Основы анализа данных в Python

Бакалавриат 2026/2027

ID 1178969

Статус: Курс обязательный (Политология)

Кто читает: Кафедра высшей математики

Где читается: Общеуниверситетские кафедры

Когда читается: 3-й курс, 2, 3 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Зайцева Ксения Дмитриевна, Тамбовцева Алла Андреевна

Язык: английский

Кредиты: 3

Контактные часы: 72

Full Syllabus Ask Question

Abstract

This course is designed to develop skills in quantitative data processing in Python without delving into mathematical foundations and statistical theory. While elements of statistical theory are used in this course, the emphasis is on data preparation procedures (data cleaning, filtering, grouping, aggregation, and visualization elements), as well as the use and interpretation of correlation coefficients and regression (linear and logistic) – the most widely used data analysis tools in the social sciences.

Learning Objectives

Acquiring skills of data processing and data analysis in Python

Expected Learning Outcomes

distinguish between data scales, calculate and interpret appropriate descriptive statistics
detect outliers using 1.5 * IRQ and N* STD criteria
filter rows, add columns, group and aggregate data using Pandas
make conclusions about a null hypothesis using p-value, distinguish between type I and type II errors, apply appropriate statistical tests to compare two or more groups
merge data frames via different types of join, handle dates in Pandas
visualize relationships between quantitative and qualitative data, calculate and interpret correlation coefficients (Pearson and Spearman correlation), create contingency tables and use chi-squared test for independence
fit a linear model (simple/multiple/with log-transformed variables), calculate metrics for regression, interpret results
fit a logistic regression, calculate metrics for classification, interpret results

Course Contents

Data Scales. Data Types in Pandas
Descriptive Statistics. Typical Values and Outliers
Grouping and Aggregation in Pandas. Handling Missing Values.
Data Visualization: Quantitative and Qualitative Data
Statistical Inference. Statistical Tests for Comparing Two and More Groups
Merging data. Types of JOIN
Bivariate Data: Associations and Relationships
Introduction to Machine Learning. Regression vs Classification
Classification. Logistic Regression

Assessment Elements

Tests
In-class paper tests (10 minutes) based on previous material. Points for all tests are summed at the end of the course and normalized to get a grade in a 10-point scale.
Control work 1
A set of tasks based on Data Science, AI and Generative Models Independent Test (Intermediate level). Covers topics of the 2nd module (from data scales to statistical inference), includes both theoretical questions and practical tasks in Python.
Control work 2
A set of tasks based on Data Science, AI and Generative Models Independent Test (Intermediate level). Covers topics of the 3rd module (from data merging to logistic regression), includes both theoretical questions and practical tasks in Python.
Exam
A set of tasks based on Data Science, AI and Generative Models Independent Test (Intermediate level), includes both theoretical questions and practical tasks in Python.

Interim Assessment

2026/2027 3rd module
0.2 * Control work 1 + 0.25 * Control work 2 + 0.3 * Exam + 0.25 * Tests

Bibliography

Recommended Core Bibliography

Python Data Analytics поможет вам освоить мир сбора и анализа данных, используя всю мощь языка Python. В основе этой книги лежит описание pandas, библиотеки с открытым исходным кодом, лицензированной BSD, обеспечивающей высокопроизводительные, простые в использовании структуры данных и инструменты анализа данных для языка программирования Python. Автор Фабио Нелли мастерски демонстрирует силу языка программирования Python в применении к обработке, управлению и извлечению информации. Внутри вы увидите, насколько интуитивно понятным и гибким является обнаружение и передача значимых шаблонов данных с помощью скриптов Python, систем отчетности и экспорта данных. В этой книге рассматривается, как получать, обрабатывать, хранить, управлять и анализировать данные с помощью языка программирования Python. Вы будете использовать Python и другие инструменты с открытым исходным кодом для обработки данных и выявления интересных и важных тенденций в этих данных, которые позволят вам предсказывать будущее. узоры. Независимо от того, имеете ли вы дело с данными продаж, инвестиционными данными (акции, облигации и т. Д.), Медицинскими данными, использованием веб-страниц или любым другим типом набора данных, Python можно использовать для интерпретации, анализа и сбора информации из кучи числа и статистика. Эта книга является бесценным справочником с примерами хранения и доступа к данным в базе данных; он проведет вас через процесс создания отчета; в нем представлены три практических примера или примера, которые вы можете взять с собой для повседневного анализа.

Recommended Additional Bibliography

AP statistics : most up-to-date review and practice tests currently available, Sternstein, M., 2010

Authors

Tambovtseva Alla Andreevna

Course Syllabus