Программирование на Python

Магистратура 2025/2026

Статус: Курс обязательный (Аналитика больших данных)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Паточенко Евгений Анатольевич

Язык: русский

Кредиты: 6

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина предназначена для освоения студентами основ программирования на языке Python. В ходе обучения студенты изучат основные концепции языка программирования Python, включая работу с переменными, условиями, циклами и функциями. Особое внимание будет уделено изучению библиотек для анализа данных, визуализации и обработки файлов. Для обеспечения практического опыта и эффективного освоения учебного материала предусмотрено выполнение заданий на удаленном сервере. Это обеспечит студентам возможность применять полученные знания на практике и приобрести опыт работы в реальных условиях.

Цель освоения дисциплины

Сформировать у студентов базовые и продвинутые навыки работы с данными на Python, включая использование библиотек Pandas, NumPy и инструментов для их эффективной обработки.
Научить применять методы агрегации, группировки, фильтрации, объединения данных и расчёта метрик для решения аналитических и продуктовых задач.
Развить умение визуализировать данные с помощью matplotlib, seaborn и plotly, создавать понятные графики и диаграммы для анализа и презентации результатов.
Ознакомить с принципами работы с «грязными» данными, временными рядами, оконными функциями и подходами к оптимизации обработки больших массивов информации.
Дать навыки автоматизации аналитических задач с использованием API и интеграций с внешними сервисами, а также опыта в построении аналитических пайплайнов.
Подготовить студентов к выполнению сквозного проекта по анализу данных, обеспечив комплексное понимание всех этапов работы — от загрузки и очистки данных до визуализации и интерпретации результатов.

