VietNetwork.Vn

Cất hết giấy làm bài và mở vở ra.

Mặc dù bạn có thể phân tích dữ liệu tốt bằng bảng tính như Excel, nhưng nếu muốn nâng cao khả năng tính toán, bạn có thể thử Python trong sổ ghi chép Jupyter. Sau đây là một số lý do.


1. Phân tách dữ liệu và hoạt động

Ưu điểm của sổ ghi chép Jupyter so với các bảng tính như Excel hoặc LibreOffice Calc nằm ở những gì bạn không thể làm được. Với sổ ghi chép Jupyter, bạn không thể vô tình xóa hoặc thay đổi bảng tính. Điều này là do sổ ghi chép Jupyter tách biệt dữ liệu với các thao tác trên đó.

Khi sử dụng Python, bạn thường sẽ nhập dữ liệu từ tệp Excel hoặc CSV bằng các phương thức tích hợp sẵn của Pandas. Sau đó, bạn có thể kiểm tra một cột hoặc thực hiện hồi quy mà không làm hỏng dữ liệu. Bạn thậm chí có thể thay đổi hình dạng của bảng bằng cách tạo bảng trục hoặc "ghép" các cột lại với nhau. Bạn có thể lưu kết quả trở lại vào tệp Excel hoặc CSV.


Với sổ ghi chép Jupyter, dữ liệu được tách biệt khỏi các thao tác vì nó được lưu trong bộ nhớ cho đến khi bạn lưu lại vào một tệp khác. Hoặc bạn có thể để nguyên kết quả trong sổ ghi chép mà không ảnh hưởng đến dữ liệu gốc.

2. Khả năng tái tạo khi chia sẻ với người khác và chính bạn!

Việc tách biệt dữ liệu rất hữu ích khi bạn muốn chia sẻ kết quả với người khác. Các bảng tính như Excel chủ yếu dùng để tính toán thực tế chứ không phải để tạo báo cáo.

Với sổ ghi chép Jupyter, bạn có thể trình bày công việc của mình bằng cách xen kẽ mã Python trên dữ liệu với chú thích hoặc biểu đồ dữ liệu. Giả sử bạn muốn cho đồng nghiệp thấy những người mua tiện ích cũng mua whatsits bằng phân tích hồi quy. Trong trường hợp đó, bạn có thể hiển thị biểu đồ phân tán, đường hồi quy và mã tạo phương trình hồi quy, tất cả trong cùng một tài liệu.


Đây là lý do tại sao sổ tay Jupyter đang trở nên phổ biến trong cộng đồng khoa học. Trong thế giới khoa học, nghiên cứu phải có tính tái tạo. Các nhà nghiên cứu phải chứng minh cách họ thu được kết quả. Một sổ tay Jupyter, kết hợp mã, hình ảnh và bình luận, là một phương tiện hoàn hảo cho nghiên cứu. Trong học thuật hiện đại, các nhà nghiên cứu thường xuyên cộng tác tại nhiều tổ chức khác nhau. Với sổ tay Jupyter và dữ liệu tương ứng, người cộng tác có thể đạt được cùng một kết quả.

Bạn có thể không phải là một nhà nghiên cứu học thuật, nhưng phương pháp này có thể mang lại lợi ích cho bạn, ngay cả khi bạn chỉ cộng tác với chính mình. Đã bao nhiêu lần bạn mở một bảng tính Excel vài ngày hoặc vài tuần sau đó và loay hoay không nhớ mình đã làm gì và tại sao lại làm vậy? Sổ tay Jupyter có thể giải quyết vấn đề đó. Thứ nhất, dữ liệu được tách biệt khỏi mã hoạt động trên đó, và thứ hai, bạn có thể giải thích cơ sở lý luận cho các phép tính của mình và bất kỳ thông tin chi tiết nào bạn thu thập được từ dữ liệu ngay tại đó, khi bạn nhìn thấy chúng. Nhờ đó, bạn sẽ không phải nhớ lại khi mở lại sổ tay.

Vì có vẻ như mọi người đều đang trở thành nhà phân tích dữ liệu, dù có lựa chọn hay không, sổ ghi chép Jupyter có thể giúp cuộc sống dễ dàng hơn, dù là theo dõi quá trình tập luyện hay bộ sưu tập mô hình hành động của bạn.

3. Python mở rộng sang các tập dữ liệu lớn hơn

Mọi người tìm đến bảng tính như Excel vì nó có vẻ dễ học với tất cả các thao tác trỏ, nhấp và kéo. Nhưng nếu bạn có một tập dữ liệu lớn, tất cả các thao tác trỏ, nhấp và kéo sẽ trở nên nặng nề sau một thời gian. Bạn có thể thấy các ngón tay của mình bị tê cứng vì tất cả các thao tác chuột đó.

Việc sử dụng Python để trích xuất thông tin từ dữ liệu của bạn có vẻ như là một quá trình học khó khăn, nhưng bạn sẽ có thể thấy mọi thứ rõ ràng hơn nhiều khi bạn đạt đến trình độ cao nhất.


Bạn sẽ phải dành thời gian học lập trình, nhưng bạn cũng phải làm điều tương tự khi học các hàm Excel hoặc các hàm cho một số bảng tính khác. Python rất dễ học, đó là lý do tại sao nó đã trở thành ngôn ngữ được ưa chuộng trong các lớp lập trình nhập môn. Bạn có thể học những kiến thức cơ bản từ sách hoặc các bài hướng dẫn Python trực tuyến. Bạn sẽ được đền đáp bằng một kỹ năng đang rất được săn đón.

