📊 Warsztaty: Wizualizacja i Analiza Danych w Pythonie

Witaj w repozytorium poświęconym warsztatom z analizy i wizualizacji danych! Cel tego projektu jest prosty: chcemy, abyś skupił się na wyciąganiu wniosków i tworzeniu pięknych wykresów, zamiast tracić czas na żmudne czyszczenie danych i debugowanie kodu.

Aby to umożliwić, przygotowaliśmy dedykowany zestaw narzędziowy (pipeline), który automatyzuje powtarzalne czynności analityczne.

🚀 Cel Projektu

Głównym celem warsztatów jest przeprowadzenie kompleksowej analizy korelacji między wskaźnikami ekonomicznymi, społecznymi a subiektywnym poczuciem szczęścia mieszkańców różnych krajów. Odpowiadamy na pytania takie jak:

• Czy PKB jest jedynym wyznacznikiem szczęścia?
• Jak koszty życia i ceny nieruchomości korelują z jakością życia?
• Czy zanieczyszczenie środowiska i korki drogowe mają mierzalny wpływ na satysfakcję obywateli?

📂 Struktura Repozytorium

• data/: Zbiory danych w formacie .csv (world_data, happiness_index, crime, health itp.).
• docs/: Dokumentacja warsztatowa i opis funkcji w formacie LaTeX (zestaw_narzedzi.pdf).
• notebooks/: Gotowe scenariusze analizy (demo.ipynb, correlations.ipynb).
• pipeline/: Skrypt Python utils.py z gotowymi funkcjami analitycznymi.
• requirements.txt: Lista wymaganych bibliotek do instalacji.

🛠️ Instalacja i Przygotowanie

1. Klonowanie repozytorium

git clone https://github.com/tadejow/warsztaty-wizualizacja-danych.git
cd warsztaty-wizualizacja-danych

2. Instalacja zależności

pip install -r requirements.txt

💻 Jak pracować z kodem?

Wykorzystanie narzędzi (pipeline/utils.py)

W pliku utils.py znajdziesz autorskie funkcje, które ustandaryzują Twoją pracę:

• Wczytywanie i Czyszczenie: wczytaj_dane() (automatycznie naprawia nazwy kolumn i konwertuje typy).
• Łączenie: polacz_dane() (inteligentnie łączy tabele, dbając o spójność typów).
• Analiza: tabela_korelacji() (tworzy czytelne mapy ciepła dla wybranych zmiennych).
• Wizualizacja: wykres_babelkowy(), wykres_punktowy() i inne estetyczne wykresy.

Praca z Notebookami

Otwórz Jupyter Notebook w folderze głównym i przejdź do folderu notebooks, aby uruchomić:

• demo.ipynb: Prezentacja wszystkich dostępnych funkcji pipeline'u.
• correlations.ipynb: Zaawansowana analiza korelacji między wieloma zbiorami danych.

⚠️ Ważne informacje o danych

Dane są pobierane bezpośrednio z wersji RAW tego repozytorium na GitHubie. Dzięki temu, pracując w Google Colab lub lokalnie, zawsze masz dostęp do najświeższych zbiorów bez konieczności ich ręcznego pobierania na dysk.

Autorzy: tadejow Jacek Kowalski Licencja: MIT