Планируемые результаты обучения

– Понимает, что такое переменная в Python
– Знаком с базовыми типами данных: int, float, str, bool
– Умеет создавать переменные и проводить с ними операции
– Знает, что такое списки и кортежи и чем они отличаются.
– Умеет применять методы списков и кортежей
– Знаком с индексами, умеет обращаться к элементам списка и кортежа
– Умеет создавать списки и множества и проводить над ними операции: сортировать, добавлять элементы, объединять
– Умеет работать со строками и знает основные методы строк.
– Понимает, что строка — это последовательность символов, которую можно конвертировать в массив
– Знает, что такое множества и словари, понимает, для каких задач они подходят
– Может выполнять простые операции с множествами
– Умеет обращаться к ключам и значениям по ключам в словаре
– Умеет создавать последовательности чисел с помощью range и преобразовывать их в списки
– Знает, что существует тип данных None
– Знает, что такое условная конструкция и понимает связь между условными конструкциями и логическими выражениями
– Знает структуру условных конструкций, правила отступов и оформления блоков кода в Python
– Знаком с операторами if, elif, else, pass
– Знает как работать с тернарным оператором (if else в одну строку)
– Понимает, что такое циклы в Python и для каких задач они применяются
– Знает структуру циклов, знаком с понятиями итерации и переменной в цикле
– Знает два типа циклов (через for и while)
– Умеет управлять циклами с помощью операторов break и continue
– Знаком с функциями enumerate и zip, умеет итерироваться сразу по нескольким структурам
– Умеет создавать списки на основе других списков с помощью краткой записи list comprehensions
– Знает, что аналогичным образом можно создавать множества и словари
– Владеет конструкцией with open() as file
– Умеет считывать файлы из директории в Jupyter ноутбуке и записывать данные в файл
– Понимает, зачем нужны функции и как выглядит их структура: ключевое слово def, название функции, аргументы функции, тело функции, оператор return
– Знает, что аргументы бывают именованные и неименованные (порядковые), понимает, что сначала идут неименованные, потом именованные
– Понимает, как работает ключевое слово return и умеет присваивать переменной значение, которое возвращает функция
– Имеет представление о пространстве имен и области видимости функции
– Умеет упаковывать возвращаемые значения в tuple и распаковывать результат функции в несколько переменных
– Умеет применять конструкции *args и **kwargs для передачи аргументов в функцию
– Знает, зачем нужны генераторы и чем они отличаются от функций
– Умеет писать простые генераторы, использовать ключевое слово yield и функцию next()
– Понимает, зачем нужны lambda функции и знает их синтаксис
– Умеет применять функции map и filter
– Знает, как загрузить файл в память машины, на которой работает код Python
– Знает про формат csv и функции из библиотеки pandas для чтения файлов с разными расширениями
– Понимает, что такое метод и атрибут в Python
– Умеет использовать методы и атрибуты датафреймов
– Может с их помощью описать свойства таблицы
– Знает, как работают методы group и agg
– Умеет агрегировать данные в таблице для подсчета метрик
– Способен предоставлять достоверные результаты расчетов заказчику
– Умеет задавать правильные вопросы к качеству расчетов и получать результат несколькими способами, разница между которыми может быть сравнима
– Может комбинировать все полученные знания, чтобы автоматизировать повторяющиеся задачи
Поймёт принципы импорта библиотек и модулей в Python, включая работу с алиасами, импорт отдельных функций и правила оформления импортов по PEP8.
Освоит установку и обновление библиотек с помощью pip, а также базовые возможности NumPy и Pandas для анализа данных.
Научится загружать, просматривать, фильтровать, сортировать и модифицировать табличные данные в Pandas, включая работу с пропущенными значениями и присвоением новых значений.
Сможет выполнять агрегацию и группировку данных, вычислять статистические показатели и применять методы для анализа временных и строковых данных.
Освоит базовые приёмы подготовки данных для аналитических задач, в том числе расчёт пользовательских метрик (например, Churn Rate) и объединение переменных.
Получит опыт анализа реального датасета (бронирования отелей) для выявления ключевых закономерностей и ответов на бизнес-вопросы.
– Понимает связь навыков работы в Python и роль аналитика в команде
– Может брать инициативу на себя для решения задач, которые требуют знаний языка программирования
– Понимает, что для максимально эффективной работы сырые данные необходимо структурировать
– Умеет преобразовывать данные для расчета метрик и построения графиков
– Знает кейсы, в которых можно применять метод apply
– Умеет применять метод apply в различных сценариях обработки данных
– Знает, как работать с массивами внутри датафреймов
– Понимает разницу между обычными функциями и lambda функциями
– Умеет писать кастомные lambda функции и применять их к данным в каждой ячейке
– Понимает, какие задачи аналитик может решить с помощью Python
– Умеет представлять в голове алгоритм решения задачи и реализовывать его в коде
– Понимает, что получается при объединении таблиц
– Понимает разницу между разными видами merge (join)
– Понимает логику пересечения двух таблиц при объединении по ключу
– Понимает, как через данные и расчеты выразить ту ли иную сущность, чтобы ответить на вопросы бизнеса
– Умеет создавать метрики, позволяющие измерять и оценивать необходимые бизнесу сущности
– Понимает, зачем нужна визуализация и как она упрощает анализ данных
– Умеет использовать различные инструменты визуализации в Python для анализа данных
– Знает, как импортировать нужные библиотеки и быстро построить нужный график
– Понимает принцип работы со сводными таблицами
– Умеет использовать методы pivot, pivot_table
– Умеет объединять данные из нескольких датафреймов
– Знает, что данные можно объединять по вертикали и горизонтали
– Владеет методом pd.merge, понимает, что такое ключ объединения и за что отвечают аргументы how, on, left_on, right_on (горизонтальное объединение)
– Владеет методом pd.concat (вертикальное объединение)
– Знает, как импортируется библиотека
– Знает примерную структуру графика и базовые параметры для настройки
– Знает, как использовать метод plot и подавать в него данные для отрисовки графиков
– Может построить простой график и настроить базовые параметры (подписи осей, заголовок, размер графика)
– Знает основные типы графиков (лайнплот, барплот, гистограмма, точечная диаграмма и т.д.)
– Имеет на руках готовые примеры построения графиков и код, который можно переиспользовать в своих задачах
– Знает основные объекты библиотеки (Figure, Axes)
– Может построить несколько графиков на одной сетке
– Имеет готовые примеры построения продвинутых графиков на одной сетке
– Понимает, чем seaborn отличается от matplotlib и как с ней связана
– Умеет строить простые графики в seaborn с помощью displot, scatterplot и т.д.
– Знает, какие задачи решают аналитики и какими способами достигается результат
– Имеет опыт применения всех ранее полученных знаний для решения задачи по анализу данных рекламной сети
– Ищет баги в аналитических логах
– Понимает, что данные не всегда бывают точными и правильными
– Умеет обнаружить проблемы в данных и знает, как с ними справляться
– Знает статистические метрики центральной тенденции (медиана, процентиль), умеет их рассчитывать
– Может визуализировать распределение изучаемой метрики с помощью Python
– Умеет делать продвинутую фильтрацию данных и применять сразу несколько фильтров к таблице
– Понимает, как визуализация помогает анализировать данные
