Промпт: план изучения темы

План изучения Python для анализа данных (автоматизация отчетов по продажам)

Неделя 1. Основы программирования на Python

Цель: Освоение базового синтаксиса Python и работа с простыми типами данных.

Что изучать:

• Установка Python (версия >= 3.9), среды разработки (PyCharm Community Edition).
• Переменные, типы данных (строки, числа, списки, кортежи, словари).
• Базовые операции: арифметика, конкатенация строк, доступ к элементам списка/словаря.
• Простые функции (def, return).
• Условные операторы (if, elif, else), циклы (for, while).

Практические задания:

• Создать простую программу расчета общей суммы покупок по списку товаров и цен.
• Написать функцию вычисления среднего значения списка чисел.

Как проверить усвоенность темы:

• Самостоятельное выполнение заданий из практики.
• Тестовый код на онлайн-платформе [Stepik](https://stepik.org/course/67/syllabus) (курс Python Beginner).

---

Неделя 2. Работа с файлами и пакетами NumPy/Pandas

Цель: Изучение работы с внешними файлами и освоение основ библиотеки Pandas для обработки табличных данных.

Что изучать:

• Чтение и запись файлов (.txt, .csv).
• Пакеты NumPy и Pandas: установка через pip, создание DataFrame'ов, базовые методы выборки данных.
• Индексация, фильтрация и группировка данных в pandas.

Практические задания:

• Загрузить файл CSV с данными о продажах (например, пример файла можно найти на Kaggle.com без VPN — проверяйте доступность ресурса заранее!).
• Посчитать общую сумму продаж по каждому товару, выбрать товары с максимальной выручкой.

Как проверить усвоенность темы:

• Создание скрипта загрузки и анализа реальных данных (сгенерируйте сами простой набор данных в формате csv).

---

Неделя 3. Преобразование и очистка данных

Цель: Обработка отсутствующих значений, преобразование типов данных, фильтрация и агрегирование больших объемов данных.

Что изучать:

• Работа с пропущенными значениями (NaN) в pandas.
• Преобразование форматов дат и времени, расчет временных интервалов.
• Группировка данных, агрегационные функции (groupby, agg).
• Объединение таблиц (merge, join).

Практические задания:

• Очистка реального набора данных от пропусков и ошибок.
• Подсчет количества проданных единиц товара за каждый месяц.

Как проверить усвоенность темы:

• Реальная задача по очистке и подготовке данных перед аналитическим отчетом.

---

Неделя 4. Анализ и визуализация данных

Цель: Представление результатов анализа графически с помощью Matplotlib и Seaborn.

Что изучать:

• Библиотеки Matplotlib и Seaborn: построение базовых диаграмм (столбчатые, линейные графики, круговые диаграммы).
• Форматы вывода графиков, настройка осей, подписей и легенд.

Практические задания:

• Построить график динамики продаж за последние полгода.
• Сравнить продажи разных продуктов визуально.

Как проверить усвоенность темы:

• Задачи построения простых и сложных графиков с использованием реальных данных.

---

Неделя 5–6. Автоматизация отчетов

Цель: Генерация готовых аналитических отчетов автоматически.

Что изучать:

• Методы автоматической подготовки отчетов средствами Python.
• Экспорт данных в разные форматы (Excel, PDF).
• Использование библиотек для автоматизации оформления отчетов (XlsxWriter, ReportLab).

Практические задания:

• Автоматическая подготовка отчета о продажах за последний квартал.
• Разработка шаблона еженедельного отчета с динамическими данными.

Как проверить усвоенность темы:

• Проверочная задача по созданию автоматического отчета с использованием всех изученных инструментов.

---

Неделя 7. Продвинутый анализ данных

Цель: Расширенное изучение методов анализа данных: прогнозирование трендов, выявление аномалий.

Что изучать:

• Временные ряды: простое сглаживание, скользящие средние.
• Выявление аномальных значений и выбросов.
• Прогнозирование тренда продаж (на основе предыдущих периодов).

Практические задания:

• Провести детектирование сезонности и трендов в истории продаж.
• Предсказать объем продаж следующего месяца на основе исторических данных.

Как проверить усвоенность темы:

• Самостоятельная реализация продвинутого сценария анализа данных.

---

Неделя 8. Итоговая интеграция знаний

Цель: Совмещение всего изученного материала в единую систему автоматизированной отчетности.

Что изучать:

• Интеграцию различных этапов аналитики и отчётности.
• Оптимизацию скорости выполнения программы.

Практические задания:

• Создание комплексного решения для регулярного формирования подробного ежемесячного отчета по продажам компании.

Как проверить усвоенность темы:

• Полностью автономный скрипт, генерирующий готовый отчет, который обновляется автоматически при добавлении новых данных.

---

Частые ошибки новичков:

• Проблема с индексами: начинающие часто путаются между индексами и столбцами данных в pandas, обращаясь неправильно к данным.
• Необработанные исключения: игнорирование возможных ошибок при работе с файлами или некорректными данными.
• Избыточность кода: использование излишне длинных конструкций там, где достаточно лаконичного метода pandas.

Признаки готовности перейти на следующий уровень:

• Без труда создаете основные элементы отчета (таблицы, графики, фильтры).
• Быстро справляетесь с небольшими ошибками, возникающими при обработке данных.
• Ваш код становится понятнее и структурированнее, появляются комментарии.

---

Рекомендуемые ресурсы:

• Онлайн-курсы: Stepik, YouTube-каналы («Skillbox», «Яндекс.Практикум»).
• Документация библиотек: Официальные сайты numpy.org, pandas.pydata.org, matplotlib.org.
• Примеры решений реальных задач: GitHub, Stack Overflow (через русскоязычные форумы).

---

Данный план позволит плавно освоить необходимые инструменты и получить реальный опыт работы с аналитическими задачами, связанными с обработкой данных о продажах.

Ниже — план на 8 недель при нагрузке 5 часов в неделю. Цель плана — не «выучить весь Python», а научиться автоматизировать отчёты по продажам: загружать Excel/CSV, чистить данные, считать показатели, делать сводные таблицы, графики и выгружать готовый отчёт.

Предполагается, что у вас уже есть опыт в Excel: таблицы, фильтры, формулы, сводные таблицы.

---

Общая структура недели

Рекомендую делить 5 часов так:

• 2 часа — теория и повторение за преподавателем/документацией.
• 2 часа — практика на учебных данных.
• 1 час — мини-проект или работа с реальным отчётом.

