нормально, но не для новичков.

NumPy и pandas: практический тренажёр
Бесплатный тренажёр NumPy и pandas для тех, кто знает основы Python. Научитесь очищать таблицы, объединять данные и собирать отчёты: 31 урок и 124 задачи с кодом и автоматической проверкой.
- 6 модулей
- 31 урок
- 197 заданий с проверкой
- ≈ 20 часов обучения
Практика в браузере
Пишите и запускайте код прямо в уроке — редактор уже настроен. Ничего устанавливать не нужно.
Именной сертификат
После прохождения курса добавьте сертификат в резюме или портфолио. Работодатель сможет проверить его по ссылке.
О курсе
Знаете основы Python и хотите работать с данными? Здесь вы будете писать код для массивов и таблиц: читать CSV, убирать пропуски и дубли, соединять выгрузки и считать показатели по группам. Курс бесплатный, на русском языке. Задачи с кодом решаются и проверяются в браузере.
Сначала разберётесь с массивами NumPy: формой, индексами, масками и вычислениями без циклов. Затем перейдёте к pandas — от первой таблицы DataFrame до очистки данных, groupby, merge и скользящих расчётов. Короткое объяснение сменяется задачами: дописать функцию, исправить ошибку или понять, почему результат оказался неверным.
В финале соберёте обработку таблицы заказов и отчёт по клиентам. Нужно будет привести даты и статусы к единому виду, убрать дубли, посчитать суммы и соединить результат со справочником. Отдельно проверите случай, когда после объединения таблиц сумма неожиданно выросла.
В основной программе 6 модулей и 31 урок: 124 задачи с кодом и ещё 71 вопрос и задание с проверкой. Ориентир по времени — 20 часов, учиться можно в своём темпе. Для старта нужны условия, циклы, списки, словари и функции Python; опыт с NumPy и pandas не требуется.
С чего начать
Впервые открыли эти библиотеки? Начните с массивов NumPy. Уже работаете с таблицами? Посмотрите загрузку CSV в pandas и объединение таблиц, затем выберите нужный раздел программы.
После тренажёра
Когда обработка таблиц станет привычной, можно перейти к платному курсу «Практическая аналитика данных»: там на кейсах продаж, удержания клиентов и рекламных каналов вы будете выбирать метрики, делать расчёты на pandas или SQL и собирать дашборды в DataLens.
Хотите идти в ML? Следующий шаг — классическое машинное обучение на Python. А если расчёты уже работают, но код разрастается в неудобный скрипт, начните с бесплатного курса Python после основ: структура приложения, типы и тесты.
Чему научитесь
- Загружать CSV в pandas и проверять, правильно ли прочитались столбцы, даты и пропуски.
- Очищать рабочую таблицу: приводить строки и даты к единому виду, обрабатывать пропуски и удалять дубли.
- Считать суммы, средние и другие показатели по группам с groupby, agg и transform.
- Соединять таблицы через merge и concat и находить причины появления лишних строк после объединения.
- Строить сводные таблицы, ранги, накопительные и скользящие показатели.
- Использовать формы, маски и broadcasting NumPy для вычислений с массивами.
- Собирать цепочку обработки заказов и клиентский отчёт, проверяя состав столбцов и результат расчётов.
Для кого
- Тем, кто освоил основы Python и хочет перейти к анализу данных на NumPy и pandas.
- Аналитикам, которые хотят обрабатывать выгрузки кодом: очищать, соединять и группировать таблицы.
- Будущим ML-инженерам, которым нужна практика подготовки табличных данных перед обучением моделей.
Формат
- Бесплатный курс на русском языке, обучение в своём темпе.
- 6 основных модулей, 31 урок и два дополнительных открытых руководства.
- 124 задачи с кодом и 71 вопрос и задание с проверкой — 195 заданий в основной программе.
- Python-код можно писать и проверять в браузере.
- Итоговая практика: подготовка таблиц заказов и пользователей, отчёт по клиентам, проверка ошибок объединения.
- Ориентировочная продолжительность — 20 часов.
Что нужно на старте
- Ученик уверенно использует переменные, числа, строки, bool, условия и циклы Python.
- Ученик умеет создавать и обрабатывать списки, кортежи и словари.
- Ученик умеет объявлять и вызывать функции, передавать аргументы и возвращать значения.
- Ученик понимает импорт модулей и может читать короткий traceback.
