<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Andrea Jirásková on Medium]]></title>
        <description><![CDATA[Stories by Andrea Jirásková on Medium]]></description>
        <link>https://medium.com/@andrea.jiraskova?source=rss-3aab71056c07------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*dmbNkD5D-u45r44go_cf0g.png</url>
            <title>Stories by Andrea Jirásková on Medium</title>
            <link>https://medium.com/@andrea.jiraskova?source=rss-3aab71056c07------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 01:09:02 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@andrea.jiraskova/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Kamenné Žehrovice in numbers]]></title>
            <link>https://medium.com/@andrea.jiraskova/kamenn%C3%A9-%C5%BEehrovice-in-numbers-d88fa5f34a83?source=rss-3aab71056c07------2</link>
            <guid isPermaLink="false">https://medium.com/p/d88fa5f34a83</guid>
            <category><![CDATA[population]]></category>
            <category><![CDATA[czech-statistical-office]]></category>
            <category><![CDATA[statistics]]></category>
            <category><![CDATA[český-statistický-úřad]]></category>
            <category><![CDATA[kamenne-žehrovice]]></category>
            <dc:creator><![CDATA[Andrea Jirásková]]></dc:creator>
            <pubDate>Mon, 16 Nov 2026 16:42:09 GMT</pubDate>
            <atom:updated>2026-11-16T18:50:32.591Z</atom:updated>
            <content:encoded><![CDATA[<p><em>How the village I live in changed between 1991 and 2025.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PM1w4niskr68SYmCE6J86Q.jpeg" /><figcaption>Turyňský pond near Kamenné Žehrovice. Photo by Petr Blecha, Wikimedia Commons, CC BY 3.0.</figcaption></figure><h3>What I wanted to find out</h3><p>I live in Kamenné Žehrovice, and I have been interested in demographics and population statistics for some time. I wanted to know whether more people live here than in the past, and how much of that change is explained by people moving into or out of the village.</p><p>So I set myself a task: to create an overview that other local residents could explore too. They might look up the year they moved here, the year a new member of their family was born, or the year they lost someone close to them.</p><h3>About me</h3><p>My name is Andrea Jirásková. I was one of the two people behind the Prague public transport delay project previously published on this account, which we presented as part of the Czechitas Digital Academy. In that project, we wanted to find out whether delays changed with the weather. We combined public transport service and route data with weather data, processed it in Python and Keboola, and presented the results in an interactive Power BI dashboard.</p><p>After working as a pair, I wanted to try a smaller project on my own. This time, I used my existing knowledge of Power BI and SQLite and learned how to work with Google Data Studio.</p><h3>About Kamenné Žehrovice</h3><p>Kamenné Žehrovice is a village in the Kladno district of Central Bohemia, Czechia. It lies approximately seven kilometres west of Kladno and around 30 kilometres west of central Prague, on the edge of the Křivoklát Highlands, close to the Lány game reserve and the Křivoklátsko Protected Landscape Area.</p><p>Road connections towards Prague and Karlovy Vary, together with the Prague–Rakovník railway, make the village easy to reach. It is also a starting point for walks and cycle rides in the surrounding forests and around nearby Turyňský pond. The popular Drvotova nature trail follows the Kačák stream and the Záplavy wetland area.</p><p>The village is particularly associated with the quarrying of local sandstone, known as Žehrovice sandstone or arkose. Stone from the surrounding quarries was used for centuries in important Czech buildings and monuments, including Charles Bridge and St Vitus Cathedral.</p><p>Another, shorter nature trail, Mrákavy, focuses on local trees and woodland.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.google.com%2Fmaps%2Fembed%2Fv1%2Fplace%3Fcenter%3D50.1257906%252C14.0060237%26key%3DAIzaSyD9HrlRuI1Ani0-MTZ7pvzxwxi4pgW0BCY%26zoom%3D14%26q%3DKamenn%25C3%25A9%2B%25C5%25BDehrovice&amp;display_name=Google+Maps&amp;url=https%3A%2F%2Fwww.google.com%2Fmaps%2Fplace%2FKamenn%25C3%25A9%2B%25C5%25BDehrovice%2F%4050.1257906%2C14.0060237%2C14z%2Fdata%3D%213m1%214b1%214m6%213m5%211s0x470bb66361f90f0b%3A0x400af0f66153020%218m2%213d50.1278758%214d14.015268%2116s%252Fm%252F06w7sbj%3Fentry%3Dtts%26g_ep%3DEgoyMDI2MTExMC4wIOC7DCoASAFQAw%253D%253D%26skid%3D7d021f5d-7299-470d-b8af-a660c5a011d6&amp;image=http%3A%2F%2Fmaps-api-ssl.google.com%2Fmaps%2Fapi%2Fstaticmap%3Fcenter%3D50.1257906%2C14.0060237%26zoom%3D15%26size%3D250x250%26sensor%3Dfalse&amp;type=text%2Fhtml&amp;schema=google" width="600" height="450" frameborder="0" scrolling="no"><a href="https://medium.com/media/2358a3803b288609daaf537cde48dc04/href">https://medium.com/media/2358a3803b288609daaf537cde48dc04/href</a></iframe><p><a href="https://www.google.com/maps?ll=50.125791,14.006024&amp;z=14&amp;t=m&amp;hl=cs&amp;gl=US&amp;mapclient=embed&amp;q=Kamenn%C3%A9+%C5%BDehrovice">Mapy Google</a></p><h3>The aim of the project</h3><p>I had wanted to carry out this analysis for a long time. My first goal was simply to find out whether I could complete an interesting analysis independently. I had already downloaded the data, but limited time and uncertainty about the questions I wanted to ask meant that it sat untouched for a while. Eventually, I decided to see what two datasets could tell me about my own village, which was one of the few villages with complete records in the downloaded data.</p><p>Alongside population change, I wanted to show births, deaths, and the numbers of people moving in and out. I was also interested in marriages and divorces, and whether any local patterns differed from those in the rest of the country. I originally hoped to go further back in time. The population dataset started in 1971, but the downloaded marriage and divorce data began in 1991. I therefore chose 1991–2025 as the common period for all the charts.</p><p><a href="https://csu.gov.cz/uvodni-informace">Introduction to the Czech Statistical Office municipal demographic database</a> — in Czech.</p><h3>How I started</h3><p>I downloaded two tables for the Kladno district from the Czech Statistical Office, or CZSO. I built the first version in Power BI and initially planned two pages: an overview of the full period and a detailed view of one selected year. When I tried to publish the report, I ran into limitations with my account.</p><p>I then returned to the source files and opened them in DB Browser for SQLite. I prepared a combined CSV table, which I called K_Z.csv, and uploaded it to Google Data Studio. Its layout and features were different from those in Power BI, so I used ChatGPT for guidance while learning how to build a version that I could share by link and use with a year selector. The original CSV structure worked for the overview page, but it was not suitable for everything I wanted to show.