Сертификация IBM Python для науки о данных — это популярная программа сертификации, предлагаемая IBM, чтобы помочь людям получить навыки программирования на Python для науки о данных. Вот несколько методов, обычно используемых в науке о данных, с примерами кода:

1. Манипулирование данными с помощью Pandas:
   Pandas — это мощная библиотека для манипулирования и анализа данных. Вот пример загрузки CSV-файла и выполнения основных операций:

import pandas as pd
# Load CSV file
data = pd.read_csv('data.csv')
# Display first 5 rows
print(data.head())
# Perform basic statistical operations
print(data.describe())
# Filter data based on conditions
filtered_data = data[data['age'] > 30]
print(filtered_data.head())

2. Визуализация данных с помощью Matplotlib:
   Matplotlib — популярная библиотека построения графиков на Python. Вот пример создания точечной диаграммы:

import matplotlib.pyplot as plt
# Generate data
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
# Create scatter plot
plt.scatter(x, y)
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.title('Scatter Plot')
plt.show()

3. Машинное обучение с помощью Scikit-learn:
   Scikit-learn — широко используемая библиотека для машинного обучения на Python. Вот пример обучения простой модели линейной регрессии:

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
# Prepare data
X = [[1], [2], [3], [4], [5]]
y = [2, 4, 6, 8, 10]
# Split data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Create and train the model
model = LinearRegression()
model.fit(X_train, y_train)
# Make predictions
predictions = model.predict(X_test)
print(predictions)

4. Обработка естественного языка (NLP) с помощью NLTK:
   NLTK (Natural Language Toolkit) — это библиотека для задач NLP. Вот пример токенизации и стемминга текста:

import nltk
from nltk.tokenize import word_tokenize
from nltk.stem import PorterStemmer
# Tokenize text
text = "The quick brown fox jumps over the lazy dog."
tokens = word_tokenize(text)
print(tokens)
# Perform stemming
stemmer = PorterStemmer()
stemmed_words = [stemmer.stem(token) for token in tokens]
print(stemmed_words)