Автор курса
Алексей Малышкин
Разрабатываю образовательные материалы по программированию, машинному обучению и анализу данных. Темы: Python-разработка, аналитика, ML-инструменты (LangChain, vector databases, AI agents), компьютерное зрение. Стараюсь объяснять технические концепции понятно и структурировано. Ранее преподавал на Stepik и обучил более 2000 студентов. Мой профиль на Stepik - https://stepik.org/users/273781420/profile Мой телеграм для связи @alexey_latorn
Программа
01NumPy: массивы, форма и индексация5 уроков
02NumPy: вычисления и устройство массивов8 уроков
03pandas: устройство, выборка и изменение таблиц5 уроков
04pandas: типы столбцов и очистка по правилу5 уроков
05pandas: группировки, соединения и упорядоченные показатели6 уроков
06Интеграционная практика2 урока
Отзывы
5 отзывовЗаданий много, это понравилось. Очистку данных уже попробовал на своей рабочей выгрузке. С проверкой иногда долго возился. Числа вроде те же, что должны быть, а ответ не проходит. Потом замечаешь, что тип другой или индекс не тот. Я понимаю, что это важно, но хотелось бы хоть какую-то подсказку, что именно не так. Поэтому четыре.
Рекомендую
Показать ещё 2 отзываСвернуть
Сразу пригодилось для рабочих выгрузок. А то раньше слияние таблиц делал руками.
Отличный тренажёр
Дополнительные материалы и практика
Задачи
- dtype NumPy: целые и вещественные массивы, типы элементов
- NumPy shape, ndim, size и dtype: атрибуты массива и задача
- Срезы двумерного массива NumPy: строки, столбцы и шаг
- NumPy reshape и transpose: разница на примере и задача
- NumPy newaxis и squeeze: вектор-строка и вектор-столбец
- NumPy: целочисленная индексация, присваивание и маска
- NumPy zeros, ones и full: dtype — пример и задача
- Булева маска NumPy: фильтрация, несколько условий и замена
- NumPy: прямоугольный срез вместо цепочечной индексации
- np.where и np.clip в NumPy: задача без циклов
- np.clip в NumPy: ограничение значений — пример и задача
- Min-max нормализация матрицы NumPy и argmin/argmax
- NumPy axis=0, 1, 2: пример агрегации и задача
- NumPy broadcasting: какая форма будет у суммы массивов
- Broadcasting NumPy по строкам и столбцам: формы и пример
- NumPy broadcasting: outer-таблица и центрирование строк
- Умножение матриц NumPy: оператор @, размеры и пример
- NumPy A.T @ A: попарные скалярные произведения столбцов
- NumPy nanmean, nansum и isnan: среднее без пропусков
- np.isnan, np.any и np.all: задача на пропуски в массиве
- NumPy stack: axis=0, 1 и 2 и форма результата
- NumPy concatenate и stack: чем отличаются shape и axis
- NumPy sort по axis=0 и axis=1 без изменения исходного массива
- NumPy argsort по axis=0: индексы сортировки столбцов
- View и copy: предсказание влияния изменений среза на исходный массив — задача по NumPy и pandas
- NumPy view и copy: почему срез меняет исходный массив
- NumPy sharesmemory: view, copy и изменение исходного массива
- pandas Series из словаря: index, shape и dtype
- pandas DataFrame из списка словарей: пример и задача
- Загрузка CSV с явными типами и датами через readcsv — задача по NumPy и pandas
- Загрузка CSV в pandas: dtype, usecols и разбор дат
- pandas readcsv: конфликт usecols и parsedates
- Выборка столбцов и строк: [], loc и iloc без цепочной индексации — задача по NumPy и pandas
- pandas iloc с нестандартным индексом: метка или позиция
- pandas loc и iloc: разница меток, позиций и границ среза
- Создание и изменение столбцов: векторные выражения, loc и выравнивание по индексу — задача по NumPy и pandas
- Pandas loc: присваивание по булевой маске
- pandas Series и индекс: почему при присваивании появляется NaN
- Pandas loc: создать столбец и присвоить значения по условию
- pandas loc: обновление цен и пересчёт стоимости
- Pandas setindex: останется ли исходный столбец
- Управление метками: rename, sortvalues, setindex, resetindex, reindex — задача по NumPy и pandas
- pandas rename, sortvalues, setindex и reindex в одном пайплайне
- pandas: сортировка, смена индекса и новые метки
- Pandas rename, reindex и resetindex: задача на индекс
- pandas: индекс, сортировка и reindex с заполнением новых строк
- pandas dropna subset: какие строки удаляются и почему
- pandas fillna: заполнение пропусков и nullable-типы Int64
- pandas dropna: how, subset и форма таблицы
- Текстовые столбцы: нормализация и разбор через .str — задача по NumPy и pandas
- pandas str.strip, lower и replace: очистка строк без циклов
- pandas str.split и str.contains: фильтрация по домену email
- Временные столбцы: парсинг, .dt-компоненты, длительности и фильтрация — задача по NumPy и pandas
- pandas dt: год, месяц, день недели и фильтрация дат
- pandas Timedelta: длительность бронирования и фильтр по дате
- Дубли: duplicated и dropduplicates по ключевым столбцам — задача по NumPy и pandas