</p><p>I gradually realised that I needed an additional supporting table for the annual population balance. In this table, births, deaths, people moving in, and people moving out are arranged by year and event category. It also contains the population figures and the summary values used by the four scorecards. This structure allows the two doughnut charts and the scorecards to respond to the same year selection.</p><h3>Preparing the data in DB Browser for SQLite</h3><p>Immediately after importing the files, I found that the columns were named field1, field2, and so on. The header had been imported as the first row of data. I used it to identify the contents of each column, then gave the fields more descriptive names in the query output. I converted years and counts to numbers. Where dashes represented zero population change, I replaced them with zeros so that the values could be used in calculations.</p><p>One of my checks was straightforward: the total population change during a year should match the difference between the population at the beginning and at the end of that same year. This check passed for all 35 years.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/786/1*-yO1o6XCEmDMK3tvDvRRdg.png" /><figcaption>The data model used to prepare the datasets.</figcaption></figure><h3>The visualisations</h3><p>For this English edition, I am using embedded views from the English version of my Google Data Studio report in place of the original chart screenshots. The project itself began in Power BI, and moving between the two tools became an important part of the process.</p><p>The overview shows the whole period. Alongside the population trend, it includes charts for births and deaths, marriages and divorces, and net migration. It helps me identify years that deserve a closer look.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fdatastudio.google.com%2Fembed%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2F%3Fs%3DoBdXaW15_zg%26feature%3Doembed&amp;dntp=1&amp;display_name=Data+Studio&amp;url=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%3Fs%3DoBdXaW15_zg&amp;image=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2Fthumbnail%3Fsz%3Dw1920-h1080-p-nu%26feature%3Doembed&amp;type=text%2Fhtml&amp;schema=google" width="1920" height="1115" frameborder="0" scrolling="no"><a href="https://medium.com/media/c8bdff11e6739b6af66cdf211014967c/href">https://medium.com/media/c8bdff11e6739b6af66cdf211014967c/href</a></iframe><p>The annual population balance focuses on one selected year. At the top are four scorecards showing the population on 31 December, the combined number of births and people moving in, the combined number of deaths and people moving out, and the total population change. Below them are two doughnut charts: births and people moving in on the left, and people moving out and deaths on the right. In the full interactive report, changing the selected year updates the scorecards and charts together.</p><p>The doughnut charts took the most work during the move from Power BI to Data Studio. The original CSV stored each count in a separate column. I used UNION to stack the relevant data into rows, creating two categories with a label and a count for each chart. This allowed both charts to use the same year selection.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fdatastudio.google.com%2Fembed%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2F%3Fs%3Dr3cRIXFIi1o%26feature%3Doembed&amp;dntp=1&amp;display_name=Data+Studio&amp;url=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%3Fs%3Dr3cRIXFIi1o&amp;image=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2Fthumbnail%3Fsz%3Dw1920-h1080-p-nu%26feature%3Doembed&amp;type=text%2Fhtml&amp;schema=google" width="1920" height="1115" frameborder="0" scrolling="no"><a href="https://medium.com/media/e160b9ae7e01b033ed2e28bb5c41c14e/href">https://medium.com/media/e160b9ae7e01b033ed2e28bb5c41c14e/href</a></iframe><h3>Everything worked until I published the report on Medium</h3><p>Sharing the report brought another problem. In my initial setup, the charts were visible to me but disappeared when someone opened them using a different account. Moving the underlying data to Google Sheets resolved that visibility issue.</p><p>I also found that the year selector did not work reliably inside the report embedded in Medium, even though it worked in the full report. That was why I added a direct link to the complete analysis. If a control does not respond in an embedded view, please open the full English report using the link above.</p><p>I would be grateful for any reports of problems, or advice on making the embedded controls work reliably on Medium.</p><h3>What I found</h3><p>At the end of 1991, Kamenné Žehrovice had 1,541 residents. The highest population in the period I studied was recorded at the end of 2013, when the village had 1,784 residents. After that, the longer-term trend was downward, and the population stood at 1,636 at the end of 2025.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fdatastudio.google.com%2Fembed%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2F%3Fs%3DmkWOR8basHE%26feature%3Doembed&amp;dntp=1&amp;display_name=Data+Studio&amp;url=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%3Fs%3DmkWOR8basHE&amp;image=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2Fthumbnail%3Fsz%3Dw1920-h1080-p-nu%26feature%3Doembed&amp;type=text%2Fhtml&amp;schema=google" width="1920" height="1115" frameborder="0" scrolling="no"><a href="https://medium.com/media/7e3ad40775d51de4d3949cb3b2316212/href">https://medium.com/media/7e3ad40775d51de4d3949cb3b2316212/href</a></iframe><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fdatastudio.google.com%2Fembed%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2F%3Fs%3DgaDe8cdLSCU%26feature%3Doembed&amp;dntp=1&amp;display_name=Data+Studio&amp;url=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%3Fs%3DgaDe8cdLSCU&amp;image=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2Fthumbnail%3Fsz%3Dw1920-h1080-p-nu%26feature%3Doembed&amp;type=text%2Fhtml&amp;schema=google" width="1920" height="1115" frameborder="0" scrolling="no"><a href="https://medium.com/media/069b44592b4ad53258df338b65ecfc25/href">https://medium.com/media/069b44592b4ad53258df338b65ecfc25/href</a></iframe><p>Looking at the growth before 2013, the year 2007 caught my attention. That year, 94 people moved into the village and 39 moved away. Net migration therefore added 55 residents out of a total population increase of 60. The remaining increase came from 16 births and 11 deaths.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fdatastudio.google.com%2Fembed%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2F%3Fs%3DnojLIgito3o%26feature%3Doembed&amp;dntp=1&amp;display_name=Data+Studio&amp;url=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%3Fs%3DnojLIgito3o&amp;image=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2Fthumbnail%3Fsz%3Dw1920-h1080-p-nu%26feature%3Doembed&amp;type=text%2Fhtml&amp;schema=google" width="1920" height="1115" frameborder="0" scrolling="no"><a href="https://medium.com/media/b3e4df95951d2c6f2a899237cf87979b/href">https://medium.com/media/b3e4df95951d2c6f2a899237cf87979b/href</a></iframe><p>Migration also made a difference in 2025. Seven children were born and 23 people died. However, 61 people moved in and 25 moved out, giving the village an overall increase of 20 residents during the year.