Narzędzia programistyczne w Pythonie wspierające analizę danych

monograficzne

Wprowadzenie w techniki i narzędzia programistyczne w Pythonie ze szczególnym uwzględnieniem zastosowania w projektach z zakresu analizy danych.

1. Wstęp do języka Python, standardy pisania kodu.

2. Praca z wierszem poleceń w systemie Linux - często potrzebnym np. do zdalnej pracy na komputerach.

3. Git - repozytoria kodu, wersjonowanie i synchronizowanie kodu.

4. Moduły - lepsza organizacja kodu, większa czytelność i łatwość utrzymania kodu.

5. Biblioteka argparse i inne możliwości konfigurowania stanu programu, obsługa plików konfiguracyjnych - jak móc używać programu dla różnych danych (i dostać czytelne komunikaty o nieprawidłowych parametrach) bez potrzeby modyfikacji programu.

6. Jupyter - interaktywna konsola w przeglądarce, umożliwia wygodną pracę zdalną, łatwy podgląd i wygodną prezentację wyników.

7. Testowanie oprogramowania - dobre praktyki i nauka narzędzi.

8. Zastosowanie debugera przy użyciu testów - czyli jak przyspieszyć znajdowanie i zrozumienie błędów w programie.

9. Paczka pythonowa - czyli jak przygotować kod do dzielenie między projektami.

10. Biblioteka numpy - obsługa macierzy wielowymiarowych.

11. Biblioteka pandas - obsługa danych tabelowych.

12. Profiler - czyli jak znaleźć to miejsce, które naprawdę spowalnia wykonanie programu.

13. Ciągła integracja (ang. continuous integration) i tox - czyli jak sprawdzić, że projekt jest dobrze zdefiniowany i opisany, automatyczne sprawdzanie, czy nie zostały wprowadzone błędy do projektu (np. przy dodawaniu nowych funkcji do programu).

14. Cython, numba.jit - czyli co zrobić, by przyspieszyć wykonywanie programu lub użyć biblioteki napisanej w języku C, która nie ma interfejsu dla Pythona.

- Python for Data Analysis, Wes McKinney, 2. wyd., 2017,

- Python Crash Course, a hands-on, project-based introduction to programming, 2. wyd., Eric Matthes, 2019.

- Programming Python, Mark Lutz, 4. wyd., 2011.

- Pro Git , Scott Chacon i Ben Straub, 2. wyd., 2014.

- https://docs.python.org/.

- dokumentacja internetowa do poszczególnych narzędzi omawianych w kursie.

Po ukończeniu zajęć student zna:

- język Python w stopniu wystarcającym do tworzenia własnych aplikacji średniej wielkości,

- powszecnie używane narzędzia wykorzystywane przy analizie danych,

- powszecnie używane narzędzia wykorzystywane w pracy zespołowej.

Oceny cząstkowe z małych zadań programistycznuch zadawanych w trakcie semsetru (30%).

Egzamin w formie omówienia końcowego zadania zaliczeniowego (70%)

Warunki dopuszczenia do terminu zerowego: zdobycie co najmniej 90% punktów z zadań cząstkowych. Sam egzamin przebiega i jest oceniany tak jak normalny egzamin.