Если есть возможность, заведите отдельную папку:

python_sales_reports/
│
├── data/
│   ├── raw/
│   └── processed/
│
├── reports/
├── notebooks/
└── scripts/

---

Неделя 1. Подготовка среды и основы Python

Что изучить

1. Что такое Python и зачем он нужен аналитику.
2. Установка:
3. Python
4. Jupyter Notebook или JupyterLab
5. VS Code — по желанию
6. Основы синтаксиса:
7. переменные
8. числа и строки
9. списки
10. словари
11. условия if
12. циклы for
13. Понимание разницы между Excel и Python:
14. в Excel вы работаете руками с таблицей;
15. в Python описываете последовательность действий, которую можно повторять.

Практическое задание

Создайте небольшой скрипт или ноутбук, который:

1. Хранит список продаж:

sales = [1200, 3500, 980, 2100, 5000]

1. Считает:
2. общую сумму продаж;
3. средний чек;
4. максимальную продажу;
5. количество продаж больше 2000.

Пример ожидаемого результата:

Общая сумма: 12780
Средняя продажа: 2556
Максимальная продажа: 5000
Продаж больше 2000: 3

Как проверить, что тема усвоена

Вы понимаете и можете объяснить:

• что такое переменная;
• чем список отличается от одного числа;
• как работает цикл for;
• как написать простое условие if;
• как запустить код в Jupyter Notebook.

Где нужна практика с реальной задачей

Пока необязательно. На этой неделе лучше освоить среду и базовый синтаксис.

Бесплатные ресурсы

1. Официальная документация Python на русском

Сайт: https://docs.python.org/ru/3/
Доступность в России обычно есть.

1. Stepik — курсы по Python для начинающих

Сайт: https://stepik.org
Рекомендую поискать: «Поколение Python: курс для начинающих».
Насколько известно, ресурс доступен в России без VPN.

1. YouTube-каналы на русском по Python

Например: уроки по запросу «Python для начинающих».
Но доступность отдельных видео или каналов может меняться, поэтому лучше использовать как дополнительный источник.

---

Неделя 2. Работа с файлами Excel и CSV через pandas

Что изучить

Главная библиотека недели — pandas.

Темы:

1. Что такое DataFrame.
2. Как установить pandas:

pip install pandas openpyxl

1. Как читать файлы:

import pandas as pd

df = pd.read_excel("sales.xlsx")
df = pd.read_csv("sales.csv")

1. Как смотреть данные:

df.head()
df.tail()
df.info()
df.describe()
df.shape
df.columns

1. Как выбирать столбцы:

df["Выручка"]
df[["Дата", "Товар", "Выручка"]]

1. Как фильтровать строки:

df[df["Выручка"] > 10000]

Практическое задание

Возьмите учебный файл Excel или создайте его сами.

Пример структуры:

Задание:

1. Загрузите файл в pandas.
2. Выведите первые 10 строк.
3. Посмотрите количество строк и столбцов.
4. Выведите список всех колонок.
5. Отфильтруйте продажи:
6. только по одному региону;
7. только с выручкой больше определённой суммы;
8. только по одному менеджеру.

Как проверить, что тема усвоена

Вы умеете:

• загрузить Excel-файл в Python;
• понять, какие в нём есть столбцы;
• посмотреть первые строки;
• отфильтровать данные по условию;
• выбрать один или несколько столбцов.

Где нужна практика с реальной задачей

Желательно начать с реального файла продаж.

На этой неделе попробуйте открыть ваш настоящий отчёт в Python. Пока не нужно его полностью обрабатывать. Достаточно проверить:

df = pd.read_excel("ваш_отчет.xlsx")
df.head()
df.info()

Если файл не открывается, это уже полезный результат: нужно разобраться со структурой файла, листами, заголовками и форматом.

Бесплатные ресурсы

1. Документация pandas

Сайт: https://pandas.pydata.org/docs/
Язык в основном английский. Доступность обычно есть, но если будут проблемы, можно использовать русскоязычные статьи.

1. Stepik — курсы по анализу данных на Python

Сайт: https://stepik.org
Ищите курсы по словам: «pandas», «анализ данных Python». Доступность обычно есть.

1. Хабр / статьи по pandas на русском

Сайт: https://habr.com/ru/
Доступность в России есть, но качество статей разное — используйте как справочник по конкретным вопросам.

---

Неделя 3. Очистка данных и подготовка отчёта

Что изучить

Темы:

1. Пропуски:

df.isna().sum()
df.dropna()
df.fillna(0)

1. Дубликаты:

df.duplicated().sum()
df.drop_duplicates()

1. Типы данных:

df.dtypes

1. Работа с датами:

df["Дата"] = pd.to_datetime(df["Дата"])

1. Создание новых столбцов:

df["Выручка"] = df["Количество"] * df["Цена"]

1. Переименование колонок:

df = df.rename(columns={"Sales": "Выручка"})

1. Удаление лишних столбцов:

df = df.drop(columns=["Комментарий"])

Практическое задание

Создайте или возьмите файл, где есть типичные проблемы:

• пустые значения;
• повторяющиеся строки;
• дата в текстовом формате;
• лишние пробелы в названиях регионов или товаров;
• выручка не посчитана.

Задание:

1. Найдите пропуски.
2. Удалите дубликаты.
3. Приведите колонку даты к типу даты.
4. Посчитайте выручку.
5. Сохраните очищенный файл:

df.to_excel("sales_clean.xlsx", index=False)

Как проверить, что тема усвоена

Вы умеете:

• найти пропуски;
• понять, какие столбцы имеют неправильный тип;
• преобразовать дату;
• удалить дубликаты;
• создать новый столбец по формуле;
• сохранить результат в Excel.

Где нужна практика с реальной задачей

Обязательно.

Возьмите реальный отчёт по продажам и попробуйте ответить:

1. Есть ли пропуски в важных колонках?
2. Есть ли дубли?
3. Корректно ли распознались даты?
4. Есть ли строки с нулевым количеством или нулевой ценой?
5. Можно ли посчитать выручку автоматически?

Цель недели — сделать первый файл:

sales_clean.xlsx

---

Неделя 4. Группировки, сводные таблицы и KPI продаж

Что изучить

Это ключевая неделя для автоматизации отчётов.

Темы:

1. Группировка данных:

df.groupby("Регион")["Выручка"].sum()

1. Группировка по нескольким полям:

df.groupby(["Регион", "Менеджер"])["Выручка"].sum()

1. Несколько показателей:

df.groupby("Регион").agg({
    "Выручка": "sum",
    "Количество": "sum",
    "Заказ": "nunique"
})

1. Сводные таблицы:

pd.pivot_table(
    df,
    values="Выручка",
    index="Регион",
    columns="Месяц",
    aggfunc="sum"
)

1. Основные KPI продаж:
2. выручка;
3. количество заказов;
4. средний чек;
5. количество единиц;
6. топ товаров;
7. топ менеджеров;
8. продажи по регионам;
9. динамика по месяцам.