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fdatastudio.google.com%2Fembed%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2F%3Fs%3DkyjHn6mxsaE%26feature%3Doembed&amp;dntp=1&amp;display_name=Data+Studio&amp;url=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%3Fs%3DkyjHn6mxsaE&amp;image=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2Fthumbnail%3Fsz%3Dw1920-h1080-p-nu%26feature%3Doembed&amp;type=text%2Fhtml&amp;schema=google" width="1920" height="1115" frameborder="0" scrolling="no"><a href="https://medium.com/media/070096ec2c0a7974895e9b0aaabc7e73/href">https://medium.com/media/070096ec2c0a7974895e9b0aaabc7e73/href</a></iframe><p>Between 1991 and 2025, the CZSO recorded 266 marriages and 188 divorces in Kamenné Žehrovice. Marriages outnumbered divorces in 24 of the 35 years studied. From 2019 to the end of the period, this was true every year. In this village, marriages seem to be doing rather well.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fdatastudio.google.com%2Fembed%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2F%3Fs%3DqoaST2qnx6o%26feature%3Doembed&amp;dntp=1&amp;display_name=Data+Studio&amp;url=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%3Fs%3DqoaST2qnx6o&amp;image=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2Fthumbnail%3Fsz%3Dw1920-h1080-p-nu%26feature%3Doembed&amp;type=text%2Fhtml&amp;schema=google" width="1920" height="1115" frameborder="0" scrolling="no"><a href="https://medium.com/media/149d4a6586e61046d346edc0a61a596e/href">https://medium.com/media/149d4a6586e61046d346edc0a61a596e/href</a></iframe><p>Between 2020 and 2021, the number of deaths increased from 16 to 30. This rise coincided with the COVID-19 pandemic. The chart shows total deaths, however, and I would need data on causes of death in the village to explain the increase properly. I do not currently have that information, but I would like to return to it in a future project.</p><p>The highest number of deaths in the period studied was recorded in 2024, when 31 people died. For births, 2008 stands out: the CZSO recorded 25 live births, the highest annual total between 1991 and 2025.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fdatastudio.google.com%2Fembed%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2F%3Fs%3DkpqVbHZyb68%26feature%3Doembed&amp;dntp=1&amp;display_name=Data+Studio&amp;url=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%3Fs%3DkpqVbHZyb68&amp;image=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F986de645-8867-47e9-8bf7-484b35fc5825%2Fthumbnail%3Fsz%3Dw1920-h1080-p-nu%26feature%3Doembed&amp;type=text%2Fhtml&amp;schema=google" width="1920" height="1115" frameborder="0" scrolling="no"><a href="https://medium.com/media/a4dd9810280d5003700621e458b415f2/href">https://medium.com/media/a4dd9810280d5003700621e458b415f2/href</a></iframe><h3>What I enjoyed</h3><p>I enjoyed working on the project from the beginning, even though the process was not always straightforward. While testing the report, I particularly liked moving from the overall trend to one specific year and comparing the figures. If a rise or fall caught my attention, I could open the annual balance for that year and look at the individual counts.</p><p>Because this is my own village, I naturally wondered what had been happening locally at the time. I did not have enough time to look through the village chronicle or search for historical context on Wikipedia. That is something I want to do next.</p><h3>What I learned</h3><p>From an analytical point of view, I learned to distinguish between a population count on a particular date and the change during a year. For example, Kamenné Žehrovice had 1,727 residents at the end of 2020, while the table gives 1,699 residents at the beginning of 2021. The CZSO adjusted the opening population to reflect the census results. The population balance for 2021 is then calculated from that revised starting point.</p><p><a href="https://csu.gov.cz/vysvetlivky-k-databazi">Explanatory notes for the CZSO municipal demographic database</a> — in Czech.</p><p>As for the tools, I learned how to work with Google Data Studio. I found it challenging at times, but it gave me a way to share an interactive report without the Power BI account upgrade I would otherwise have needed.</p><p>For the English version, I worked through the report element by element, updating chart titles, axis labels, legends, navigation buttons and the instructions for selecting a year. Some legend labels came from calculated fields, so I adapted the text in those formulas to display English category names alongside the original counts. For local migration, I used “people moving in” and “people moving out”, because the figures include moves within Czechia as well as moves to or from abroad. ChatGPT helped me translate the article and provided guidance on the English wording and the technical steps in Data Studio. This edition also replaces the original chart screenshots with embedded views of the English report.</p><h3>What I would do differently</h3><p>Next time, I would create a data dictionary and draw the data model as soon as I downloaded the files. In this project, I had downloaded the data some time before I started working on it, which made it harder to return to and understand the files later.</p><p>I would also check the sharing requirements of each tool earlier and test publishing one finished page before building the rest. That would have saved me some of the time I spent transferring individual visualisations between the two tools.</p><p>The main practical skill I am taking away from this project is working with Google Data Studio. Its overall approach is similar to Power BI, but the available functions, configuration options, data structures, and visual design differ. I used ChatGPT for guidance while learning those differences. Data Studio is also a web-based tool, whereas I developed the original version in Power BI Desktop.</p><p>Having used both tools, I preferred the visual design and chart formatting available in Power BI. Google Data Studio, however, gave me a free way to publish and share the report using a Google account. The embedded views in this English article come from that version.</p><h3>What comes next</h3><p>I would like to develop this topic further by looking through the village chronicle and finding out what happened in Kamenné Žehrovice during particular years. I could start with 2007, when so many people moved here, and 2013, when the population reached its highest point in the period studied. Once I have found specific entries in the chronicle, I will return to the charts and write about what I discovered.</p><p>In the meantime, I also want to finish the autumn part of the Prague public transport delay project.</p><p>Did you enjoy this analysis? Do you have a question, or an idea for a topic I could explore next? Feel free to get in touch with me on LinkedIn.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kBMa9P5SxUjBnX-38Wxo0Q.jpeg" /><figcaption><strong><em>Chapel of the Name of the Virgin Mary in Kamenné Žehrovice in 2011. Photo by Stepkonicek, Wikimedia Commons. </em></strong><a href="https://commons.wikimedia.org/wiki/File:Kaplezehrovice.JPG"><strong><em>Original photograph</em></strong></a><strong><em>, </em></strong><a href="https://creativecommons.org/licenses/by-sa/3.0/"><strong><em>CC BY-SA 3.0</em></strong></a><strong><em>.</em></strong></figcaption></figure><p>Data source: <a href="https://csu.gov.cz/home?pjazyk=EN">Czech Statistical Office</a>.</p><p><a href="https://medium.com/@andrea.jiraskova/kamenn%C3%A9-%C5%BEehrovice-v-%C4%8D%C3%ADslech-5c08fc064ef5">Read the original article in Czech</a>.</p><p>My LinkedIn: <a href="http://www.linkedin.com/in/andrea-jiraskova">www.linkedin.com/in/andrea-jiraskova</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d88fa5f34a83" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kamenné Žehrovice v číslech]]></title>
