←ਸਾਰੀਆਂ ਮੰਜਿਲਾਂ

Raahaao Code: ਡਾਟਾ ਲਈ ਪਾਇਥਨ

pandas ਨਾਲ ਅਸਲ ਡਾਟਾ ਸਾਫ਼ ਕਰੋ, ਸਵਾਲ ਪੁੱਛੋ ਅਤੇ ਚਾਰਟ ਬਣਾਓ।

9+ ਪਾਠ ਦੇ ਘੰਟੇ · 2 ਪ੍ਰੋਜੈਕਟ · €35

ਇਹਨਾਂ ਪ੍ਰੀਖਿਆਵਾਂ ਦੀ ਤਿਆਰੀ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ: PCED – Certified Entry-Level Data Analyst with Python (Python Institute)

ਜਾਂ ਇਸਨੂੰ ਮਹੀਨਾਵਾਰ ਪਲਾਨ ਵਿੱਚ ਲਓ, €3.46 ਪ੍ਰਤੀ ਹਫ਼ਤੇ ਤੋਂ (ਬਿੱਲ ਹਰ ਮਹੀਨੇ €15) →

ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਲੌਗ ਇਨ ਕਰੋ

ਕੋਈ ਵੀ ਪਾਠ ਖੋਲ੍ਹਣ ਲਈ ਖਾਤਾ ਚਾਹੀਦਾ ਹੈ। ਖਾਤੇ ਬਿਨਾਂ ਤੁਸੀਂ ਮੰਜ਼ਿਲਾਂ ਅਤੇ ਕੀਮਤਾਂ ਵੇਖ ਸਕਦੇ ਹੋ।

ਭੁਗਤਾਨ ਕਰੋ

ਤੁਸੀਂ ਸਿੱਖੋਗੇ, ਮੰਜਿਲ ਦਰ ਮੰਜਿਲ

  1. 1

    Data basics (Beginner)

    • What data analysis is
    • Reading CSV: DataFrames and Series
    • Selecting rows and columns
  2. 2

    Cleaning (Beginner)

    • Missing values and wrong types
    • Text and dates in data
    • Sorting, filtering, new columns
  3. 3

    Answering questions (Intermediate)

    • groupby and aggregation
    • Merging and joining tables
    • Pivot tables and reshaping
  4. 4

    Showing results (Intermediate)

    • Charts with matplotlib
    • Choosing the right chart
    • Basic statistics
  5. 5

    Pro (Job-ready)

    • Time series
    • NumPy underneath pandas
    • Reproducible analysis
    • Telling the story

ਛੱਤ ਉੱਤੇ ਦੋ ਪ੍ਰੋਜੈਕਟ

Sales analysis

Analyse a fictional coffee roaster’s sales file by cleaning inconsistent dates, text, and numeric fields before answering business questions. You will compare monthly revenue, product performance, weekdays, and returning customers.

  • load_clean(path) returns a cleaned DataFrame with parsed dates, standardised customer and product names, numeric quantity and price, and a revenue column; rows missing required fields or with non-positive quantity or price are removed
  • revenue_by_month(df) returns a pandas Series of revenue totals indexed by sorted YYYY-MM strings
  • top_products(df, n) returns a list of product names ordered by total revenue, highest first
  • best_weekday(df) returns the English weekday name with the highest total revenue
  • repeat_customers(df) returns the number of customers with at least two cleaned sales
  • make_charts(df) creates three charts titled Monthly coffee revenue, Revenue by coffee product, and Top customers by revenue

City bikes study

Analyse a fictional city bike-share dataset with pandas. You will rank stations, summarize daily demand, compare rainy and dry days, and identify the busiest start hour.

  • busiest_stations(trips, stations, n) returns a DataFrame with station names and trip counts, ordered highest first; a trip counts once at its start and once at its end.
  • trips_per_day(trips) returns a Series indexed by date in ascending order, with the number of trips on each date.
  • rain_effect(trips, weather) returns the percentage change in mean daily trips on rainy versus dry dates, rounded to 2 decimal places; rainy means rain_mm > 0, and only dates represented in both tables are used.
  • peak_hour(trips) returns the integer hour with the most trip starts; ties go to the earlier hour.
  • round_trips(trips) returns the number of rows whose start_station equals end_station.
  • summary(trips, stations, weather) returns exactly five lines: Trips: N; Stations: N; Busiest station: NAME (N visits); Rain effect: N.NN%; Peak hour: HH:00. Use the actual calculated values.

ਸਵਾਲ

ਮੈਨੂੰ ਕੁਝ ਇੰਸਟਾਲ ਕਰਨਾ ਪਵੇਗਾ?

ਨਹੀਂ। ਸਭ ਕੁਝ ਤੁਹਾਡੇ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਚਲਦਾ ਹੈ। ਪ੍ਰੋਜੈਕਟਾਂ ਲਈ ਤੁਸੀਂ ਆਪਣੇ ਕੰਪਿਊਟਰ ਉੱਤੇ ਵੀ ਕੰਮ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਆਪਣੀਆਂ ਫਾਈਲਾਂ ਅੱਪਲੋਡ ਕਰ ਸਕਦੇ ਹੋ।

ਕੀ ਮੈਂ ਉਹ ਨੱਕ ਸਕਦਾ ਹਾਂ ਜੋ ਮੈਂ ਪਹਿਲਾਂ ਸੇ ਜਾਣਦਾ ਹਾਂ?

ਹਾਂ। ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਮੰਜਿਲ ਦੇ ਮਾਲਕ ਬਣ ਜਾਉ, ਹਰੇਕ ਮੰਡਲੀ ਦੀ ਇੱਕ ਪਰੀਖਿਆ ਹੈ: 10 ਵਿੱਚੋਂ 8 ਸਕੋਰ ਕਰੋ ਅਤੇ ਉਹ ਮੰਜਿਲ ਖੁੱਲ ਜਾਂਦੀ ਹੈ।

ਵਾਪਸੀ ਨੀਤੀ ਕੀ ਹੈ?

ਖਰੀਦ ਦੇ 5 ਦਿਨਾਂ ਅੰਦਰ ਵਾਪਸੀ। 5 ਦਿਨਾਂ ਦੇ ਬਾਅਦ, ਕੋਈ ਵਾਪਸੀ ਜਾਂ ਵਾਪਸ ਨਹੀਂ।

ਕੀ ਮੈਂ ਪਹੁੰਚ ਰੱਖਦਾ ਹਾਂ?

ਹਾਂ। ਜੋ ਮੰਜਿਲ ਤੁਸੀਂ ਖਰੀਦਦੇ ਹੋ ਉਹ ਤੁਹਾਡੀ ਹੈ, ਕੋਈ ਸਦਸਤਾ ਨਹੀਂ ਹੈ।

Refund policy

ਮੰਜਿਲਾਂ

HTML & CSS · JavaScript · Python · SQL · C++ · Node.js · Flask · Logic & Problem Solving · Algorithms & Data Structures · Java · Machine Learning · Building with AI