Практическое задание

На очищенном файле посчитайте:

1. Общую выручку.
2. Выручку по регионам.
3. Выручку по менеджерам.
4. Топ-10 товаров по выручке.
5. Количество заказов.
6. Средний чек:

average_order = total_revenue / orders_count

1. Сводную таблицу: строки — регионы, столбцы — месяцы, значения — выручка.

Как проверить, что тема усвоена

Вы можете воспроизвести в Python аналоги Excel-сводных таблиц:

• продажи по месяцам;
• продажи по регионам;
• продажи по менеджерам;
• топ товаров;
• итоги и средние значения.

Хорошая проверка: сравните результат Python с Excel-сводной таблицей. Если цифры совпадают — тема усвоена.

Где нужна практика с реальной задачей

Обязательно.

На этой неделе нужно взять ваш реальный отчёт и посчитать минимум 3 показателя, которые вы обычно считаете в Excel:

Например:

• выручка за месяц;
• продажи по менеджерам;
• топ товаров;
• продажи по регионам;
• количество заказов.

---

Неделя 5. Визуализация данных и простые графики для отчёта

Что изучить

Библиотеки:

• matplotlib
• seaborn — по желанию

Установка:

pip install matplotlib seaborn

Темы:

1. Линейный график динамики продаж.
2. Столбчатая диаграмма продаж по регионам.
3. Горизонтальная диаграмма топ-10 товаров.
4. Настройка:
5. размера графика;
6. заголовка;
7. подписей осей;
8. поворота подписей;
9. сохранения изображения.

Пример:

import matplotlib.pyplot as plt

sales_by_region.plot(kind="bar")
plt.title("Выручка по регионам")
plt.xlabel("Регион")
plt.ylabel("Выручка")
plt.tight_layout()
plt.savefig("reports/revenue_by_region.png")
plt.show()

Практическое задание

Постройте 3 графика:

1. Динамика выручки по месяцам.
2. Выручка по регионам.
3. Топ-10 товаров по выручке.

Сохраните их в папку reports.

Как проверить, что тема усвоена

Вы умеете:

• построить график из результата группировки;
• сделать подписи понятными;
• сохранить график в PNG;
• объяснить, какой бизнес-вопрос отвечает график.

Например:

График топ-10 товаров показывает, какие товары дают основную выручку.

Где нужна практика с реальной задачей

Обязательно.

Постройте минимум один график на реальных данных, который можно показать руководителю или использовать в еженедельном/ежемесячном отчёте.

---

Неделя 6. Автоматическая выгрузка отчётов в Excel

Что изучить

Темы:

1. Запись нескольких таблиц в один Excel-файл:

with pd.ExcelWriter("sales_report.xlsx") as writer:
    summary.to_excel(writer, sheet_name="Итоги")
    sales_by_region.to_excel(writer, sheet_name="По регионам")
    sales_by_manager.to_excel(writer, sheet_name="По менеджерам")

1. Запись без индекса:

df.to_excel("file.xlsx", index=False)

1. Библиотека openpyxl:
2. настройка ширины столбцов;
3. простое форматирование;
4. работа с листами.

1. Базовая структура итогового отчёта:
2. лист Данные;
3. лист Итоги;
4. лист По регионам;
5. лист По менеджерам;
6. лист Топ товаров.

1. Как делать отчёт воспроизводимым:
2. один входной файл;
3. один скрипт;
4. один выходной файл.

Практическое задание

Сделайте автоматическую выгрузку Excel-отчёта:

sales_report.xlsx

Внутри должны быть листы:

1. Данные — очищенные данные.
2. Итоги — общая выручка, количество заказов, средний чек.
3. По регионам — выручка по регионам.
4. По менеджерам — выручка по менеджерам.
5. Топ товаров — топ-10 товаров по выручке.

Как проверить, что тема усвоена

Вы можете:

• запустить один код;
• получить готовый Excel-файл;
• открыть его и увидеть несколько листов;
• сверить основные цифры с исходным Excel;
• повторить отчёт на новом входном файле.

Где нужна практика с реальной задачей

Обязательно.

На этой неделе уже нужно делать прототип вашего настоящего отчёта.

Даже если он будет без красивого оформления, главное — чтобы он автоматически:

1. загружал данные;
2. очищал их;
3. считал показатели;
4. сохранял Excel-файл.

---

Неделя 7. Автоматизация процесса и работа с несколькими файлами

Что изучить

Темы:

1. Разделение кода на шаги:
2. загрузка данных;
3. очистка;
4. расчёты;
5. выгрузка.
6. Работа с папками и файлами:

from pathlib import Path

data_folder = Path("data/raw")
files = list(data_folder.glob("*.xlsx"))

1. Объединение нескольких файлов:

all_data = []

for file in files:
    df = pd.read_excel(file)
    all_data.append(df)

df_all = pd.concat(all_data, ignore_index=True)

1. Простые функции:

def clean_data(df):
    df = df.drop_duplicates()
    df["Дата"] = pd.to_datetime(df["Дата"])
    return df

1. Параметры отчёта:
2. период;
3. регион;
4. менеджер;
5. путь к файлу.

Практическое задание

Сделайте скрипт, который:

1. Берёт все Excel-файлы из папки data/raw.
2. Объединяет их в один DataFrame.
3. Очищает данные.
4. Считает показатели.
5. Формирует итоговый Excel-отчёт.

Пример структуры:

data/raw/
├── sales_january.xlsx
├── sales_february.xlsx
└── sales_march.xlsx

Результат:

reports/sales_report_total.xlsx

Как проверить, что тема усвоена

Вы умеете:

• положить новый файл в папку;
• запустить скрипт;
• получить обновлённый отчёт;
• не менять код руками каждый раз под новое имя файла.

Это важный шаг от «анализа» к «автоматизации».

Где нужна практика с реальной задачей

Обязательно.

Если у вас отчёты приходят раз в неделю или месяц отдельными файлами, используйте именно эту структуру.

Например:

Продажи_2024_01.xlsx
Продажи_2024_02.xlsx
Продажи_2024_03.xlsx

Цель — сделать так, чтобы новый отчёт требовал от вас минимум ручных действий.

---

Неделя 8. Финальный мини-проект: автоматизация отчёта по продажам

Что изучить

На этой неделе меньше новой теории, больше сборки проекта.