            <link>https://medium.com/@andrea.jiraskova/kamenn%C3%A9-%C5%BEehrovice-v-%C4%8D%C3%ADslech-5c08fc064ef5?source=rss-3aab71056c07------2</link>
            <guid isPermaLink="false">https://medium.com/p/5c08fc064ef5</guid>
            <category><![CDATA[kamenné-žehrovice]]></category>
            <dc:creator><![CDATA[Andrea Jirásková]]></dc:creator>
            <pubDate>Wed, 11 Nov 2026 13:10:29 GMT</pubDate>
            <atom:updated>2026-11-16T18:51:52.901Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Jak se v letech 1991–2025 měnila obec, ve které žiji.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PM1w4niskr68SYmCE6J86Q.jpeg" /><figcaption><em>Turyňský rybník u Kamenných Žehrovic. Petr Blecha, Wikimedia Commons, CC BY 3.0.</em></figcaption></figure><h3>Co jsem si dala za úkol?</h3><p>V Kamenných Žehrovicích žiji a už nějakou dobu mě zajímá demografie a její ukazatelé. Chtěla jsem vědět, jestli je nás v obci víc než dřív a jakou roli v tom hraje stěhování lidí. A proto jsem si dala za úkol udělat přehled, který bych mohla ukázat i někomu, kdo zde bydlí, aby si v něm třeba našel rok, kdy se sem přistěhoval nebo se v rodině narodil nový člen či některý člen zemřel.</p><h3>O mně</h3><p>Jmenuji se Andrea Jirásková a jsem jedna polovina dvojice, která již v tomto účtu zpracovávala projekt o zpoždění pražské MHD, který jsme představily v rámci Digitální akademie Czechitas. Tehdy nás zajímalo, jestli se zpoždění mění s počasím. Spojily jsme údaje o spojích a trasách s daty o počasí, zpracovaly je v Pythonu a Keboole a výsledky ukázaly v interaktivním přehledu v Power BI. Po práci ve dvojici jsem si chtěla zkusit menší projekt sama. Tentokrát jsem využila pouze znalosti, které jsem měla v Power BI, v SQLite a k tomu jsem se naučila práci s Data studiem od Google.</p><h3>O Kamenných Žehrovicích</h3><p><strong>Kamenné Žehrovice</strong> jsou středočeská obec ležící v okrese Kladno, přibližně 7 kilometrů západně od Kladna a zhruba 30 kilometrů západně od centra Prahy. Rozkládají se na okraji Křivoklátské vrchoviny v těsném sousedství Lánské obory a chráněné krajinné oblasti Křivoklátsko. Přímo kolem obce prochází frekventovaná silnice I/6 (navazující na dálnici D6 ve směru na Karlovy Vary) a železniční trať z Prahy do Rakovníka, díky čemuž má místo výborné dopravní spojení a zároveň slouží jako přirozená vstupní brána do rozsáhlých křivoklátských lesů a k nedalekému Turyňskému rybníku, kolem kterého vede oblíbená naučná <strong>Drvotova stezka</strong> (stezka Povodím Kačáku a podél Záplav) vyhledávaná pěšími turisty i cyklisty.</p><p>Obec se dlouhodobě proslavila především těžbou kvalitního <strong>žehrovického pískovce (arkózy)</strong>, který se zde v okolních lomech lámal po staletí a posloužil ke stavbě řady významných českých památek včetně Karlova mostu či chrámu svatého Víta.</p><p>Další kratší naučnou stezkou jsou<strong> Mrákavy</strong>, která je zaměřená na místní stromy a lesní porost.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.google.com%2Fmaps%2Fembed%2Fv1%2Fplace%3Fcenter%3D50.1257906%252C14.0060237%26key%3DAIzaSyD9HrlRuI1Ani0-MTZ7pvzxwxi4pgW0BCY%26zoom%3D14%26q%3DKamenn%25C3%25A9%2B%25C5%25BDehrovice&amp;display_name=Google+Maps&amp;url=https%3A%2F%2Fwww.google.com%2Fmaps%2Fplace%2FKamenn%25C3%25A9%2B%25C5%25BDehrovice%2F%4050.1257906%2C14.0060237%2C14z%2Fdata%3D%213m1%214b1%214m6%213m5%211s0x470bb66361f90f0b%3A0x400af0f66153020%218m2%213d50.1278758%214d14.015268%2116s%252Fm%252F06w7sbj%215m2%211e4%211e2%3Fentry%3Dtts%26g_ep%3DEgoyMDI2MTEwOS4wIOC7DCoASAFQAw%253D%253D%26skid%3D0d9db313-5222-4a65-bd36-2d50b42fed23&amp;image=http%3A%2F%2Fmaps-api-ssl.google.com%2Fmaps%2Fapi%2Fstaticmap%3Fcenter%3D50.1257906%2C14.0060237%26zoom%3D15%26size%3D250x250%26sensor%3Dfalse&amp;type=text%2Fhtml&amp;schema=google" width="600" height="450" frameborder="0" scrolling="no"><a href="https://medium.com/media/2458bb662f4324d682370bdd828f4ca5/href">https://medium.com/media/2458bb662f4324d682370bdd828f4ca5/href</a></iframe><h3>Jaký byl cíl?</h3><p>Tuto analýzu jsem chtěla zpracovat dlouho a úplně mým prvotním cílem bylo zjistit, jestli si sama mohu nějakou zajímavou analýzu zpracovat. Data jsem měla stažené již nějakou dobu a dlouho jsem i z nedostatku času přemýšlela nad tím, co vlastně chci zjišťovat. A tak mě napadlo zjistit, co jsem schopná ze dvou datasetů vytáhnout za informace o mé vesnici, která jako jedna z mála jiných měla v datasetech kompletní data. Z dostupných dat jsem nakonec chtěla vedle vývoje počtu obyvatel i ukázat počty narozených, úmrtí a stěhování. Zajímalo mě i to, jak se v obci měnily počty sňatků a rozvodů a jestli se oproti zbytku republiky v něčem nelišíme. Původně jsem se chtěla podívat dál do minulosti. Údaje o obyvatelstvu jsem měla od roku 1971, ale u sňatků a rozvodů stažený dataset začal až od roku 1991. Proto jsem, jako společné období pro všechny grafy, zvolila roky 1991 až 2025.</p><p><a href="https://csu.gov.cz/uvodni-informace">Úvodní informace k databázi ČSÚ</a></p><h3>Jak jsem začala</h3><p>Z Českého statistického úřadu jsem si stáhla dvě tabulky pro okres Kladno. První verzi jsem zpracovala nejdříve v Power BI. Už tam jsem si rozvrhla dvě stránky. Na jedné měl být vývoj za celé období, na druhé detail jednoho roku. Když jsem chtěla přehled zveřejnit, narazila jsem na omezení svého účtu.</p><p>Potom jsem se vrátila ke zdrojovým souborům a otevřela je v DB Browseru for SQLite. Z nich jsem připravila jeden CSV soubor — finální pipeline tabulka, kterou jsem nazvala “K_Z.csv” a nahrála ho do Datového studia od Googlu. Jelikož v Datovém studiu je oproti Power BI jiné rozložení programu i funkcionalita, tak mi s návrhem pomáhal Chat GPT a tak jsem v tomto Data studiu sestavila verzi, kterou můžu sdílet přes odkaz i s výběrem roku. Ovšem původní csv fungovalo pouze pro stránku první.</p><p>Postupně jsem jistila , že jedinou tabulku bohužel nemohu použít pro obě stránky a Data studio funguje jiným způsobem než Power BI a proto jsem pro stránku Bilance roku použila ještě pomocnou tabulku. Údaje o narozených, zemřelých, přistěhovalých a vystěhovalých jsou v ní uspořádané podle roku a typu události. Obsahuje také počet obyvatel a souhrnné hodnoty pro čtyři přehledové karty. Díky tomuto uspořádání mohou oba koláčové grafy i karty reagovat na společný výběr roku.