Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-02-26

1 Библиотека Numpy используется в модулях для работы с различными типами данных:

2 <ul><li>Научными данными - SciPy</li>

3 <li>Табличными данными - Pandas</li>

4 <li>Визуализацией данных - Matplotlib, Plotly, Seaborn</li>

5 <li>Алгоритмами машинного обучения - Sklearn</li>

6 <li>Тензорами и глубокими нейронными сетями - TensorFlow</li>

7 <li>Изображениями - OpenCV</li>

8 </ul>Так произошло, потому что Numpy позволяет использовать единый интерфейс для работы с разными многомерными структурами данных и содержит широкий спектр операций для этого. В этом уроке мы познакомимся с математическими и статистическими методами библиотеки, решив ряд аналитических задач.

9 Рассмотрим недельные данные продаж в сети четырех магазинов:

10 Одна из базовых задач аналитика - знакомство с данными. Типичный подход к этому вопросу - это оценка суммы заказов во всей сети и в каждом магазине по отдельности:

11 Кроме интегральных показателей, для оценки полезно понимать разброс значений от минимального до максимального. Мы можем обнаружить крайние значения и использовать эти данные, чтобы найти ошибки и расследовать инциденты в работе сети:

12 По абсолютным цифрам не всегда получается проверить гипотезы о состоянии сети. Для этого удобно смотреть на показатели относительно общего числа продаж:

13 Раньше в аналитике использовались статические показатели, которые не показывают динамику изменений во времени. А теперь для оценки прироста заказов по дням можно использовать кумулятивные суммы и конечные разности.

14 В примере ниже показана сумма для первого магазина. Каждое следующее значение равно сумме предыдущего и количеству продаж в этот день:

15 В случае разности для всех магазинов каждая строка представляет собой поэлементную разность показателей соседних дней:

16 Фиксированная точность в расчетах требует выполнить один из двух вариантов:

17 <ul><li>Округлить полученные показатели до целых значений сверху, снизу или к ближайшему</li>

18 <li>Оставить определенное количество знаков после запятой</li>

19 </ul>Все эти подходы реализованы в Numpy. Ниже в примере рассмотрим приемы округления для относительных показателей продаж в магазинах. В качестве относительной величины берем среднее по всей сети:

20 На продажи в магазинах могут влиять разные факторы:

21 <ul><li>Выходные, предпраздничные и праздничные дни</li>

22 <li>Акции</li>

23 <li>Логистические задержки</li>

24 <li>Погода</li>

25 </ul>Все они по-разному отражаются на продажах. Если факторы плановые, то их последствия можно точно предугадать. А вот если они имеют вероятностную природу, то точность существенно падает.

26 В этих случаях используют статистические методы. Они позволяют оценить влияние факторов на продажи. Аналитики сперва находят статистические показатели:

27 <ul><li>Среднее - какое число продаж можно ожидать, если взять случайный день недели и магазин</li>

28 <li>Отклонение от среднего - насколько сильно реальные показатели могут отличаться от среднего</li>

29 <li>Медиана - значение продаж, в сравнение с которым ровно половина продаж - меньше, а другая половина - больше</li>

30 </ul>Посмотрим, как находить такие показатели:

31 Более детальный анализ продаж может потребовать использования персентилей.Персентиль N%показывает значение продаж, относительно которого N% продаж меньше. Например, персентиль 50% дает значение продаж, относительно которого в данных ровно 50% значений меньше его. Оно совпадает с медианным значением. Часто используют персентили 25%, 50% и 75%:

32 На разные магазины случайные факторы могут влиять по-разному. Мы можем находить магазины с похожими закономерностями, для этого мы прибегаем ккорреляционному анализу. Если корреляция близка по модулю к 1, то факторы влияют одинаково. Если она близка к 0, то факторы влияют по-разному.

33 Ниже рассмотрим примеры корреляции для продаж магазинов. Используемая функция возвращает корреляции в виде матрицы - тем самым она помогает найти корреляции для нескольких массивов. В случае с двумя массивами нас интересует значение в первой строке и втором столбце:

34 <h2>Выводы</h2>

35 В этом уроке мы рассмотрели математические и статистические функции библиотеки Numpy, которые используют при решении аналитических задач. На практических примерах мы увидели правила и приемы их использования.

36 Эти знания упрощают работу с библиотеками, использующими Numpy. На это есть несколько причин:

37 <ul><li>Интерфейсы многих функций используют принципы построения функций в Numpy</li>

38 <li>В других библиотеках структуры данных - это Numpy-масcивы</li>

39 <li>Методы структур данных можно дополнить методами массивов Numpy с небольшими доработками</li>

40 </ul>