You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
140 lines
5.2 KiB
140 lines
5.2 KiB
# Nybörjarvänliga Exempel på Data Science
|
|
|
|
Välkommen till exempelbiblioteket! Denna samling av enkla, välkommenterade exempel är utformad för att hjälpa dig komma igång med data science, även om du är helt nybörjare.
|
|
|
|
## 📚 Vad Du Hittar Här
|
|
|
|
Varje exempel är självständigt och inkluderar:
|
|
- **Tydliga kommentarer** som förklarar varje steg
|
|
- **Enkel, läsbar kod** som demonstrerar ett koncept i taget
|
|
- **Verklighetsnära sammanhang** för att hjälpa dig förstå när och varför du ska använda dessa tekniker
|
|
- **Förväntad output** så att du vet vad du ska leta efter
|
|
|
|
## 🚀 Komma Igång
|
|
|
|
### Förkunskaper
|
|
Innan du kör dessa exempel, se till att du har:
|
|
- Python 3.7 eller högre installerat
|
|
- Grundläggande förståelse för hur man kör Python-skript
|
|
|
|
### Installera Nödvändiga Bibliotek
|
|
```bash
|
|
pip install pandas numpy matplotlib
|
|
```
|
|
|
|
## 📖 Översikt över Exempel
|
|
|
|
### 1. Hello World - Data Science Style
|
|
**Fil:** `01_hello_world_data_science.py`
|
|
|
|
Ditt första data science-program! Lär dig att:
|
|
- Ladda en enkel dataset
|
|
- Visa grundläggande information om dina data
|
|
- Skriva ut din första data science-output
|
|
|
|
Perfekt för absoluta nybörjare som vill se sitt första data science-program i aktion.
|
|
|
|
---
|
|
|
|
### 2. Ladda och Utforska Data
|
|
**Fil:** `02_loading_data.py`
|
|
|
|
Lär dig grunderna i att arbeta med data:
|
|
- Läs data från CSV-filer
|
|
- Visa de första raderna i din dataset
|
|
- Få grundläggande statistik om dina data
|
|
- Förstå datatyper
|
|
|
|
Detta är ofta det första steget i ett data science-projekt!
|
|
|
|
---
|
|
|
|
### 3. Enkel Dataanalys
|
|
**Fil:** `03_simple_analysis.py`
|
|
|
|
Utför din första dataanalys:
|
|
- Beräkna grundläggande statistik (medelvärde, median, typvärde)
|
|
- Hitta max- och minvärden
|
|
- Räkna förekomster av värden
|
|
- Filtrera data baserat på villkor
|
|
|
|
Se hur du kan besvara enkla frågor om dina data.
|
|
|
|
---
|
|
|
|
### 4. Grundläggande Datavisualisering
|
|
**Fil:** `04_basic_visualization.py`
|
|
|
|
Skapa dina första visualiseringar:
|
|
- Gör ett enkelt stapeldiagram
|
|
- Skapa ett linjediagram
|
|
- Generera ett cirkeldiagram
|
|
- Spara dina visualiseringar som bilder
|
|
|
|
Lär dig att kommunicera dina resultat visuellt!
|
|
|
|
---
|
|
|
|
### 5. Arbeta med Verkliga Data
|
|
**Fil:** `05_real_world_example.py`
|
|
|
|
Sätt ihop allt med ett komplett exempel:
|
|
- Ladda verkliga data från repositoryn
|
|
- Rensa och förbered data
|
|
- Utför analys
|
|
- Skapa meningsfulla visualiseringar
|
|
- Dra slutsatser
|
|
|
|
Detta exempel visar dig en komplett arbetsflöde från början till slut.
|
|
|
|
---
|
|
|
|
## 🎯 Hur Du Använder Dessa Exempel
|
|
|
|
1. **Börja från början**: Exemplen är numrerade i svårighetsordning. Börja med `01_hello_world_data_science.py` och arbeta dig igenom.
|
|
|
|
2. **Läs kommentarerna**: Varje fil har detaljerade kommentarer som förklarar vad koden gör och varför. Läs dem noggrant!
|
|
|
|
3. **Experimentera**: Försök att ändra koden. Vad händer om du ändrar ett värde? Bryt saker och fixa dem - det är så du lär dig!
|
|
|
|
4. **Kör koden**: Kör varje exempel och observera outputen. Jämför den med vad du förväntade dig.
|
|
|
|
5. **Bygg vidare**: När du förstår ett exempel, försök att utöka det med dina egna idéer.
|
|
|
|
## 💡 Tips för Nybörjare
|
|
|
|
- **Stressa inte**: Ta dig tid att förstå varje exempel innan du går vidare till nästa
|
|
- **Skriv koden själv**: Kopiera inte bara och klistra in. Att skriva hjälper dig att lära och komma ihåg
|
|
- **Sök upp okända koncept**: Om du ser något du inte förstår, sök efter det online eller i huvudlektionerna
|
|
- **Ställ frågor**: Gå med i [diskussionsforumet](https://github.com/microsoft/Data-Science-For-Beginners/discussions) om du behöver hjälp
|
|
- **Öva regelbundet**: Försök att koda lite varje dag istället för långa sessioner en gång i veckan
|
|
|
|
## 🔗 Nästa Steg
|
|
|
|
Efter att ha slutfört dessa exempel är du redo att:
|
|
- Arbeta igenom huvudlektionerna i kursen
|
|
- Prova uppgifterna i varje lektionsmapp
|
|
- Utforska Jupyter-notebooks för mer djupgående lärande
|
|
- Skapa dina egna data science-projekt
|
|
|
|
## 📚 Ytterligare Resurser
|
|
|
|
- [Huvudkursen](../README.md) - Den kompletta kursen med 20 lektioner
|
|
- [För Lärare](../for-teachers.md) - Använd denna kurs i klassrummet
|
|
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Gratis online-lärresurser
|
|
- [Python-dokumentation](https://docs.python.org/3/) - Officiell Python-referens
|
|
|
|
## 🤝 Bidra
|
|
|
|
Hittade du ett fel eller har en idé för ett nytt exempel? Vi välkomnar bidrag! Se vår [Bidragsguide](../CONTRIBUTING.md).
|
|
|
|
---
|
|
|
|
**Lycka till med lärandet! 🎉**
|
|
|
|
Kom ihåg: Varje expert var en gång nybörjare. Ta det ett steg i taget och var inte rädd för att göra misstag - de är en del av lärandeprocessen!
|
|
|
|
---
|
|
|
|
**Ansvarsfriskrivning**:
|
|
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, bör det noteras att automatiserade översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning. |