</p><h3>Jak jsem připravila data v DB Browser</h3><p>Hned po importu jsem zjistila že sloupce jsou pojmenované jakofield1, field2 a tak dál. Hlavička se totiž načetla jako první řádek dat. Podle ní jsem si ověřila, co ve kterém sloupci je, a ve výsledku dotazu dala polím jména, která lépe prozrazují vlastnosti sloupce. Roky a počty jsem převedla na čísla. Pomlčky u nulových přírůstků jsem převedla na nuly, aby se s nimi dalo počítat.</p><p>Jedna z kontrol byla jednoduchá. Celkový přírůstek za daný rok měl odpovídat rozdílu mezi počtem obyvatel na jeho začátku a na jeho konci. Tohle sedělo u všech 35 roků.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/786/1*-yO1o6XCEmDMK3tvDvRRdg.png" /><figcaption>Datový model</figcaption></figure><h3>Vizualizace</h3><p>V této práci kombinuji obrázky z vizualizací, jak z Power BI, tak i z data studia, tam kde je daná grafika lepší. Vizualizace z Data studia je možno zobrazit jako publikovanou analýzu.</p><p><strong>Přehled vývoje</strong> ukazuje celé období. Vedle počtu obyvatel jsou tam grafy narození a úmrtí, sňatků a rozvodů a také migrační přírůstek. Je to místo, kde si všimnu, které roky stojí za bližší pohled. Níže je vizualizace z Data studia.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fdatastudio.google.com%2Fembed%2Freporting%2F805a38c4-e52a-4448-a23e-2b7e9c11cc8f%2F%3Fs%3DsrU4DC7aCo8%26feature%3Doembed&amp;dntp=1&amp;display_name=Data+Studio&amp;url=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F805a38c4-e52a-4448-a23e-2b7e9c11cc8f%3Fs%3DsrU4DC7aCo8&amp;image=https%3A%2F%2Fdatastudio.google.com%2Freporting%2F805a38c4-e52a-4448-a23e-2b7e9c11cc8f%2Fthumbnail%3Fsz%3Dw1920-h1080-p-nu%26feature%3Doembed&amp;type=text%2Fhtml&amp;schema=google" width="1920" height="1115" frameborder="0" scrolling="no"><a href="https://medium.com/media/45e98f8c24ef65b52a7d3de768e29246/href">https://medium.com/media/45e98f8c24ef65b52a7d3de768e29246/href</a></iframe><p><strong>Bilance roku</strong> je naopak na jeden vybraný rok. Nahoře jsou čtyři karty s počtem obyvatel k 31. prosinci, počtem lidí, kteří přibyli, počtem těch, kteří ubyli, a celkovou změnou. Pod nimi jsou dva koláče. Vlevo jsou narození a přistěhovalí, vpravo zemřelí a vystěhovalí. Při změně roku se přepočítají karty i grafy.</p><p>Při přechodu z Power BI do Data studia mi nejvíc práce daly právě koláče. V CSV byl každý počet ve vlastním sloupci. V Datovém studiu jsem pomocí Union, kdy jsem výslednou tabulku duplikovala pod sebe, připravila pro každý koláč dvě kategorie s názvem a počtem. Díky tomu oba grafy reagují na stejný výběr roku.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fdatastudio.google.com%2Fembed%2Freporting%2F805a38c4-e52a-4448-a23e-2b7e9c11cc8f%2Fpage%2Fp_low42ea68d%3Ffeature%3Doembed&amp;dntp=1&amp;display_name=Data+Studio&amp;url=https%3A%2F%2Fdatastudio.google.com%2Fembed%2Freporting%2F805a38c4-e52a-4448-a23e-2b7e9c11cc8f%2Fpage%2Fp_low42ea68d&amp;image=https%3A%2F%2Fdatastudio.google.com%2Fembed%2Freporting%2F805a38c4-e52a-4448-a23e-2b7e9c11cc8f%2Fpage%2Fp_low42ea68d%2Fthumbnail%3Fsz%3Dw1920-h1080-p-nu%26feature%3Doembed&amp;type=text%2Fhtml&amp;schema=google" width="1920" height="1115" frameborder="0" scrolling="no"><a href="https://medium.com/media/0be0f29edb40b8dc6313e2333ed69a9e/href">https://medium.com/media/0be0f29edb40b8dc6313e2333ed69a9e/href</a></iframe><p>Veřejný odkaz na analýzu s výběry: <a href="https://datastudio.google.com/s/m8Tqz9DSNkg">https://datastudio.google.com/s/uantXD4bV50</a></p><h3>Všechno fungovalo až do zveřejnění vizualizace v mediu</h3><p>A tady nasal problém. Zjistila jsem, že Data studio nefunguje s vloženými tabulkami CSV správně. Všechny analýzy totiž mizely, když se do nich podíval někdo jiný s jiným účtem. Vše se opravilo po vložení záznamů do Google Disku jako tabulka Google. Ale stále není funkční list s bilancemi, tak aby si čtenář mohl vybrat rok, přímo v blogu — tento problém řeším. Proto jsem výše přidala odkaz na celou funkční analýzu, kde si můžete vyzkoušet prvek výběru roku na druhé straně. Budu ráda za jakékoliv nahlášení chyby nebo rady, jak zprovoznit výběry v blogu.</p><h3>Co jsem zjistila</h3><p>Na konci roku <strong>1991 </strong>v obci žilo <strong>1 541 lidí. </strong>Nejvyšší počet ve sledovaném období vyšel na konec roku <strong>2013</strong>, kdy měla obec <strong>1 784 obyvatel</strong>. Potom počet obyvatel v delším pohledu klesal a na konci roku 2025 jich bylo jen <strong>1 636</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/668/1*1D6wdv8MH-VITFEAkwtiuA.png" /><figcaption>Statická vizualizace: Vývoj počtu obyvatel — Power BI</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/898/1*yxXJUVcHKXgSVbIIPvb_Wg.png" /><figcaption>Statická vizualizace Bilance roku 2013 — Data studio od Google</figcaption></figure><p>Při pohledu na růst před rokem 2013 mě zaujal rok <strong>2007</strong>. Do obce se tehdy přistěhovalo 94 lidí a 39 se odstěhovalo. Samotným stěhováním tak přibylo 55 lidí z celkového přírůstku 60 (do celkového přírůstku jsem započítala i počet narozených — 16 a zemřelých 11).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/879/1*14YhnJgb60fcxkyEGw2Vkg.png" /><figcaption>Statická vizualizace roku 2007, data studio do Google</figcaption></figure><p>Stěhování bylo vidět i v roce <strong>2025</strong>. Narodilo se sedm dětí a zemřelo 23 lidí. Přistěhovalo se ale 61 lidí a odstěhovalo 25. Obec tak za rok získala 20 obyvatel.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/894/1*RipVq7fOvkWl9VEZoWaP_g.png" /><figcaption>Statická vizualizace roku 2025, data studio do Google</figcaption></figure><p>Dále v letech 1991 až 2025 evidoval ČSÚ pro Kamenné Žehrovice <strong>266 sňatků a 188 rozvodů</strong>. Sňatků bylo víc ve <strong>24 z 35 sledovaných let</strong>. Od roku 2019 až do konce přehledu to platilo každý rok. V téhle obci se sňatkům daří. Níže přikládám graf.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/697/1*aSI2qfDkVM1MtB60QIyYvQ.png" /><figcaption>Statická vizualizace vývoje sňatků oproti rozvodům — převzato z Power BI kvůli lepší viditelnosti čísel v grafu</figcaption></figure><p>Mezi lety 2020 a 2021 jsem zjistila, že se počet zemřelých v Kamenných Žehrovicích zvýšil z 16 na 30. Tenhle skok časově spadá do období pandemie covidu-19. V grafu níže mám celkové počty zemřelých. Avšak k uspokojivému vysvětlení nárůstu bych potřebovala údaje o příčinách úmrtí přímo v obci, které v tuto chvíli nedisponuji, ale hodlám se k nim vrátit v další práci.</p><p>Nejvyšší počet úmrtí ve sledovaném období připadl na <strong>rok 2024</strong>, kdy zemřelo <strong>31 lidí</strong>. U narozených vyčnívá <strong>rok 2008</strong>. Tehdy ČSÚ evidoval <strong>25 narozených dětí</strong>, nejvíc za celé období 1991–2025.