' # Monetary\n }).rename(columns={\n '\u0414\u0430\u0442\u0430_\u043f\u043e\u043a\u0443\u043f\u043a\u0438': 'Recency',\n 'ID_\u0437\u0430\u043a\u0430\u0437\u0430': 'Frequency',\n '\u0421\u0443\u043c\u043c\u0430': 'Monetary'\n })\n\n # \u041a\u0432\u0430\u043d\u0442\u0438\u043b\u044c\u043d\u0430\u044f \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u044f\n rfm['R_Score'] = pd.qcut(rfm['Recency'], 5, labels=[5,4,3,2,1])\n rfm['F_Score'] = pd.qcut(rfm['Frequency'].rank(method='first'), 5, labels=[1,2,3,4,5])\n rfm['M_Score'] = pd.qcut(rfm['Monetary'], 5, labels=[1,2,3,4,5])\n\n # \u0421\u043e\u0437\u0434\u0430\u043d\u0438\u0435 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u043e\u0432\n rfm['RFM_Score'] = rfm['R_Score'].astype(str) + rfm['F_Score'].astype(str) + rfm['M_Score'].astype(str)\n\n # \u041e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0439 \u043a\u043b\u0438\u0435\u043d\u0442\u043e\u0432\n def segment_customers(rfm_score):\n if rfm_score in ['555', '554', '544', '545', '454', '455', '445']:\n return '\u0427\u0435\u043c\u043f\u0438\u043e\u043d\u044b'\n elif rfm_score in ['543', '444', '435', '355', '354', '345', '344', '335']:\n return '\u041b\u043e\u044f\u043b\u044c\u043d\u044b\u0435 \u043a\u043b\u0438\u0435\u043d\u0442\u044b'\n elif rfm_score in ['512', '511', '422', '421', '412', '411', '311']:\n return '\u041d\u043e\u0432\u044b\u0435 \u043a\u043b\u0438\u0435\u043d\u0442\u044b'\n else:\n return '\u0414\u0440\u0443\u0433\u0438\u0435'\n\n rfm['\u0421\u0435\u0433\u043c\u0435\u043d\u0442'] = rfm['RFM_Score'].apply(segment_customers)\n\n return rfm<\/code><\/pre>\n\n\n\n\u041f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0441\u0442\u0432\u0435\u043d\u043d\u0430\u044f \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u043a\u0430<\/h3>\n\n\n\n
def production_efficiency_analysis(df):\n \"\"\"\u0410\u043d\u0430\u043b\u0438\u0437 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u043e\u0441\u0442\u0438 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0441\u0442\u0432\u0430\"\"\"\n\n # \u0420\u0430\u0441\u0447\u0435\u0442 KPI\n df['\u042d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u043e\u0441\u0442\u044c'] = (df['\u0424\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0439_\u0432\u044b\u043f\u0443\u0441\u043a'] \/ df['\u041f\u043b\u0430\u043d\u043e\u0432\u044b\u0439_\u0432\u044b\u043f\u0443\u0441\u043a']) * 100\n df['\u041f\u0440\u043e\u0441\u0442\u043e\u0438_\u043f\u0440\u043e\u0446\u0435\u043d\u0442'] = (df['\u0412\u0440\u0435\u043c\u044f_\u043f\u0440\u043e\u0441\u0442\u043e\u044f'] \/ df['\u0420\u0430\u0431\u043e\u0447\u0435\u0435_\u0432\u0440\u0435\u043c\u044f']) * 100\n df['\u041a\u0430\u0447\u0435\u0441\u0442\u0432\u043e_\u043f\u0440\u043e\u0446\u0435\u043d\u0442'] = (df['\u0413\u043e\u0434\u043d\u044b\u0435_\u0438\u0437\u0434\u0435\u043b\u0438\u044f'] \/ df['\u041e\u0431\u0449\u0438\u0439_\u0432\u044b\u043f\u0443\u0441\u043a']) * 100\n\n # OEE (Overall Equipment Effectiveness)\n df['OEE'] = (df['\u042d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u043e\u0441\u0442\u044c'] \/ 100) * (df['\u041a\u0430\u0447\u0435\u0441\u0442\u0432\u043e_\u043f\u0440\u043e\u0446\u0435\u043d\u0442'] \/ 100) * ((100 - df['\u041f\u0440\u043e\u0441\u0442\u043e\u0438_\u043f\u0440\u043e\u0446\u0435\u043d\u0442']) \/ 100) * 100\n\n # \u0410\u043d\u0430\u043b\u0438\u0437 \u043f\u043e \u0441\u043c\u0435\u043d\u0430\u043c\n shift_analysis = df.groupby('\u0421\u043c\u0435\u043d\u0430').agg({\n '\u042d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u043e\u0441\u0442\u044c': 'mean',\n '\u041f\u0440\u043e\u0441\u0442\u043e\u0438_\u043f\u0440\u043e\u0446\u0435\u043d\u0442': 'mean',\n '\u041a\u0430\u0447\u0435\u0441\u0442\u0432\u043e_\u043f\u0440\u043e\u0446\u0435\u043d\u0442': 