Цитаты из книги   Python для data science

­ных приложений. Например, можно создать бота, который выдает прогнозы фондового рынка в ответ на запрос пользователя на естественном языке.

две библиотеки Python — geopy и Shapely.

Поскольку geopy предназначена для выполнения расчетов на основе геокоординат, она особенно хорошо справляется с ответами на вопросы о расстоянии. В свою очередь, Shapely специализируется на определении и анализе геометрических плоскостей, поэтому она идеально подходит, чтобы выяснить, попадает ли тот или иной объект в указанную область.

как пайплайн обработки данных (data processing pipeline). Вот привычный алгоритм действий с данными:
1. Получение.
2. Очистка.
3. Преобразование.
4. Анализ.
5. Хранение.

два основных типа структурированных данных: числовые и категориальные.

разделяют данные на три основные категории: неструктурированные, структурированные и слабо

list(sorted(set(lst), key=lst.index))

функцию scikit-learn CountVectorizer(). Она преобразует текстовые данные в числовые векторы признаков

from collections import deque
queue = deque(my_list)
queue.append('Wash the car')
print(queue.popleft(), ' - Done!')
my_list_upd = list(queue)
В этом скрипте

Анализ тональности можно проводить с помощью такого инструмента, как SentimentAnalyzer из пакета nltk.sentiment. Типичный результат анализа может выглядеть следующим образом

Прогнозирование тенденций фондового рынка
Чтобы узнать, как еще можно применять машинное обучение для анализа данных, создадим модель для прогнозирования тенденций фондового рынка. Построим еще одну простую классификационную модель, которая предсказывает, будет ли завтра цена акции выше, ниже или такой же, как сегодня. Более сложный вариант модели может задействовать регрессию для прогнозирования изменения фактической стоимости акций по дням.