unimore/bda-3-steffo
unimore/bda-3-steffo
1
Fork 0
mirror of https://github.com/Steffo99/unimore-bda-3.git synced 2024-11-21 23:44:21 +00:00
Code Activity
Terza attività di Big Data Analytics
2 commits 7 branches 1 tag 10 MiB
Python 100%
Find a file
dependabot[bot] 1bbb5352a2
Bump pillow from 9.3.0 to 10.3.0 
Bumps [pillow](https://github.com/python-pillow/Pillow) from 9.3.0 to 10.3.0.
- [Release notes](https://github.com/python-pillow/Pillow/releases)
- [Changelog](https://github.com/python-pillow/Pillow/blob/main/CHANGES.rst)
- [Commits](https://github.com/python-pillow/Pillow/compare/9.3.0...10.3.0)

---
updated-dependencies:
- dependency-name: pillow
  dependency-type: direct:development
...

Signed-off-by: dependabot[bot] <support@github.com>
2024-05-15 02:06:06 +00:00
.vscode First commit 2023-07-02 09:08:57 +02:00
data First commit 2023-07-02 09:08:57 +02:00
media First commit 2023-07-02 09:08:57 +02:00
unimore_bda_3 First commit 2023-07-02 09:08:57 +02:00
.editorconfig First commit 2023-07-02 09:08:57 +02:00
.gitignore First commit 2023-07-02 09:08:57 +02:00
.gitmodules First commit 2023-07-02 09:08:57 +02:00
poetry.lock Bump pillow from 9.3.0 to 10.3.0 2024-05-15 02:06:06 +00:00
pyproject.toml Bump pillow from 9.3.0 to 10.3.0 2024-05-15 02:06:06 +00:00
README.ipynb First commit 2023-07-02 09:08:57 +02:00
README.md First commit 2023-07-02 09:08:57 +02:00
unimore-bda-3.iml First commit 2023-07-02 09:08:57 +02:00

README.md

[ Stefano Pigozzi | Tema Data Analytics | Big Data Analytics | A.A. 2022/2023 | Unimore ]

Data analytics

Data processing e exploratory data analytics su dataset provenienti da più sorgenti

L’attività da svolgere consiste nel:

  1. Scegliere due o più dataset provenienti da due o più sorgenti.
    • Il dataset finale deve essere costituito almeno da due file.
  2. Usando pandas implementare le operazioni di data processing necessarie (principalmente join e selezioni) per mettere in collegamento i dataset e per preparare i dati al passo successivo
  3. Usando pacchetti Python quali pandas, scipy, matplotlib e seaborn implementare attività di data cleaning, exploratory data analysis estraendo dati statistici e di visualizzazione dei risultati attraverso il quale sia possibile "raccontare qualcosa sui dati" (storytelling), eventualmente partendo da dei quesiti di ricerca.
    L'uso dei pacchetti non deve necessariamente essere limitato alle istruzioni viste a lezione. Le documentazioni dei pacchetti stessi e i volumi messi a disposizione su Dolly fornisco spunti d’uso interessanti!
  4. Produrre un notebook Jupyter (https://jupyter.org/) che contenga:
    • una introduzione all’argomento scelto, alle sorgenti dati e agli obiettivi del progetto specificando eventualmente i quesiti di ricerca
    • una sezione per ogni fase del progetto di data analytics

Vedi README.ipynb