Темы:

1. Как оформить проект.
2. Как подписать шаги кода комментариями.
3. Как сделать файл README с инструкцией.
4. Как проверить корректность результата.
5. Как подготовить отчёт для регулярного использования.

Финальное практическое задание

Соберите готовый мини-проект:

sales_report_project/
│
├── data/
│   └── raw/
│       ├── sales_2024_01.xlsx
│       └── sales_2024_02.xlsx
│
├── reports/
│   └── sales_report.xlsx
│
├── sales_report.py
└── README.md

Скрипт sales_report.py должен:

1. Читать один или несколько Excel-файлов.
2. Объединять данные.
3. Проверять и очищать данные.
4. Считать основные KPI:
5. выручка;
6. количество заказов;
7. средний чек;
8. продажи по месяцам;
9. продажи по регионам;
10. продажи по менеджерам;
11. топ товаров.
12. Создавать Excel-отчёт с несколькими листами.
13. По возможности сохранять графики.

Как проверить, что тема усвоена

Финальная проверка:

1. Вы кладёте новый файл продаж в папку data/raw.
2. Запускаете скрипт.
3. Получаете обновлённый отчёт.
4. Сравниваете 2–3 ключевых показателя с Excel вручную.
5. Цифры совпадают.
6. Отчёт можно отправить или использовать в работе.

Где нужна практика с реальной задачей

Обязательно. Это главная неделя для реального проекта.

Идеально, если финальный проект будет не учебным, а основанным на вашем настоящем регулярном отчёте.

---

Минимальный набор навыков после 8 недель

К концу плана вы должны уметь:

1. Запускать Python-код.
2. Читать Excel и CSV.
3. Понимать структуру таблицы в pandas.
4. Фильтровать данные.
5. Удалять дубликаты и работать с пропусками.
6. Преобразовывать даты.
7. Создавать новые расчётные столбцы.
8. Делать группировки и сводные таблицы.
9. Строить простые графики.
10. Выгружать результаты в Excel.
11. Обрабатывать несколько файлов сразу.
12. Получать регулярный отчёт одним запуском скрипта.

---

Бесплатные ресурсы, которые можно использовать

Python

1. Официальная документация Python на русском

https://docs.python.org/ru/3/

1. Stepik — базовые курсы Python

https://stepik.org
Ищите:

• «Поколение Python: курс для начинающих»
• «Python для начинающих»

Доступность Stepik в России обычно есть.

pandas

1. Официальная документация pandas

https://pandas.pydata.org/docs/
Документация на английском, но это самый надёжный источник.

1. Русскоязычные статьи по pandas на Хабре

https://habr.com/ru/search/?q=pandas

1. Статьи и шпаргалки по pandas на русском

Можно искать в Яндексе по запросам:

• pandas read_excel пример
• pandas groupby пример
• pandas pivot_table пример
• pandas to_excel пример

Jupyter Notebook

1. Документация Jupyter

https://docs.jupyter.org/
Язык в основном английский.

1. Если устанавливаете через Anaconda — сайт Anaconda может быть доступен не всегда стабильно. Если сомневаетесь, проще установить Python с официального сайта и затем поставить Jupyter через:

pip install notebook

Excel-выгрузка

1. Документация openpyxl

https://openpyxl.readthedocs.io/
Не уверен на 100%, что ресурс всегда доступен в России без VPN, но обычно открывается.

1. Документация pandas по Excel:

https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.to_excel.html

---

Частые ошибки новичков

1. Пытаться сразу написать большой идеальный скрипт

Лучше двигаться маленькими шагами:

1. Загрузить файл.
2. Посмотреть данные.
3. Почистить одну колонку.
4. Посчитать один показатель.
5. Сохранить результат.

Не пишите сразу «систему автоматизации». Сначала сделайте рабочий черновик.

---

2. Не проверять данные после загрузки

После каждого чтения файла полезно делать:

df.head()
df.info()
df.shape
df.isna().sum()

Иначе можно не заметить, что:

• даты загрузились как текст;
• числа загрузились как строки;
• первая строка стала заголовком неправильно;
• часть колонок пустая;
• данные прочитались не с того листа.

---

3. Путать строки и столбцы

В pandas:

df["Выручка"]

это столбец.

А:

df[df["Выручка"] > 10000]

это фильтрация строк.

Новички часто путаются, поэтому полезно постоянно проверять результат через:

df.head()

---

4. Не сохранять промежуточные результаты

Иногда полезно сохранять очищенный файл:

df.to_excel("sales_clean.xlsx", index=False)

Так проще проверить, что код сделал с данными.

---

5. Игнорировать типы данных

Очень частая проблема:

df["Выручка"].sum()

может работать неправильно, если выручка загружена как текст.

Проверяйте:

df.dtypes

---

6. Не сверять результат с Excel

На первых этапах обязательно сравнивайте Python-расчёты с Excel.

Например:

• сумма выручки;
• количество строк;
• топ менеджеров;
• итоги по месяцам.

Если цифры совпадают — доверие к автоматизации растёт.

---

7. Делать всё в одном огромном ноутбуке

Для обучения Jupyter Notebook удобен. Но для регулярного отчёта лучше постепенно перейти к скрипту:

sales_report.py

Ноутбук — для исследования.
Скрипт — для регулярного запуска.

---

8. Хранить файлы где попало

Лучше сразу держать порядок:

data/raw/       исходные данные
data/processed/ очищенные данные
reports/        готовые отчёты
scripts/        код

Это сильно упрощает автоматизацию.

---

9. Не учитывать реальные «грязные» данные

В учебных примерах всё красиво. В реальности бывают:

• разные названия колонок;
• объединённые ячейки;
• пустые строки сверху;
• итоги внизу таблицы;
• несколько листов;
• разные форматы дат;
• пробелы в названиях;
• числа с запятыми;
• лишние комментарии.

Поэтому с реальными файлами нужно начинать не в конце, а уже с 2–3 недели.

---

Как понять, что пора переходить к следующему уровню

Можно считать, что базовый уровень освоен, если вы умеете:

1. Самостоятельно загрузить Excel-файл.
2. Разобраться, какие в нём колонки.
3. Почистить данные от очевидных проблем.
4. Сделать группировки и сводные таблицы.
5. Посчитать основные KPI продаж.
6. Сохранить результат в Excel.
7. Обработать несколько файлов из папки.
8. Запустить отчёт повторно на новых данных.
9. Объяснить другому человеку, как работает ваш скрипт.
10. Найти ошибку, если входной файл немного изменился.