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/645/1*M66D2Pdee7tpPsBMOnEw8w.png" /><figcaption>Statická vizualizace vývoje počtu zemřelých oproti narozeným</figcaption></figure><h3>Co mě bavilo</h3><p>Bavilo mě celé zpracovávání od samotného začátku i když cesta byla trnitá. Zároveň při zkoušce funkčnosti mě bavilo vracet se z velkého grafu k jednomu konkrétnímu roku a porovnávat data. Když mě na křivce zaujal nějaký výkyv, mohla jsem si v bilanci otevřít daný rok a podívat se na jednotlivé počty. U vlastní obce mě při tom přirozeně napadalo, co se tu v té době dělo, ale z důvodu času jsem se nedostala k tomu, abych si dohledala informace v kronice nebo ve wikipedii. To bude úkol na příště.</p><h3>Co jsem se naučila</h3><p>Po stránce analytiky a vývoje populace jsem se naučila rozlišovat mezi počtem obyvatel k určitému datu a změnou během roku. Třeba na konci roku 2020 měly Kamenné Žehrovice <strong>1 727 obyvatel</strong>, zatímco na začátku roku 2021 je v tabulce <strong>1 699</strong>. ČSÚ do výchozího stavu promítl výsledky sčítání. Od tohoto nového základu se pak počítá bilance roku 2021.</p><p><a href="https://csu.gov.cz/vysvetlivky-k-databazi">Vysvětlivky ČSÚ k databázi</a></p><p>V rámci programů, jak jsem výše zmínila jsem se naučila pracovat s Data Studiem od Google. Práce s ním je poměrně těžká, ale není potřeba platit si firemní verzi Power BI.</p><h3>Co bych udělala jinak</h3><p>Příště bych si vytvořila datový slovník a datový model nakreslila hned, jakmile bych si stáhla soubory. Tady jsem měla soubory stažené již nějakou dobu a pak bylo těžké se k nim vracet. Taky bych si dříve zjistila podmínky sdílení vizuálů v programech a vyzkoušela sdílení jedné hotové stránky. Ušetřila bych si část práce s převáděním jednotlivých vizuálů z jednoho programu do druhého. Tohle mi opravdu zabralo hodně času.</p><p>Z tohoto projektu si odnáším především znalost nového programu a to Datového studia od firmy Google. Práce s ním je principiálně podobná práci s Power BI, ale funkcionality a formáty nastavování se v obou programech liší a to i způsobem použití a grafikou. Z toho důvodu jsem využila návodu Chatu GPT. Zároveň se u Data studia jedná o webové řešení oproti desktopové verzi u Power BI. Oba programy jsem využila a myslím, že grafika a její zpracování je na výrazně lepší úrovni u Power BI, ale Data studio nabízí možnost bezplatného použití. Stačí mít pouze účet od Google.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9wKlEuTBuiviWBcLPVEMgw.png" /><figcaption>Statická vizualizace: Hlavní stránka v Power BI</figcaption></figure><h3>Co budu dělat dál</h3><p>Toto téma chci v budoucnu více rozpracovat a proto se chci podívat do obecní kroniky a zjistit, co se v Kamenných Žehrovicích v jednotlivých letech dělo. Začnu třeba rokem 2007, kdy se sem přistěhovalo tolik lidí, a rokem 2013, kdy měla obec ve sledovaném období nejvíc obyvatel. Až budu mít z kroniky konkrétní záznamy, ke grafům se vrátím a napíši, co jsem dohledala.</p><p>Mezitím chci dokončit podzimní část projektu o zpoždění pražské MHD.</p><p>Líbila se vám tahle analýza? Máte nějaké dotazy? Nebo máte nápad na to, co mohu zpracovat příště? Napište mi na LinkedIn!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kBMa9P5SxUjBnX-38Wxo0Q.jpeg" /><figcaption>Kaple Jména Panny Marie v Kamenných Žehrovicích v roce 2011. Foto Stepkonicek, Wikimedia Commons. <a href="https://commons.wikimedia.org/wiki/File:Kaplezehrovice.JPG">Kaplezehrovice.JPG</a> · <a href="https://creativecommons.org/licenses/by-sa/3.0/">CC BY-SA 3.0</a></figcaption></figure><p>Zdroj: <a href="https://csu.gov.cz/">https://csu.gov.cz/</a></p><p>Můj LinkedIn: <a href="http://www.linkedin.com/in/andrea-jiraskova">www.linkedin.com/in/andrea-jiraskova</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5c08fc064ef5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Weather and Transport in Prague]]></title>
            <link>https://medium.com/@andrea.jiraskova/weather-and-transport-in-prague-english-version-b92c1e0a1302?source=rss-3aab71056c07------2</link>
            <guid isPermaLink="false">https://medium.com/p/b92c1e0a1302</guid>
            <category><![CDATA[public-transportation]]></category>
            <category><![CDATA[transportation]]></category>
            <category><![CDATA[prague]]></category>
            <dc:creator><![CDATA[Andrea Jirásková]]></dc:creator>
            <pubDate>Tue, 09 Jun 2026 18:52:33 GMT</pubDate>
            <atom:updated>2026-06-11T10:01:11.637Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Mentees:</strong> Andrea Jirásková and Dana Lamatová</p><p><strong>Mentors:</strong> Aneta Hájková and Kryštof Středa</p><h3>How rain affects public transport delays, and what the data showed us</h3><p>Our goal was to find out whether and how weather conditions affect the delays of selected public transport lines in Prague. The project is the work of Andy and Dana from the spring run of the <a href="http://www.czechitas.cz/">Czechitas Digital Academy.</a> What brought us together was a shared interest in data, transport, and the practical questions of everyday life.</p><h3>Who we are</h3><p>Our names are <a href="http://www.linkedin.com/in/andrea-jiraskova">Andy </a>and Dana, and we are two classmates from the spring semester of the Czechitas Digital Academy. We met through a shared interest in data analysis and quickly discovered that we also had backgrounds in logistics and operations in common.</p><p>That is why the topic of transport came naturally to us. Dana lives in Prague and regularly uses public transport, while Andy commutes into Prague by car. At the start, we asked ourselves what effect the weather has on delays, both in public transport and in car traffic. As the work progressed, we narrowed the project down to public transport, because that was where we were able to connect sufficiently detailed operational data with weather data.</p><h3>Project goal and our hypothesis</h3><p>Our main analytical question was: “Do public transport lines in Prague run later in the rain than in dry weather”?</p><p>We started from our own experience that in bad weather more people may switch to private cars, traffic gets heavier, and this can in turn affect the punctuality of buses and trams. Our final hypothesis was therefore simple: public transport runs late when it rains.</p><p>Beyond the result itself, it was important to us to go through the entire data analysis process: from collecting the data, through cleaning, modelling and transformation, all the way to visualisation and interpretation of the results.</p><h3>How we started</h3><p>Originally, we wanted to track the delays of a few specific lines at selected stops. After consulting with our mentors at the first hackathon, we also considered comparing a journey from point A to point B by public transport and by car, at different times and in different weather.</p><p>While looking for suitable data sources, we drew inspiration from an excursion to the company Apify, where we were introduced to scraping and the possibilities of using artificial intelligence. <a href="http://www.chatgpt.com/">ChatGPT </a>helped us with API interfaces, but we gradually confirmed that every suggestion from AI needs to be checked, tested, and adapted to the reality of the data.