- pandas: удаление дубликатов — subset, keep first и last
- pandas duplicated keep=False: найти все повторяющиеся ключи
- Pandas Categorical: сортировка по заданному порядку
- Категориальные столбцы: CategoricalDtype и упорядоченная сортировка — задача по NumPy и pandas
- pandas CategoricalDtype: сортировка категорий и строк
- pandas Categorical: сортировка по порядку категорий
- Pandas CategoricalDtype: сортировка категорий и отчёт
- pandas CategoricalDtype: почему astype заменяет значения на NaN
- groupby и agg: сводные показатели с явными именами агрегатов — задача по NumPy и pandas
- pandas groupby и agg: группировка по двум столбцам
- pandas groupby и agg: именованные агрегаты и сортировка
- groupby и transform: групповые признаки на уровне строк и фильтрация групп — задача по NumPy и pandas
- pandas groupby transform: среднее группы для каждой строки
- pandas transform count: фильтрация групп по числу строк
- pandas merge(how='left'): что будет без совпадения ключа
- pandas merge: validate, suffixes и MergeError — задача
- pandas merge indicator: outer join и несовпавшие ключи
- melt, pivottable и explode: широкий и длинный форматы — задача по NumPy и pandas
- Сводная таблица pandas: агрегаты, суммы и пустые ячейки
- pandas explode и groupby: подсчёт тегов товаров
- Pandas rank method=min: одинаковые значения и ранги
- rank и cumsum: ранги и накопительные показатели — задача по NumPy и pandas
- pandas rank и cumsum по группам: ранг и накопительная сумма
- pandas groupby: ранг и накопительная сумма по группам
- pandas rank: average, dense и одинаковые значения
- Pandas groupby cumsum и rank: накопительный итог по отделам
- rolling: скользящие агрегаты по упорядоченным данным — задача по NumPy и pandas
- Pandas rolling: minperiods и неполное окно
- pandas rolling: скользящее среднее и размер окна
- Pandas rolling minperiods: сравните два скользящих средних
- pandas rolling: порядок строк, размер окна и NaN
- pandas rolling: скользящая сумма после сортировки таблицы
- Pandas fillna: почему исходная таблица не изменилась
- Итоговый практикум — часть 1: подготовка одной таблицы — задача по NumPy и pandas
- Очистка заказов в pandas: даты, пропуски и дубли
- Очистка pandas: dropna, str.replace и удаление дублей
- pandas: исправьте очистку таблицы транзакций
- Качество данных в pandas: пропуски, дубли и типы без изменений
- Pandas groupby asindex=False: форма результата
- Итоговый практикум — часть 2: агрегация, соединение и финальная схема — задача по NumPy и pandas
- Отчёт в pandas: groupby, agg и merge со справочником
- Pandas duplicated и dropduplicates: аудит бизнес-ключа
- pandas merge и дубли ключей: диагностика зерна данных
- Pandas concat и merge: объединение двух батчей данных
- NumPy arange и linspace: разница шага и количества точек
Уроки
- ndarray: создание из последовательностей и атрибуты структуры
- Конструкторы массивов: arange, linspace, zeros, ones, full
- Изменение формы: reshape, transpose, добавление и удаление осей
- Базовая индексация: элементы, строки, столбцы и срезы
- Продвинутая индексация: булевы маски и целочисленные массивы индексов
- Векторная арифметика и where/clip
- Агрегации по массиву и по оси: sum, mean, min, max, argmin, argmax
- Broadcasting: правила совместимости форм и исправление несовместимости
- Матрично-векторные произведения через оператор @
- NaN в числовых массивах: обнаружение и nan-устойчивые агрегаты
- Объединение массивов: concatenate и stack
- Сортировка массивов: sort и argsort
- View и copy: предсказание влияния изменений среза на исходный массив
- Series и DataFrame: создание, index, columns, shape, dtypes
- Загрузка CSV с явными типами и датами через read_csv
- Выборка столбцов и строк: [], loc и iloc без цепочной индексации
- Пропуски в таблице: обнаружение, dropna, fillna и nullable dtype
- Текстовые столбцы: нормализация и разбор через .str
- Временные столбцы: парсинг, .dt-компоненты, длительности и фильтрация
- Дубли: duplicated и drop_duplicates по ключевым столбцам
- groupby и agg: сводные показатели с явными именами агрегатов
- groupby и transform: групповые признаки на уровне строк и фильтрация групп
- merge и concat: соединение таблиц с контролем кардинальности
- melt, pivot_table и explode: широкий и длинный форматы
- Pandas для начинающих: что изучать и в каком порядке
- NumPy для начинающих: массивы, форма и вычисления
Статьи
- Проверка данных в pandas: импорт, индексы, merge и итоги
- Месяц после 31 января: календарный сдвиг и MonthEnd в pandas
- Большой идентификатор изменился: не пропускаем целые через float
- Локальное время не существует: DST при tz_localize в pandas
- Неизвестный статус стал NaN: проверяем словарь категорий pandas
- Дисперсия больших чисел: почему E[x²] − E[x]² теряет точность