'mean',\n 'OEE': 'mean'\n }).round(2)\n\n # \u0412\u044b\u044f\u0432\u043b\u0435\u043d\u0438\u0435 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u043d\u044b\u0445 \u043f\u0435\u0440\u0438\u043e\u0434\u043e\u0432\n df['\u041f\u0440\u043e\u0431\u043b\u0435\u043c\u043d\u044b\u0439_\u043f\u0435\u0440\u0438\u043e\u0434'] = (df['OEE'] < df['OEE'].quantile(0.25))\n\n return df, shift_analysis<\/code><\/pre>\n\n\n\n\u0421\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u0435 \u0441 \u0430\u043b\u044c\u0442\u0435\u0440\u043d\u0430\u0442\u0438\u0432\u0430\u043c\u0438<\/h2>\n\n\n\n
Pandas vs NumPy<\/h3>\n\n\n\n
\u041a\u0440\u0438\u0442\u0435\u0440\u0438\u0439<\/th> Pandas<\/th> NumPy<\/th><\/tr><\/thead> \u0422\u0438\u043f \u0434\u0430\u043d\u043d\u044b\u0445<\/td> \u0413\u0435\u0442\u0435\u0440\u043e\u0433\u0435\u043d\u043d\u044b\u0435 \u0442\u0430\u0431\u043b\u0438\u0446\u044b<\/td> \u0413\u043e\u043c\u043e\u0433\u0435\u043d\u043d\u044b\u0435 \u043c\u0430\u0441\u0441\u0438\u0432\u044b<\/td><\/tr> \u0418\u043d\u0434\u0435\u043a\u0441\u0430\u0446\u0438\u044f<\/td> \u041c\u0435\u0442\u043a\u0438 \u0438 \u043f\u043e\u0437\u0438\u0446\u0438\u0438<\/td> \u0422\u043e\u043b\u044c\u043a\u043e \u043f\u043e\u0437\u0438\u0446\u0438\u0438<\/td><\/tr> \u041f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c<\/td> \u0425\u043e\u0440\u043e\u0448\u0430\u044f \u0434\u043b\u044f < 500K \u0441\u0442\u0440\u043e\u043a<\/td> \u041e\u0442\u043b\u0438\u0447\u043d\u0430\u044f \u0434\u043b\u044f \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439<\/td><\/tr> \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u043f\u0430\u043c\u044f\u0442\u0438<\/td> \u0411\u043e\u043b\u044c\u0448\u0435<\/td> \u041c\u0435\u043d\u044c\u0448\u0435<\/td><\/tr> \u0424\u0443\u043d\u043a\u0446\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u044c<\/td> \u0411\u043e\u0433\u0430\u0442\u0430\u044f \u0434\u043b\u044f \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0434\u0430\u043d\u043d\u044b\u0445<\/td> \u041c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0438<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n Pandas vs SQL<\/h3>\n\n\n\n
# Pandas \u044d\u043a\u0432\u0438\u0432\u0430\u043b\u0435\u043d\u0442\u044b SQL \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0439\n\n# SELECT * FROM table WHERE condition\ndf[df['column'] > value]\n\n# SELECT column1, column2 FROM table\ndf[['column1', 'column2']]\n\n# GROUP BY column\ndf.groupby('column').agg({'other_column': 'sum'})\n\n# JOIN\npd.merge(df1, df2, on='key')\n\n# ORDER BY\ndf.sort_values('column')\n\n# DISTINCT\ndf['column'].unique()<\/code><\/pre>\n\n\n\nPandas vs Excel<\/h3>\n\n\n\n
\u041e\u043f\u0435\u0440\u0430\u0446\u0438\u044f<\/th> Excel<\/th> Pandas<\/th><\/tr><\/thead> \u0424\u0438\u043b\u044c\u0442\u0440\u0430\u0446\u0438\u044f<\/td> \u0410\u0432\u0442\u043e\u0444\u0438\u043b\u044c\u0442\u0440<\/td> df[condition]<\/code><\/td><\/tr>\u0421\u0432\u043e\u0434\u043d\u044b\u0435 \u0442\u0430\u0431\u043b\u0438\u0446\u044b<\/td> \u0421\u0432\u043e\u0434\u043d\u0430\u044f \u0442\u0430\u0431\u043b\u0438\u0446\u0430<\/td> pivot_table()<\/code><\/td><\/tr>\u0424\u043e\u0440\u043c\u0443\u043b\u044b<\/td> =SUM(A:A)<\/code><\/td>df['A'].sum()<\/code><\/td><\/tr>\u0413\u0440\u0430\u0444\u0438\u043a\u0438<\/td> \u0412\u0441\u0442\u0440\u043e\u0435\u043d\u043d\u044b\u0435 \u0434\u0438\u0430\u0433\u0440\u0430\u043c\u043c\u044b<\/td> df.plot()<\/code><\/td><\/tr>\u0410\u0432\u0442\u043e\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u044f<\/td> VBA<\/td> Python \u0441\u043a\u0440\u0438\u043f\u0442\u044b<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n \u0411\u0443\u0434\u0443\u0449\u0435\u0435 Pandas \u0438 \u043d\u043e\u0432\u044b\u0435 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u0438<\/h2>\n\n\n\n
