<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>pandas &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/pandas/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 25 Dec 2025 14:09:14 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>pandas &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Скользящие оконные функции в Pandas</title>
		<link>https://mlgu.ru/6872/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 25 Dec 2025 11:42:20 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6872</guid>

					<description><![CDATA[Скользящие оконные функции решают фундаментальную задачу анализа временных рядов: извлечение локальных паттернов из последовательных данных. Метод основан на применении агрегирующих операций к подмножествам наблюдений фиксированного размера, которые последовательно сдвигаются вдоль временной оси. Библиотека Pandas предоставляет три типа окон для работы с временными рядами: rolling &#8212; фиксированный размер; expanding &#8212; растущее от начала; exponentially weighted &#8212; [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Ускорение численных вычислений в Python: Numba, JIT на примерах из Data Science</title>
		<link>https://mlgu.ru/5210/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 10 Oct 2025 21:24:35 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5210</guid>

					<description><![CDATA[Python остается доминирующим языком в Data Science, однако его интерпретируемая природа создает узкие места при работе с большими объемами данных. Цикл длительных симуляций, обработки миллиона строк может занимать минуты там, где компилируемые языки справляются за секунды. Numba решает эту проблему через JIT-компиляцию, транслируя Python-код в машинный код во время выполнения. Библиотека особенно эффективна для задач [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Алгоритмы сбора биржевых данных: практическое руководство</title>
		<link>https://mlgu.ru/4916/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 02 Oct 2025 09:51:31 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[мониторинг]]></category>
		<category><![CDATA[платформы для биржевой торговли]]></category>
		<category><![CDATA[торговые алгоритмы]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4916</guid>

					<description><![CDATA[Финансовые рынки генерируют колоссальные объемы данных: котировки тысяч активов, отчеты компаний, новостные потоки. Умение быстро и качественно собирать, обрабатывать и агрегировать эти данные &#8212; важное конкурентное преимущество. Профессиональный подход к сбору биржевых данных — это не просто загрузка котировок. Это комплексная система, включающая мониторинг источников, обработку аномалий, синхронизацию временных рядов из разных источников и построение [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Массивы NumPy и Pandas. Техники дескриптивного анализа</title>
		<link>https://mlgu.ru/1535/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 02 May 2025 06:27:18 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[big data]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[seaborn]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1535</guid>

					<description><![CDATA[В мире анализа данных сложно переоценить важность эффективных инструментов для работы с большими массивами информации. В этой статье я хочу поделиться своим опытом использования двух фундаментальных библиотек Python для анализа данных: NumPy и Pandas, а также рассказать о техниках дескриптивного анализа, которые позволяют извлечь максимум полезной информации из имеющихся данных. Фишки NumPy: высокопроизводительные вычисления с [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Анализ фьючерса на Brent с помощью Pandas, Sklearn, Hmmlearn</title>
		<link>https://mlgu.ru/1495/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 01 May 2025 20:20:16 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[временные ряды]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1495</guid>

					<description><![CDATA[Фьючерсы на Brent являются международным эталоном для мировых цен на нефть, их мониторят нефтяные трейдеры во всем мире. Они представляют собой контракты, которые обязывают покупателя приобрести, а продавца продать определенное количество нефти в будущем по цене, согласованной сегодня. Профессиональный анализ фьючерсов на нефть Brent может дать значительное преимущество трейдерам и инвесторам, особенно если применять современные [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Анализ данных с Python на примере исследования изменения температуры в мире и России</title>
		<link>https://mlgu.ru/1088/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 09 Nov 2024 20:38:33 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[поиск закономерностей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1088</guid>

					<description><![CDATA[Среднегодовая температура воздуха в большинстве стран растет с каждым годом. Это факт. И виноват в этом в первую очередь человек. Ученые подтвердили связь, а также влияние человеческой деятельности на климат. Многочисленные свидетельства указывают на беспрецедентный уровень изменения климата в истории человечества. В период с 2011 по 2020 год глобальная температура поверхности Земли была примерно на [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>RFM-анализ с помощью Python</title>
		<link>https://mlgu.ru/1071/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 09 Nov 2024 17:47:39 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[seaborn]]></category>
		<category><![CDATA[бизнес аналитика]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1071</guid>

					<description><![CDATA[RFM-анализ &#8212; это мощный метод сегментации клиентов, основанный на трех ключевых метриках их поведения: Recency (давность последней покупки), Frequency (частота покупок) и Monetary Value (денежная ценность клиента). За свою карьеру в области data science я убедился, что это один из самых эффективных способов понять и структурировать клиентскую базу. Каждый раз, когда я применяю RFM-анализ в [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Анализ данных с Python на примере инцидентов с автобусами Лондона</title>
		<link>https://mlgu.ru/1023/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 09 Nov 2024 09:02:45 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[корреляции]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1023</guid>

					<description><![CDATA[Лондон &#8212; это столица Великобритании и один из крупнейших городов мира. Этот город также обладает одной из самых развитых транспортных систем в мире. Лондонский метрополитен &#8212; один из крупнейших и старейших в мире, общая протяженность его сети превышает 400 км и насчитывает 270 станций. Автобусная сеть Лондона также является одной из крупнейших в мире. Она [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Анализ песен рейтинга Billboard Top-100 с 1958 по 2023 гг</title>
		<link>https://mlgu.ru/943/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 02 Nov 2024 19:29:56 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[бизнес аналитика]]></category>
		<category><![CDATA[поиск закономерностей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=943</guid>

					<description><![CDATA[Честно говоря, я не очень верю в рейтинги песен. Потому что музыка сегодня &#8212; это, в основном, дело вкуса. И то, что популярно в одних сообществах, не обязательно популярно в других. Однако надо признать, что такие рейтинги существуют, за ними следят, их изучают, и артисты стараются попасть в них любой ценой. Особенно если такие рейтинги [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Как предсказать отток клиентов с помощью машинного обучения</title>
		<link>https://mlgu.ru/920/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 01 Nov 2024 20:54:07 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[lightgbm]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[пайплайны]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=920</guid>

					<description><![CDATA[Клиентский отток &#8212; это одна из ключевых проблем современного бизнеса, особенно для компаний, работающих по модели подписки или регулярных продаж. В этой статье я поделюсь своим опытом и расскажу, как построить эффективную модель машинного обучения для предсказания оттока. Почему прогнозирование оттока так важно? Привлечение нового клиента обходится бизнесу в 5-25 раз дороже, чем удержание существующего. [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