– Знает основные библиотеки для визуализации в Python (seaborn,matplotlib, plotly) Скользящее среднее и оконные функции
– Понимает логику работы оконных функций в Python
– Умеет эффективно фильтровать и агрегировать данные внутри групп
– Знаком с базовыми возможностями по улучшению отображения и читаемости графиков в Jupyter Notebook
– Умеет масштабировать оси, изменять цвета и заголовки графиков
– Понимает синтаксис Plotly для отображения интерактивных графиков
– Ориентируется в документации библиотеки
– Может самостоятельно пройти путь от неструктурированных данных до понятной визуализации рассчитанной статистики при помощи гистограммы и Bar Chart
– Знает о модуле os
– Умеет применять конструкцию list comprehension для быстрого формирования списков
– Умеет работать с файловыми системами внутри Jupyter Notebook с помощью модуля os
– Умеет читать разные форматы и расширения данных из локальной директории
– Умеет применять построчное чтение файлов при помощи методов open().readlines()
– Ориентируется в в файловой системе
– Умеет навигироваться по файлам и папкам в рабочей директории
– Знает, как учитывать тип разделителя при чтении файлов формата csv и txt.
– Понимает, как отображается табуляция в текстовых файлах
– Понимает, как считать только часть файла при помощи цикла, переменных True/False и построчного чтения файлов
– Знает, как прочитать только часть колонок в файле
– Знает о типе данных DateTime
– Умеет конвертировать String и Int типы данных в DateTime
– Умеет выполнять арифметические операции с датами (поиск временного интервала между двумя датами)
Освоит сбор и объединение данных из разрозненной файловой структуры — научится считывать данные из нескольких CSV-файлов, расположенных в папках по датам, категориям и менеджерам, объединять их в единые датафреймы и добавлять вычисляемые колонки.
Научится анализировать временные ряды и выявлять аномалии — сможет рассчитывать динамику заказов по дням, находить выбросы, определять сезонность и аномальные дни, интерпретировать причины их появления.
Освоит интеграцию данных из разных источников — будет объединять заказы, статусы, продукты и курс валюты в единый датафрейм, проводить агрегацию и фильтрацию по условиям задачи.
Научится рассчитывать ключевые бизнес-метрики — общую выручку, средний чек, долю отменённых заказов, динамику метрик по дням и в разрезе брендов, товаров и менеджеров.
Освоит приёмы бренд-анализа и товарного ассортимента — определит, какие бренды приносят наибольшую выручку, какие товары востребованы, а какие не заказываются, и сможет сделать выводы для оптимизации «виртуальной полки».
Разовьёт навык построения наглядных визуализаций для управленческих решений — подготовит графики и сводные таблицы, отражающие результаты анализа по статусам заказов, брендам и менеджерам, и оформит их в отчёт.
– Понимает смысл API, разбирается в понятиях POST и GET в контексте работы интернет-сервисов
– Умеет авторизироваться в API сервисах и понимает, что означает наличие аккаунта для подключения к API
– Знает, как создавать ботов ВКонтакте, от имени которых можно автоматически отправлять сообщения
– Умеет пользоваться python библиотекой vk_api
– Имеет опыт работы с библиотеками requests, json и random
– Может создать бота, подключиться к нему и отправить результаты расчетов текстовым сообщением ВКонтакте
– Понимает, как и зачем применяется Google API
– Умеет проходить авторизацию в Google API
– Умеет подключаться к таблицам и скачивать их через библиотеку к себе Jupyter Notebook
– Умеет выгружать данные о действиях на сайте в Яндекс.Метрике с помощью библиотеки requests
Освоит разные способы итерации по DataFrame (iterrows, itertuples, apply) и сравнит их эффективность с помощью замеров времени выполнения.
Научится применять векторизацию и работу с NumPy массивами для ускорения обработки больших объёмов данных.
Получит опыт написания пользовательских функций (на примере haversine) и их интеграции в Pandas-процессы для вычисления новых признаков.
Научится выявлять и обрабатывать аномалии в данных с помощью фильтрации, условий и визуализации (boxplot).
Освоит методы работы с мультииндексами (stack, unstack, xs) и преобразования форматов данных (melt, wide_to_long) для подготовки датасетов к анализу.
Сможет объединять приёмы оптимизации и преобразования данных для подготовки «чистого» набора с минимальными затратами по времени.
Освоит продвинутые приёмы работы с Pandas для группировки, агрегации, расчёта скользящих показателей и подготовки данных к анализу.
Научится строить и кастомизировать графики в Seaborn (catplot, FacetGrid, pairplot) для выявления закономерностей и сравнений по категориям и регионам.
Получит навыки применения техник векторизации и пайплайнов в Pandas для повышения эффективности кода.
Сможет визуализировать тренды, распределения и взаимосвязи показателей, а также оформлять графики с нужным порядком категорий, палитрами и аннотациями.
Научится связывать выводы из визуализации с бизнес-задачами и формулировать инсайты для принятия решений.
Познакомимся с интерфейсом Google Colab и узнаем, как устроена эта среда.
Научимся создавать и запускать ячейки с кодом и текстом.
Разберёмся, в чём плюсы и минусы работы в Google Colab.
Освоим работу с панелью инструментов и другими элементами интерфейса.
Попробуем подключать библиотеки и использовать встроенные ИИ-инструменты.
Научимся загружать файлы в Colab и работать с данными из Google Диска.
Поймем, в чем отличие БД и СУБД и какие возможности предоставляют базы данных
Узнаем, как устроены базы данных, что такое сущности и отношения между ними
Научимся писать основные SQL-запросы и объединять таблицы через JOIN
Научимся подключаться к PostgreSQL через python и оперировать данными из базы данных
Познакомимся с понятием «класс» и философией ООП.
Рассмотрим основные принципы построения классов
Научимся создавать классы и объекты, добавлять методы
Научимся реализовывать наследование
Научимся использовать магические методы
Научимся импортировать встроенные и ставить сторонние библиотеки
Научимся устанавливать конкретные версии сторонних пакетов с помощью pip и разберем ситуации, когда необходимо фиксировать версии
Научимся изолировать друг от друга проекты, которые имеют разные и противоречащие зависимости
Познакомимся с теорией клиент-серверного взаимодействия и узнаем, какая информация передается в http-протоколе
Научимся отправлять запрос серверу и возвращать ответ от сервера
Разберемся что такое api, что такое фреймворк, REST api и fastapi
Научимся писать endpoint-ы с и принимать параметры для веб-сервиса на fastapi
Научимся разрабатывать веб-сервис на базе FAST API, который будет обрабатывать HTTP-запросы к базе данных и возвращать посты с наибольшим числом лайков.
Узнаем, какие существуют best practices для разработки веб-приложений
Получить опыт установки Python локально на свой компьютер
Познакомимся с концепцией ORM
Научимся работать с базой данных через SQLAlchemy
Поймёт, как работает веб-сервер на низком уровне: от открытия сокета до отправки ответа клиенту.
Сможет вручную реализовать простой REST API без фреймворка, а затем переписать его с использованием FastAPI, сравнив подходы.
Разберётся в процессе обработки HTTP-запроса: разбор заголовков, парсинг тела, валидация данных и формирование ответа.
Освоит базовые конструкции FastAPI: создание объектов приложения, объявление маршрутов с декораторами, валидация и сериализация данных через Pydantic.
Поймёт преимущества и ограничения ручного подхода и фреймворка, сможет обосновать выбор подхода для разных задач.
Сможет запускать и тестировать веб-приложения на FastAPI, понимать, как работает автодокументация и встроенная валидация.