Pandas 2.0 \u0438 \u0432\u044b\u0448\u0435<\/h3>\n\n\n\n
\u0423\u043b\u0443\u0447\u0448\u0435\u043d\u043d\u0430\u044f \u0440\u0430\u0431\u043e\u0442\u0430 \u0441 nullable \u0442\u0438\u043f\u0430\u043c\u0438<\/strong>: \u041b\u0443\u0447\u0448\u0430\u044f \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0430 \u043f\u0440\u043e\u043f\u0443\u0449\u0435\u043d\u043d\u044b\u0445 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439
Copy-on-Write<\/strong>: \u041e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u043f\u0430\u043c\u044f\u0442\u0438
\u041d\u043e\u0432\u044b\u0435 \u043c\u0435\u0442\u043e\u0434\u044b \u0441\u0442\u0440\u043e\u043a<\/strong>: \u0420\u0430\u0441\u0448\u0438\u0440\u0435\u043d\u043d\u044b\u0435 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u0438 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0442\u0435\u043a\u0441\u0442\u0430<\/p>\n\n\n\n# \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 PyArrow backend\ndf_arrow = pd.DataFrame({\n 'A': pd.array([1, 2, None], dtype=\"Int64[pyarrow]\"),\n 'B': pd.array(['a', 'b', 'c'], dtype=\"string[pyarrow]\")\n})\n\n# \u041d\u043e\u0432\u044b\u0435 nullable \u0442\u0438\u043f\u044b\ndf_nullable = pd.DataFrame({\n 'integers': pd.array([1, 2, None], dtype='Int64'),\n 'strings': pd.array(['a', 'b', None], dtype='string'),\n 'booleans': pd.array([True, False, None], dtype='boolean')\n})<\/code><\/pre>\n\n\n\n\u0418\u043d\u0442\u0435\u0433\u0440\u0430\u0446\u0438\u044f \u0441 \u0441\u043e\u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u043c\u0438 \u0442\u0435\u0445\u043d\u043e\u043b\u043e\u0433\u0438\u044f\u043c\u0438<\/h3>\n\n\n\n
# \u0418\u043d\u0442\u0435\u0433\u0440\u0430\u0446\u0438\u044f \u0441 Apache Arrow\nimport pyarrow as pa\nimport pyarrow.parquet as pq\n\n# \u0427\u0442\u0435\u043d\u0438\u0435 Parquet \u0441 Arrow\ntable = pq.read_table('data.parquet')\ndf_arrow = table.to_pandas()\n\n# \u0420\u0430\u0431\u043e\u0442\u0430 \u0441 \u0431\u043e\u043b\u044c\u0448\u0438\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u0447\u0435\u0440\u0435\u0437 Dask\nimport dask.dataframe as dd\nlarge_df = dd.from_pandas(df, npartitions=4)<\/code><\/pre>\n\n\n\n\u0427\u0435\u043a-\u043b\u0438\u0441\u0442 \u043b\u0443\u0447\u0448\u0438\u0445 \u043f\u0440\u0430\u043a\u0442\u0438\u043a<\/h2>\n\n\n\n
\u2705 \u041f\u0435\u0440\u0435\u0434 \u043d\u0430\u0447\u0430\u043b\u043e\u043c \u0440\u0430\u0431\u043e\u0442\u044b<\/h3>\n\n\n\n
\n
\u2705 \u041f\u0440\u0438 \u0437\u0430\u0433\u0440\u0443\u0437\u043a\u0435 \u0434\u0430\u043d\u043d\u044b\u0445<\/h3>\n\n\n\n
\n
\u2705 \u041f\u0440\u0438 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0435 \u0434\u0430\u043d\u043d\u044b\u0445<\/h3>\n\n\n\n
\n
\u2705 \u041f\u0440\u0438 \u0430\u043d\u0430\u043b\u0438\u0437\u0435 \u0434\u0430\u043d\u043d\u044b\u0445<\/h3>\n\n\n\n
\n
\u2705 \u041f\u0440\u0438 \u0441\u043e\u0445\u0440\u0430\u043d\u0435\u043d\u0438\u0438 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u0432<\/h3>\n\n\n\n
\n
\u2705 \u041e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0446\u0438\u044f \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438<\/h3>\n\n\n\n
\n
\u2705 \u041a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u043a\u043e\u0434\u0430<\/h3>\n\n\n\n
\n
\u0417\u0430\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u0435: Pandas \u043a\u0430\u043a \u043a\u0430\u0442\u0430\u043b\u0438\u0437\u0430\u0442\u043e\u0440 \u0440\u043e\u0441\u0442\u0430<\/h2>\n\n\n\n
\u041a\u043b\u044e\u0447\u0435\u0432\u044b\u0435 \u043f\u0440\u0435\u0438\u043c\u0443\u0449\u0435\u0441\u0442\u0432\u0430 Pandas<\/h3>\n\n\n\n