Следующий уровень — это когда стоит изучать

1. Более продвинутый pandas:
2. сложные объединения таблиц merge;
3. оконные функции;
4. работа с большими файлами.
5. SQL:
6. если данные хранятся в базе;
7. если Excel-файлов становится слишком много.
8. BI-инструменты:
9. Power BI;
10. DataLens;
11. Superset.
12. Планировщики задач:
13. запуск отчёта по расписанию.
14. Более аккуратное оформление Excel:
15. стили;
16. автоширина;
17. условное форматирование.
18. Контроль качества данных:
19. проверки перед расчётом;
20. логирование ошибок;
21. отчёт о проблемах во входных данных.

Главный критерий перехода: если вы уже можете сделать регулярный отчёт по продажам одним запуском кода и хотите не просто повторять Excel, а строить более надёжную систему аналитики.

План изучения Python для анализа данных

Цель: автоматизация отчётов по продажам | Старт: с нуля, уверенный Excel | Темп: 5 ч/нед × 8 недель

---

Неделя 1. Основы Python и среда работы

Изучить:

• Установка Python + VS Code или Jupyter Notebook (через Anaconda)
• Переменные, типы данных (int, float, str, bool)
• Списки, словари
• Условия if/else, циклы for/while
• Функции print(), input(), базовый ввод-вывод

Практика:
Написать скрипт, который считает сумму и среднее по списку чисел (имитация продаж за месяц), введённых вручную.

Проверка усвоения:
Сможете объяснить разницу между списком и словарём и написать цикл без подглядывания в шпаргалку.

Ресурсы:

• Stepik, курс «Поколение Python: курс для начинающих» — бесплатный, доступен без VPN
• Документация Python на русском (docs.python.org/3/) — частично переведена

---

Неделя 2. Работа с файлами и функциями

Изучить:

• Чтение/запись текстовых и CSV файлов (модуль csv)
• Функции с параметрами, return
• Обработка исключений (try/except) — пригодится для «грязных» данных
• Основы работы с датами (модуль datetime)

Практика:
Создать CSV-файл с тестовыми данными о продажах (дата, товар, сумма) и написать скрипт, который читает файл и выводит общую сумму продаж.

🔴 Реальная задача: Возьмите один из ваших реальных отчётов, экспортируйте в CSV, попробуйте прочитать его скриптом.

Проверка усвоения:
Скрипт обрабатывает ошибку, если в файле есть пустая строка или некорректное значение.

Ресурсы:

• Stepik (продолжение курса выше)
• YouTube-канал «Python для начинающих» (поищите актуальные уроки по теме «работа с файлами Python»)

---

Неделя 3. Pandas: основы

Изучить:

• Установка pandas, импорт
• DataFrame и Series — структура данных
• Чтение Excel/CSV: pd.read_excel(), pd.read_csv()
• Просмотр данных: .head(), .info(), .describe()
• Выбор столбцов и строк: .loc, .iloc

Практика:
Загрузить реальный Excel-файл с продажами, вывести первые 10 строк, посмотреть типы данных, количество пропусков.

🔴 Реальная задача: да, используйте свой рабочий файл отчёта.

Проверка усвоения:
Можете объяснить разницу между .loc и .iloc, самостоятельно выбрать нужные столбцы без помощи.

Ресурсы:

• Официальная документация pandas (pandas.pydata.org) — на английском, но с примерами кода
• Stepik, курс «Анализ данных на Python» (если найдёте — проверьте актуальность, не уверен в точном названии на момент планирования)

---

Неделя 4. Pandas: фильтрация, группировка, агрегация

Изучить:

• Фильтрация по условию: df[df['колонка'] > значение]
• Группировка: .groupby()
• Агрегатные функции: .sum(), .mean(), .count()
• Сортировка: .sort_values()
• Работа с датами в pandas (pd.to_datetime)

Практика:
На тестовых данных посчитать: сумму продаж по месяцам, топ-5 товаров по выручке, среднюю сумму чека по регионам.

🔴 Реальная задача: повторить то же самое на реальных данных по продажам — это ключевая неделя для вашей цели.

Проверка усвоения:
Без помощи можете сгруппировать данные по любому полю и посчитать сумму/среднее.

Ресурсы:

• Документация pandas, раздел GroupBy
• Kaggle Learn, курс "Pandas" (доступен без VPN, на английском, но с простыми примерами)

---

Неделя 5. Очистка данных

Изучить:

• Обработка пропусков: .isna(), .fillna(), .dropna()
• Удаление дубликатов: .drop_duplicates()
• Замена значений: .replace(), .map()
• Работа со строками: .str.strip(), .str.contains()
• Приведение типов: .astype()

Практика:
Взять «грязный» датасет (с пропусками, дублями, опечатками в названиях) и привести его в порядок.

🔴 Реальная задача: да — реальные отчёты почти всегда содержат ошибки ввода, разный регистр в названиях и т.д.

Проверка усвоения:
Можете на глаз определить проблемы в данных и выбрать подходящий метод очистки.

Ресурсы:

• Kaggle Learn, курс "Data Cleaning"
• Stepik (поиск по запросу "очистка данных pandas")

---

Неделя 6. Визуализация данных

Изучить:

• matplotlib: базовые графики (line, bar)
• seaborn: более удобные графики (если установится — иногда требует отдельной настройки)
• Построение графика динамики продаж, сравнение по категориям
• Сохранение графиков в файл

Практика:
Построить график динамики продаж по месяцам и столбчатую диаграмму топ-товаров.

🔴 Реальная задача: визуализировать реальные продажи — то, что обычно делают вручную в Excel через диаграммы.

Проверка усвоения:
Можете построить и настроить (подписи осей, заголовок, цвет) график без копипасты готового кода.

Ресурсы:

• Документация matplotlib (matplotlib.org)
• Stepik / YouTube — поиск "визуализация данных Python matplotlib"

---

Неделя 7. Автоматизация: Excel + Python

Изучить:

• Библиотека openpyxl: запись данных в Excel, форматирование ячеек
• Экспорт DataFrame в Excel с помощью .to_excel()
• Создание нескольких листов в одном файле
• Простая автоматизация: сценарий «загрузил сырые данные → обработал → сохранил готовый отчёт»

Практика:
Написать полный пайплайн: скрипт берёт CSV/Excel с сырыми данными, чистит, группирует, строит график, сохраняет всё в новый Excel-файл с готовым отчётом.

🔴 Реальная задача: это центральная неделя — соберите весь ваш реальный процесс в один скрипт.

Проверка усвоения:
Скрипт запускается одной командой и производит готовый отчёт без ручных правок.

