«Наука о данных Coursera JHU» — это специализация «Наука о данных», предлагаемая Университетом Джонса Хопкинса на платформе Coursera. Эта специализация состоит из серии курсов, которые охватывают различные аспекты науки о данных, включая манипулирование данными, визуализацию данных, статистический вывод и машинное обучение. Ниже я предоставлю обзор некоторых распространенных методов, используемых в науке о данных, а также примеры кода:

1. Манипулирование данными:

   • Метод: Панды

   • Пример кода:

     import pandas as pd
     
     # Read data from a CSV file
     data = pd.read_csv('data.csv')
     
     # Filter rows based on a condition
     filtered_data = data[data['column_name'] > 10]
     
     # Group data by a column and calculate statistics
     grouped_data = data.groupby('column_name').mean()
     
     # Merge two dataframes
     merged_data = pd.merge(df1, df2, on='common_column')

2. Визуализация данных:

   • Метод: Matplotlib

   • Пример кода:

     import matplotlib.pyplot as plt
     
     # Line plot
     plt.plot(x, y)
     plt.xlabel('X-axis')
     plt.ylabel('Y-axis')
     plt.title('Title')
     plt.show()
     
     # Scatter plot
     plt.scatter(x, y)
     plt.xlabel('X-axis')
     plt.ylabel('Y-axis')
     plt.title('Title')
     plt.show()
     
     # Histogram
     plt.hist(data, bins=10)
     plt.xlabel('X-axis')
     plt.ylabel('Y-axis')
     plt.title('Title')
     plt.show()

3. Статистический вывод:

   • Метод: SciPy

   • Пример кода:

     from scipy import stats
     
     # One-sample t-test
     t_statistic, p_value = stats.ttest_1samp(data, population_mean)
     
     # Pearson correlation coefficient
     correlation, p_value = stats.pearsonr(x, y)
     
     # Chi-square test
     chi2_statistic, p_value = stats.chisquare(observed_values, expected_values)

4. Машинное обучение:

   • Метод: Scikit-learn

   • Пример кода (линейная регрессия):

     from sklearn.linear_model import LinearRegression
     
     # Create a linear regression model
     model = LinearRegression()
     
     # Fit the model to the training data
     model.fit(X_train, y_train)
     
     # Make predictions on new data
     predictions = model.predict(X_test)