</p><h3>Our data and tools</h3><p>We worked with data from several sources:</p><ul><li><a href="https://golemio.cz/"><strong>Golemio </strong></a><strong>/ TSK Praha</strong> — data on Prague transport: lines, stops, scheduled and actual arrivals, delays, direction of travel, and type of vehicle.</li><li><a href="http://www.windy.com/"><strong>Windy.com</strong></a> — our original source of meteorological data, which helped us in the first phase of the project.</li><li><a href="https://intranet.chmi.cz/"><strong>Czech Hydrometeorological Institute</strong> </a>— our final source of weather data, because we needed reliable information on precipitation.</li><li><a href="https://console.cloud.google.com/"><strong>Google Cloud API</strong></a> — the source we originally used to study car traffic. In the end we did not include it in the final analysis, because the available data was aggregated and could not be meaningfully linked to the weather.</li></ul><p>Our partners in project:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fwL0FHx02w8LkHiNeIEv8Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/183/1*taGRd5LwpJl7frRqFqF6HQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/174/1*uoQUMsrNfS2F43f0m12QJQ.png" /></figure><p>For processing and presenting the results, we mainly used Keboola and Snowflake for SQL, VS Code with Python, Power BI by Microsoft, Lucidchart for the data model, and the LLM tools Claude and ChatGPT as assistants for designing and checking our approach.</p><p>Keboola — our important partner.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/148/1*l5IwUXvg7EO19wgNqwErdg.png" /></figure><h3>The data processing workflow</h3><h3>1. Downloading data via API</h3><p>Our first source was the Golemio platform. Even though we only had basic Python knowledge at the start, after a few attempts we managed to build our first API request and obtain public transport data. We initially downloaded and processed the data in VS Code using libraries such as requests, datetime, pathlib, and dotenv, and at first we stored it in an SQLite database, which we later replaced with Keboola.</p><p>Over time, however, it became clear that local processing was not ideal for larger volumes of data. Downloads were not always complete, they were demanding on the computer’s performance, and the setup was not convenient for regular operation.<a href="https://gist.github.com/Lamatova/91cc0fbc75f204b960f80e11c2662657">Example </a>of part of the code — <a href="http://www.github.com/">Github</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/528/1*WpQHXaeZoVdG8m7oSNCeiQ.png" /><figcaption>Example of part of the original Python code for working with the data.</figcaption></figure><h3>2. Moving data to Keboola and working with the data model</h3><p>We therefore moved most of the processing to <a href="http://www.keboola.com/">Keboola</a>, which became our main tool for storing data, cleaning it, transforming it, joining tables, and finally exporting to Power BI.</p><p>Beginner’s enthusiasm soon caught up with us, though. We loaded roughly twelve tables into Keboola and at first did not exactly know what was in them or how they related to one another. On the recommendation of our mentors, Aneta and Kryštof, we therefore created a data dictionary and a corresponding data model. We devoted a large part of the first hackathon to exactly that.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UXRxbNldwdTfhTefA5fezA.jpeg" /><figcaption>Data model</figcaption></figure><p>Two days before the second hackathon, we discovered that the download of car traffic data from the Google Cloud API had stopped and that we only had fourteen days of data. At the same time, it turned out that the available car data was aggregated and could not be linked to the weather the way we needed. We therefore returned to our original hypothesis and decided to analyse six main surface public transport lines.</p><p>Another complication was the weather. The data from Windy did not contain information on precipitation, which was crucial for our project. In the end, we managed to obtain the data we needed from the Czech Hydrometeorological Institute, and we were able to continue with the transformations.</p><h3>3. SQL transformations and joining tables</h3><p>In Keboola, at first we unified the data <a href="https://gist.github.com/Lamatova/4f634bc14e7bbc2363360a2effe63d18">types and time formats</a>. We aggregated the weather data by hour, and from the public transport data we selected the columns important for the analysis. We then created a timestamp type in the same <a href="https://gist.github.com/Lamatova/91cc0fbc75f204b960f80e11c2662657">format and used a </a><a href="https://gist.github.com/Lamatova/91cc0fbc75f204b960f80e11c2662657">LEFT JOIN</a> to connect the operational data to the meteorological data.</p><p>We also added a <a href="https://gist.github.com/Lamatova/0d4c1381e8483a9729e2ed0aa6dd8680">Calendar</a> table so that we could work with days of the week, public holidays, and other time-based characteristics. After several adjustments, we sent the final table to Power BI through the Keboola Data Gateway.</p><p><em>Note: Underlined lines contain a link to the code on github.</em></p><h3>4. Visualisation and results</h3><p>For the visualisations, we used data measured from 1st April 2026 to 15th May 2026. We assessed public transport based on six main lines: three tram lines numbers: 9, 20, 22 and three bus lines nr. 136, 177 and nr. 195 . The data came from 286 stops and contained the arrivals of these lines over the entire observed period.</p><p>The highest daily average temperature during the period was 21.5 °C and the lowest was 3.1 °C. The highest hourly precipitation reached 3.18 mm, so in the analysis we worked only with the categories “no precipitation” and “light rain”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/699/1*4StQA83fzEI_hqbTFCcbeQ.png" /><figcaption><em>Distribution of the selected lines and measured stops in Prague.</em></figcaption></figure><h4>Rain increases delays, but less than we expected</h4><p>After processing the data, we compared the median delay over the course of the day in the rain and in dry weather. In most of the observed hours, delays during rain were higher, but the differences were not as pronounced as we had originally expected. The largest delays appeared during the afternoon rush hour, between 3 p. m. and 5 p.m.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_LsomwVbi2s0JgqVc2AmIA.png" /><figcaption><em>Median delay by hour of the day, in the rain and in dry weather.</em></figcaption></figure><h4>Buses run later than trams</h4><p>When comparing the types of transport, it turned out that buses had a slightly higher median delay than trams. Rain increased delays for both types of transport, but only by a matter of seconds. The influence of the weather therefore proved to be smaller than the influence of the daily rush hour.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Nxf1KD0kgzB-XcqqWUocVQ.png" /><figcaption><em>Comparison of bus and tram delays by weather.