Ресурсы:

• Документация openpyxl (openpyxl.readthedocs.io)
• Поиск на Stepik/YouTube "автоматизация Excel Python"

---

Неделя 8. Закрепление и оптимизация

Изучить:

• Структурирование кода: функции для каждого этапа пайплайна
• Параметризация скрипта (например, указание месяца через переменную)
• Основы работы с .py файлами и запуском из командной строки
• (опционально) Планирование запуска через Планировщик задач Windows

Практика:
Довести скрипт автоматизации до состояния, когда коллега без знания Python сможет запустить его и получить отчёт.

🔴 Реальная задача: финальное тестирование на реальных данных за несколько периодов, исправление найденных багов.

Проверка усвоения:
Скрипт работает стабильно на разных файлах с похожей структурой, обрабатывает ошибки, выдаёт понятные сообщения.

Ресурсы:

• Весь материал предыдущих недель
• Сообщество: форум Stepik, или поиск ответов на Stack Overflow (доступен без VPN)

---

Частые ошибки новичков

1. Пытаются выучить всё подряд — изучают библиотеки, которые не нужны для текущей задачи (например, сразу лезут в машинное обучение).
2. Не практикуются на реальных данных — работают только с учебными примерами, из-за чего навык не переносится на рабочие задачи.
3. Копируют код без понимания — решают ошибку копипастой со Stack Overflow, не разбираясь в причине.
4. Боятся ошибок и исключений — воспринимают traceback как провал, а не как подсказку.
5. Игнорируют структуру кода — пишут всё в одном файле без функций, из-за чего сложно потом поддерживать скрипт.
6. Не гуглят на английском — большинство качественных ответов и документации на английском, русскоязычных ресурсов меньше.
7. Путают pandas и обычный Python — пытаются использовать циклы там, где pandas даёт готовый метод (это медленнее и менее читаемо).

---

Когда пора переходить на следующий уровень

Вы готовы двигаться дальше (SQL, более сложная автоматизация, дашборды), если:

• ✅ Можете написать скрипт автоматизации отчёта с нуля без подсказок, опираясь только на документацию
• ✅ Понимаете код, который видите впервые (можете прочитать чужой скрипт и понять логику)
• ✅ Самостоятельно гуглите и находите решение проблемы за 10–15 минут, а не ждёте помощи
• ✅ Ваш текущий скрипт автоматизации реально используется в работе, экономит время
• ✅ Начинаете замечать ограничения pandas/Excel (например, большие объёмы данных) и хотите изучить SQL или базы данных

Следующие шаги после этого курса: SQL для работы с базами данных, более глубокое изучение визуализации (Plotly, Dash) или переход к BI-инструментам (Power BI/Tableau) для построения интерактивных дашбордов.

Отличный план! Давайте составим подробный план изучения Python для анализа данных с нуля, ориентированный на автоматизацию отчётов по продажам, с учётом ваших вводных.

---

План изучения «Python для анализа данных» для новичка (5 часов/неделя, 8 недель)

Цель: Автоматизация отчётов по продажам.
Уровень: Нулевой, умею работать в Excel.
Время: 5 часов в неделю.

---

Неделя 1: Введение в Python и основы синтаксиса

Что изучить:

1. Установка Python и среды разработки:
2. Python (с официального сайта python.org).
3. Anaconda (для удобной установки Python, Jupyter Notebook и других библиотек).
4. Jupyter Notebook (основной инструмент для интерактивного анализа данных).
5. Базовые концепции Python:
6. Переменные и типы данных (числа, строки, булевы значения).
7. Операторы (арифметические, сравнения, логические).
8. Ввод/вывод данных (функции print(), input()).
9. Комментарии.
10. Структуры данных:
11. Списки (list): создание, доступ к элементам, изменение, добавление/удаление.
12. Кортежи (tuple): создание, доступ к элементам (неизменяемые).
13. Словари (dict): создание, доступ по ключу, добавление/изменение.

Практическое задание:

• Установить Anaconda и запустить Jupyter Notebook.
• Создать новый Jupyter Notebook.
• Написать код, который:
• Создаёт переменные для названия товара, его цены и количества проданных единиц.
• Вычисляет общую выручку по этому товару.
• Выводит результат в формате "Товар [название] принёс [выручка] рублей."
• Создать список из 5 названий товаров.
• Создать словарь, где ключи - названия товаров, а значения - их цены.

Как проверить, что тема усвоена:

• Вы можете самостоятельно установить Python/Anaconda и запустить Jupyter Notebook.
• Вы можете без ошибок написать простой код с переменными, операторами и базовыми структурами данных.
• Вы понимаете разницу между списком, кортежем и словарём и знаете, когда какой использовать.

Ресурсы:

• Официальная документация Python: docs.python.org (для справки, не для первого изучения).
• Курс "Основы Python" на Stepik: stepik.org/course/67/syllabus (бесплатный, интерактивный, на русском).
• YouTube канал "Гоша Дударь": Много уроков по основам Python. (Проверьте, что контент актуален и доступен).
• FreeCodeCamp.org: Python for Everybody (бесплатный курс, на английском, но очень доступный).

---

Неделя 2: Управляющие конструкции и функции

Что изучить:

1. Условные операторы:
2. if, elif, else.
3. Вложенные условия.
4. Циклы:
5. for (итерация по спискам, строкам, диапазонам).
6. while (цикл с условием).
7. Операторы break и continue.
8. Функции:
9. Определение функций (def).
10. Параметры и аргументы функций.
11. Возвращаемые значения (return).
12. Область видимости переменных (локальные и глобальные).

Практическое задание:

• Написать функцию, которая принимает на вход список цен товаров и возвращает их общую сумму.
• Написать цикл for, который перебирает список товаров и для каждого товара выводит сообщение: "Товар [название] в наличии." Если товара нет в наличии (например, его нет в другом списке), выводить: "Товар [название] отсутствует."
• Используя if/elif/else, написать функцию, которая принимает на вход выручку и возвращает категорию продаж: "Низкие" (<1000), "Средние" (1000-5000), "Высокие" (>5000).

Как проверить, что тема усвоена:

• Вы можете самостоятельно написать функции, которые выполняют определённые задачи.
• Вы можете использовать циклы для обработки списков данных.
• Вы понимаете, как использовать условные операторы для принятия решений в коде.

Ресурсы:

• Курс "Основы Python" на Stepik: Продолжение.
• YouTube каналы: "Python для начинающих", "IT-KAMASUTRA" (проверьте доступность и актуальность).
• W3Schools Python Tutorial: w3schools.com/python (краткие примеры и объяснения).