Содержание учебной дисциплины

Начало работы в Python
Условия и циклы
Функции
Первые аналитические задачи
Еще больше о Pandas
Исследование данных и создание метрик
Продвинутые расчёты и визуализация
Решение продуктовых задач
Оконные функции и интерактивные графики
Работа с грязными данными
Проект по Python №1
API (Google Spreadsheets, Яндекс.Метрика)
Дополнительные возможности Pandas
Практикум по Python: работа с данными в pandas и построение визуализаций
Google Colab, обзор инструмента
Базы данных в Python: основы
Классы и ООП
Библиотеки и виртуальное окружение
Backend-разработка: что это такое. Фреймворк FastAPI для прототипирования backend-сервера
Проект по Python №2
Полезные вещи в разработке
Установка Анаконды: необязательный урок
Бонусный урок. Базы данных в Python: ORM
Вебинар "Написание веб-сервер с нуля, сравнение с FastAPI”

Элементы контроля

Домашнее задание к разделам (урокам) 1-19. Квиз на закрепление основных понятий урока.
44 тестовых задания: 1 урок - 11 заданий, 2 урок - 10 заданий, 3 урок - 10 заданий, 7 урок - 3 задания, 13 урок - 1 задание, 15 урок - 6 заданий, 16 урок - 1 задание, 19 урок - 2 задания.
Домашнее задание к разделам (урокам) 1-23. Практические задания по Python.
211 практических задач: 1 урок - 22 задания, 2 урок - 29 заданий, 3 урок - 9 заданий, 4 урок - 11 заданий, 5 урок - 12 заданий, 6 урок - 18 заданий, 7 урок - 6 заданий, 8 урок - 12 заданий, 9 урок - 7 заданий, 10 урок - 8 заданий, 12 урок - 11 заданий, 13 урок - 21 задание, 15 урок - 5 заданий, 16 урок - 14 заданий, 17 урок - 5 заданий, 18 урок - 9 заданий, 19 урок - 9 заданий, 23 урок - 3 задания.
Финальный проект по Python (урок 11 и урок 20).
Студентам предоставляется 3 варианта финального проекта на выбор, каждая из которых подразумевает выполнение практического задания.

Промежуточная аттестация

2025/2026 2nd module
Итоговая оценка соответствует сумме баллов за выполненные задания на LMS karpov.courses, приведенные к 10-балльной шкале (см. таблицу). Для каждого задания на LMS-платформе karpov.courses определён дедлайн в 14 календарных дней, после наступления которого студенту начисляется 70% от итогового балла за задание.

Список литературы

Авторы

Ахмедова Гюнай Интигам кызы

Программа дисциплины