Ưu điểm của Python là bạn có thể dễ dàng áp dụng các phép toán cho các tập dữ liệu lớn hơn với hàng trăm, thậm chí hàng nghìn điểm dữ liệu. Nếu muốn lấy giá trị trung bình của một cột, bạn có thể sử dụng phương thức pandas tích hợp sẵn. Nếu sử dụng Jupyter Notebook, bạn cũng chỉ cần thực hiện một lần, vì kết quả sẽ được lưu lại.

Các hàm Python, cả hàm tích hợp và thông qua các thư viện như NumPy và pandas, không chỉ có thể mở rộng sang các tập dữ liệu lớn hơn mà còn mở rộng hơn những gì bạn có thể tìm thấy trong các bảng tính như Excel hoặc LibreOffice Calc.

Bạn có thể dễ dàng chạy hồi quy bội với các thư viện như statsmodels và cũng có thể mô hình hóa hồi quy bậc hai thay vì hồi quy tuyến tính đơn giản mà bạn thấy trong hầu hết các gói bảng tính.

Bạn cũng có thể tự động hóa các hoạt động bằng cách viết các tập lệnh Python.

4. Giữ dữ liệu sạch

Làm việc trên các tập dữ liệu với Pandas cũng cho phép bạn xử lý dữ liệu hỗn loạn, giống như dữ liệu từ thế giới thực. Bạn có thể loại bỏ dữ liệu bị thiếu làm sai lệch kết quả phân tích.

Bạn có thể tạo các bảng trục từ dữ liệu để kéo dài DataFrame thành một khung nhìn rộng hơn, đồng thời cũng có thể gộp DataFrame thành một khung nhìn dài hơn. Điều này có lợi thế khi bạn muốn biểu diễn dữ liệu. Tốt hơn là để mỗi cột đại diện cho một biến riêng biệt. Cách này giúp dễ biểu diễn hơn và cũng dễ tạo hồi quy hơn trên dữ liệu của bạn. Nếu bạn đã thao tác dữ liệu, bạn có thể lưu lại vào một bảng tính khác. Nếu bạn định làm điều này, có lẽ bạn nên tạo một tệp bảng tính khác để lưu phiên bản đã sửa đổi này, chỉ để giữ nguyên dữ liệu gốc.


Việc tách biệt mã và dữ liệu bằng Python và Jupyter notebook cũng giúp giảm thiểu lỗi dữ liệu. Với dữ liệu được lưu trữ trong bộ nhớ, nguy cơ ghi đè lên bảng tính của bạn sẽ giảm thiểu.

5. Bạn có thể nhập dữ liệu từ bảng tính

Bạn không cần phải từ bỏ các chương trình bảng tính yêu thích của mình khi làm việc với Python bằng sổ ghi chép Jupyter. Vì bạn có thể nhập dữ liệu từ Excel và CSV, bạn có thể sử dụng chúng song song, tận dụng thế mạnh của từng nền tảng.

Bạn có thể sử dụng Excel hoặc một chương trình bảng tính khác như LibreOffice Calc để nhập dữ liệu và định dạng, sau đó nhập vào Jupyter bằng Pandas để phân tích và trực quan hóa. Làm việc với dữ liệu theo cách này khuyến khích một phương pháp gọi là phân tích dữ liệu khám phá. Với một thư viện trực quan hóa như Seaborn, bạn có thể nhanh chóng tạo các biểu đồ giúp bạn tìm hiểu sâu hơn về dữ liệu của mình. Các biểu đồ này có thể bao gồm biểu đồ phân tán, biểu đồ hồi quy, biểu đồ histogram và biểu đồ hộp.


Những biểu đồ này trông đẹp hơn biểu đồ bạn thấy trong Excel. Chúng cũng được thiết kế để thu thập thông tin từ dữ liệu, thay vì biểu đồ phù hợp hơn cho mục đích kinh doanh.

Nếu bạn thực sự nghiêm túc về việc định dạng dữ liệu, bạn có thể thử sử dụng một công cụ cơ sở dữ liệu đơn giản như SQLite để xử lý dữ liệu, với giao diện đồ họa như DB Browser. Điều này sẽ cho phép bạn áp đặt các ràng buộc trên các trường dữ liệu, chẳng hạn như trường dữ liệu phải là số thay vì chuỗi.

Bạn có thể thấy cả hai chương trình đều bổ sung cho nhau. Bạn có thể sử dụng Excel hoặc LibreOffice Calc để quyết định cách cấu trúc và định dạng dữ liệu, sau đó xuất dữ liệu sang Python bằng pandas nếu bạn muốn chạy hồi quy để đồng nghiệp có thể xác minh cách bạn đi đến kết luận. Bạn không chỉ có thể trình bày kết quả mà còn có thể giải thích chúng bằng văn bản và biểu đồ. Các cộng sự của bạn có thể đóng góp ý kiến riêng, và bạn cũng có thể xác minh phương pháp của họ.

Sổ tay Jupyter đã cách mạng hóa thế giới khoa học dữ liệu. Bạn không cần phải là nhà khoa học mới có thể sử dụng chúng để giải quyết những rắc rối trong việc phân tích dữ liệu.