---

Неделя 3: Работа с файлами и введение в библиотеки

Что изучить:

1. Работа с файлами:
2. Чтение текстовых файлов (.txt).
3. Запись в текстовые файлы.
4. Менеджер контекста with open(...).
5. Введение в библиотеки:
6. Что такое библиотека/модуль.
7. Импорт библиотек (import).
8. Примеры использования встроенных библиотек (например, math, random).
9. Введение в Pandas (очень поверхностно):
10. Что такое DataFrame (по аналогии с таблицей Excel).
11. Как создать простой DataFrame из словаря или списка.

Практическое задание:

• Создать текстовый файл sales_data.txt с несколькими строками данных (например, "Товар A, 100, 5", "Товар B, 200, 3").
• Написать код, который читает этот файл построчно, парсит данные (разделяет по запятым) и выводит их в консоль.
• Создать простой DataFrame Pandas с двумя столбцами: "Продукт" и "Цена".

Как проверить, что тема усвоена:

• Вы можете читать данные из текстовых файлов и записывать в них.
• Вы понимаете концепцию библиотек и можете импортировать их.
• Вы можете создать базовый DataFrame Pandas.

Ресурсы:

• Курс "Основы Python" на Stepik: Продолжение раздела про файлы.
• Документация Pandas: pandas.pydata.org/docs/ (для справки, но можно посмотреть примеры создания DataFrame).
• YouTube: Поищите уроки по "Python работа с файлами".

---

Неделя 4: Pandas для импорта и базовой обработки данных

Что изучить:

1. Чтение данных с помощью Pandas:
2. pd.read_csv(): чтение CSV-файлов (основной формат для отчётов).
3. pd.read_excel(): чтение Excel-файлов.
4. Основные параметры функций чтения (разделитель, кодировка, пропуск строк).
5. Просмотр данных:
6. df.head(), df.tail(), df.info(), df.describe().
7. Доступ к столбцам (df['Столбец']).
8. Базовая обработка данных:
9. Переименование столбцов (df.rename()).
10. Удаление столбцов (df.drop()).
11. Фильтрация строк по условию (df[df['Столбец'] > 100]).
12. Создание новых столбцов на основе существующих.

Практическое задание:

• Практика с реальной задачей: Возьмите небольшой реальный отчёт по продажам в формате CSV или Excel (можно выгрузить из вашей CRM или создать фиктивный, но похожий на реальный).
• Загрузите его в Pandas DataFrame.
• Просмотрите первые 5 строк, информацию о столбцах и статистику.
• Переименуйте несколько столбцов для удобства (например, "Кол-во" в "Количество_продаж").
• Создайте новый столбец "Общая_выручка" = "Цена" * "Количество_продаж".
• Отфильтруйте данные, чтобы показать только продажи товаров с выручкой выше определённого порога.

Как проверить, что тема усвоена:

• Вы можете успешно загружать данные из CSV/Excel в DataFrame.
• Вы умеете просматривать основные характеристики DataFrame.
• Вы можете переименовывать столбцы, создавать новые и фильтровать данные.

Ресурсы:

• Курс "Введение в анализ данных на Python" на Stepik: stepik.org/course/524/syllabus (бесплатный, на русском, с фокусом на Pandas).
• Real Python: realpython.com/pandas-dataframe/ (на английском, но очень подробные и понятные статьи).
• YouTube: Поищите "Pandas tutorial for beginners".

---

Неделя 5: Группировка, агрегация и очистка данных

Что изучить:

1. Группировка и агрегация данных:
2. df.groupby(): группировка по одному или нескольким столбцам.
3. Агрегирующие функции (.sum(), .mean(), .count(), .max(), .min()).
4. pivot_table() (аналог сводных таблиц в Excel).
5. Обработка пропущенных значений:
6. df.isnull(), df.notnull().
7. df.dropna(): удаление строк/столбцов с пропущенными значениями.
8. df.fillna(): заполнение пропущенных значений (средним, медианой, константой).
9. Обработка дубликатов:
10. df.duplicated().
11. df.drop_duplicates().

Практическое задание:

• Практика с реальной задачей: Используя тот же отчёт по продажам:
• Сгруппируйте данные по "Названию_товара" и посчитайте общую выручку для каждого товара.
• Сгруппируйте данные по "Дате" и посчитайте среднюю выручку за день.
• Создайте сводную таблицу, показывающую общую выручку по товарам за каждый месяц (если есть столбец с датой).
• Искусственно добавьте несколько пропущенных значений в ваш отчёт (например, удалите несколько значений из столбца "Количество_продаж").
• Найдите и обработайте эти пропущенные значения (например, заполните их средним значением или нулём).
• Искусственно добавьте несколько дублирующихся строк и удалите их.

Как проверить, что тема усвоена:

• Вы можете создавать сводные таблицы и группировать данные для получения агрегированных показателей.
• Вы умеете находить и обрабатывать пропущенные значения и дубликаты.
• Вы можете получать ответы на вопросы типа "Каков общий объём продаж по категории X?" или "Какой товар является самым продаваемым?".

Ресурсы:

• Курс "Введение в анализ данных на Python" на Stepik: Разделы про группировку и очистку данных.
• Документация Pandas: Разделы groupby, pivot_table, isna, fillna, dropna.
• Kaggle Learn: kaggle.com/learn/pandas (бесплатные интерактивные курсы, на английском, но очень качественные).

---

Неделя 6: Визуализация данных и экспорт отчётов

Что изучить:

1. Введение в Matplotlib/Seaborn:
2. Основные типы графиков: линейные, столбчатые, круговые, гистограммы.
3. Настройка графиков (заголовки, подписи осей, легенды).
4. Экспорт данных:
5. df.to_csv(): сохранение DataFrame в CSV-файл.
6. df.to_excel(): сохранение DataFrame в Excel-файл.
7. Параметры сохранения (индекс, кодировка).

Практическое задание:

• Практика с реальной задачей: Используя ваш обработанный отчёт по продажам:
• Постройте столбчатую диаграмму, показывающую общую выручку по каждому товару.
• Постройте линейный график, показывающий динамику продаж по дням/неделям.
• Постройте круговую диаграмму, показывающую долю каждого товара в общей выручке.
• Сохраните обработанные данные (например, сгруппированные по товарам) в новый CSV-файл и в новый Excel-файл.

Как проверить, что тема усвоена:

• Вы можете создавать базовые графики для визуализации данных.
• Вы можете сохранять обработанные данные в различные форматы файлов.
• Вы можете визуально представить ключевые метрики из ваших отчётов.

Ресурсы:

• Курс "Введение в анализ данных на Python" на Stepik: Раздел по визуализации.
• Документация Matplotlib: matplotlib.org/stable/tutorials/ (для справки, но можно посмотреть галерею примеров).
• Документация Seaborn: seaborn.pydata.org/tutorial.html (более высокоуровневая библиотека для красивых графиков).
• YouTube: "Matplotlib tutorial", "Seaborn tutorial".

---

Неделя 7: Автоматизация отчётов и функции для повторного использования

Что изучить:

1. Объединение всех шагов в один скрипт:
2. Создание единого файла .py, который выполняет загрузку, обработку, анализ, визуализацию и сохранение отчёта.
3. Создание функций для автоматизации:
4. Оборачивание повторяющихся блоков кода в функции (например, функция для загрузки данных, функция для расчёта метрик).
5. Параметризация функций (например, передача пути к файлу, даты начала/конца).
6. Основы работы с датами и временем (datetime):
7. Преобразование строк в даты.
8. Фильтрация по датам.

Практическое задание:

• Практика с реальной задачей: Создайте Python-скрипт (.py файл), который:
• Принимает на вход путь к файлу отчёта по продажам (можно задать как переменную в начале скрипта).
• Загружает данные.
• Очищает данные (обрабатывает пропуски, дубликаты).
• Рассчитывает ключевые метрики (общая выручка, средний чек, топ-5 товаров по выручке).
• Строит 2-3 графика (например, динамика продаж, выручка по товарам).
• Сохраняет обработанные данные и графики в отдельную папку.
• Оберните часть логики в функции (например, load_and_clean_data(file_path), calculate_metrics(df)).
• Добавьте фильтрацию данных по дате (например, только за последний месяц).

Как проверить, что тема усвоена:

• Вы можете создать полноценный скрипт, который автоматизирует весь процесс отчёта.
• Вы используете функции для структурирования кода и его повторного использования.
• Ваш скрипт работает без ошибок и выдаёт ожидаемые результаты.

Ресурсы:

• Real Python: Статьи по структурированию кода, функциям.
• Stack Overflow: Для поиска решений конкретных проблем.
• Практика, практика, практика!

---

Неделя 8: Расширение функционала и подготовка к следующему уровню

Что изучить:

1. Дополнительные возможности Pandas:
2. Объединение DataFrame (pd.merge(), pd.concat()) – если у вас несколько источников данных.
3. Применение функций к столбцам (.apply()).
4. Обработка ошибок (try-except):
5. Как сделать скрипт более устойчивым к ошибкам (например, если файл не найден).
6. Основы Git и GitHub (опционально, но очень полезно):
7. Что это такое и зачем нужно.
8. Как создать репозиторий и сделать первый коммит.
9. Повторение и закрепление:
10. Просмотр всего пройденного материала.
11. Решение дополнительных задач.

Практическое задание:

• Практика с реальной задачей:
• Попробуйте объединить ваш отчёт по продажам с другим небольшим файлом (например, список товаров с их категориями) с помощью pd.merge().
• Добавьте в ваш скрипт обработку ошибок (например, если файл отчёта не существует, скрипт должен вывести сообщение об ошибке, а не упасть).
• Создайте функцию, которая принимает на вход DataFrame и возвращает отчёт в виде словаря с ключевыми метриками.
• (Опционально) Загрузите ваш скрипт на GitHub.

Как проверить, что тема усвоена:

• Вы можете объединять данные из разных источников.
• Ваш скрипт устойчив к базовым ошибкам.
• Вы чувствуете себя уверенно, применяя Python для решения задач анализа данных.
• Вы можете объяснить, как работает ваш скрипт и какие задачи он решает.

Ресурсы:

• Документация Pandas: Разделы merge, concat, apply.
• Курс "Введение в Git" на Stepik: stepik.org/course/3553/syllabus (бесплатный, на русском).
• YouTube: "Python error handling", "Git for beginners".

---

Частые ошибки новичков и как их избежать:

1. Неправильный синтаксис: Python очень чувствителен к отступам, двоеточиям, скобкам.
2. Решение: Внимательно следите за сообщениями об ошибках, используйте хорошую IDE (Jupyter Notebook, VS Code), которая подсвечивает синтаксис.
3. Непонимание типов данных: Попытка сложить строку с числом, например.
4. Решение: Всегда проверяйте тип данных (type()) и при необходимости преобразуйте их (int(), str(), float()).
5. Неправильная индексация/фильтрация в Pandas: Ошибки при выборе столбцов или строк.
6. Решение: Внимательно читайте документацию, используйте df.head() и df.info() для проверки структуры DataFrame.
7. Забывание импортировать библиотеки: Попытка использовать pd.read_csv() без import pandas as pd.
8. Решение: Всегда начинайте скрипт с импорта необходимых библиотек.
9. Отсутствие структурирования кода: Весь код в одном большом блоке.
10. Решение: Используйте функции для разбиения кода на логические части, добавляйте комментарии.
11. Боязнь ошибок: Ошибки – это нормально, они помогают учиться.
12. Решение: Читайте сообщения об ошибках, ищите их в Google/Stack Overflow. Это один из самых эффективных способов обучения.
13. Недостаточная практика: Просто чтение теории не даёт навыков.
14. Решение: Решайте как можно больше практических задач, особенно с реальными данными.

---

Как понять, что пора переходить к следующему уровню:

• Вы чувствуете себя уверенно: Вы можете самостоятельно написать скрипт для автоматизации отчёта по продажам от начала до конца, без постоянного обращения к шпаргалкам по базовым вещам.
• Вы понимаете сообщения об ошибках: Вы можете прочитать ошибку и хотя бы примерно понять, что пошло не так, и как это исправить.
• Вы можете адаптировать код: Вы можете взять чужой код или свой старый код и легко изменить его под новые требования (например, добавить новую метрику, изменить источник данных).
• Вы можете объяснить свой код: Вы можете рассказать другому человеку, как работает ваш скрипт, почему вы приняли те или иные решения.
• Вы начинаете задавать более сложные вопросы: Вместо "как сделать цикл?" вы спрашиваете "как оптимизировать этот цикл для больших данных?" или "какой алгоритм лучше использовать для прогнозирования продаж?".
• Вы начинаете думать о более сложных задачах: Например, как интегрировать данные из нескольких источников, как создать интерактивный дашборд, как использовать машинное обучение для прогнозирования.

---

Удачи в вашем обучении! Это амбициозный, но вполне достижимый план. Главное – регулярность и практика.