</em></figcaption></figure><h4>The rush hour plays the biggest role</h4><p>The analysis showed that the time of day has the greatest influence on public transport delays. For both buses and trams, two rush hours stood out clearly: in the morning between 7 a.m. and 8 a.m., and in the afternoon between 3 and 5 p.m. Buses had higher delays than trams for most of the day, probably because of their greater dependence on road traffic.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WLZ-MmA4WxnnVzk2lccPrA.png" /><figcaption><em>The course of bus and tram delays throughout the day — the daily peaks.</em></figcaption></figure><p>The heatmap confirmed that the largest delays occurred on working days, especially during the morning and afternoon rush hours. The highest values were recorded on Wednesdays and Thursdays around 8 a.m. and 4 p.m. At weekends, delays were significantly lower and traffic flowed more smoothly.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*m0JwGayljZei3rR_76KJ_g.png" /><figcaption><em>Heatmap of delays by day of the week and hour.</em></figcaption></figure><h3>The most delayed line and stops</h3><p>The highest median delay was recorded for bus line nr. 136, followed by tram line nr. 22 and bus line nr. 195. The lowest delay, on the other hand, was shown by bus line nr. 177. Among the most problematic stops were Malostranské náměstí (Malostranská square), Nuselské schody, and Lukášova stop.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1016/1*ujD-DPO1ecb5nFYSEdXhtA.png" /><figcaption><em>The most problematic stops and lines by median delay.</em></figcaption></figure><h3><strong>What we found out?</strong></h3><ul><li>Rain slightly increases public transport delays.</li><li>Buses run 38 seconds later than trams.</li><li>The daily rush hour has the greatest influence.</li><li>Line 136 had the highest median delay — 46 seconds.</li><li>The highest delays occurred mainly between 7–8 hr in the morning and between 3–5 hr in the afternoon.</li><li>At weekends, traffic flowed more smoothly than on working days.</li></ul><p>Our hypothesis was therefore only partly confirmed. Rain did increase delays, but its impact was not as strong as the influence of the time of day and the rush hour.</p><h3>What we enjoyed and what we would do differently</h3><p>Andy was primarily responsible for the data, both for downloading it and for obtaining the transport data from Golemio. After that, however, we did most of the work by taking turns, because we both wanted to genuinely experience the whole process.</p><p>We learned that you first need to think through the goal, the data sources, and the data model, and only then start downloading data at scale. Out of inexperience, we did not always choose the most efficient approach at the start, and so we lost a lot of time figuring out what we actually had and what could be used.</p><p>At the same time, we enjoyed the whole process. The work was not monotonous and we got to try out a real analytical project from start to finish. We learned how to deal with errors in the data, and confirmed that a good team, a sense of humour, and patience are just as important in data analysis as the technical tools.</p><h3>Thanks</h3><p>We would like to thank our mentors Aneta Hájková and Kryštof Středa from Accenture company for their guidance (mentoring) and valuable advice throughout the project. We also thank to Zorka and Soustruh from Keboola company for their help at the moments when we needed to get data into Keboola, and to the company Golemio for providing the transport data — specifically Kristýna Pokorná and Ing. Klára Horáková Chvalová.</p><p>Our thanks also go to The Czechitas for the opportunity to carry out the project and for the environment in which we could try out the work of data analysts in practice.</p><h3>What we take away from the project</h3><p>We take away the experience that data analysis is not just about charts and final numbers. A large part of the work lies in understanding the data, verifying its quality, looking for connections, and patiently fine-tuning the whole process. And it is precisely because of this that, for us, the project <strong><em>Weather and Transport in Prague</em> </strong>was not only a final project, but also a very practical lesson in what working with data looks like in the real world.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OqUnbedNes1gB-a2z1vGhg.png" /><figcaption>The project was created as the final thesis of the Digital Academy — Spring Run Data 2026 in <a href="https://www.czechitas.cz/">Czechitas, z. ú</a>.</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b92c1e0a1302" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Počasí a doprava v Praze]]></title>
            <link>https://medium.com/@andrea.jiraskova/po%C4%8Das%C3%AD-a-doprava-v-praze-a5ca9e585745?source=rss-3aab71056c07------2</link>
            <guid isPermaLink="false">https://medium.com/p/a5ca9e585745</guid>
            <dc:creator><![CDATA[Andrea Jirásková]]></dc:creator>
            <pubDate>Sun, 31 May 2026 18:36:39 GMT</pubDate>
            <atom:updated>2026-06-11T10:03:10.156Z</atom:updated>
            <content:encoded><![CDATA[<p>Mentees: Andrea Jirásková a Dana Lamatová</p><p>Mentoři: Aneta Hájková a Kryštof Středa</p><h3>Jak déšť ovlivňuje zpoždění MHD a co nám ukázala data</h3><p><strong>Naším cílem bylo zjistit, zda a jak meteorologické podmínky ovlivňují zpoždění vybraných linek městské hromadné dopravy v Praze. </strong>Za projektem stojí Andy a Dana z jarního běhu Czechitas Digitální akademie. Spojil nás zájem o data, dopravu i praktické otázky každodenního života.</p><h3>Kdo jsme</h3><p>Jmenujeme se Andy a Dana a jsme dvě spolužačky z jarního běhu Czechitas Digitální akademie. Potkaly jsme se díky zájmu o datovou analýzu a rychle zjistily, že nás spojuje i zkušenost z logistiky a provozu.</p><p>Téma dopravy proto přišlo přirozeně. Dana bydlí v Praze a pravidelně využívá MHD, zatímco Andy do Prahy dojíždí autem. Na začátku jsme si položily otázku, jaký vliv má počasí na zpoždění v MHD i v automobilové dopravě. V průběhu práce jsme projekt zúžily na MHD, protože právě tam jsme dokázaly propojit dostatečně detailní data o provozu s daty o počasí.</p><h3>Cíl projektu a hypotéza</h3><p>Hlavní analytická otázka zněla: zpožďuje se MHD v Praze při dešti více než za počasí bez srážek?</p><p>Vycházely jsme z vlastní zkušenosti, že při nepříznivém počasí může více lidí využívat individuální automobilovou dopravu, provoz houstne a to se může promítnout i do pravidelnosti autobusů a tramvají. Naše finální hypotéza tedy byla jednoduchá: při dešti se MHD zpožďuje.</p><p>Kromě samotného výsledku pro nás bylo důležité projít si celý proces datové analýzy: od získávání dat přes čištění, modelování a transformace až po vizualizaci a interpretaci výsledků.</p><h3>Jak jsme začaly</h3><p>Původně jsme chtěly sledovat zpoždění několika konkrétních linek na vybraných zastávkách. Po konzultaci s mentory na prvním hackathonu jsme uvažovaly i o porovnání cesty z bodu A do bodu B MHD a autem v různých časech a za různého počasí.</p><p>Při hledání vhodných datových zdrojů jsme se inspirovaly exkurzí ve společnosti Apify, kde jsme se seznámily se scrapingem a možnostmi využití umělé inteligence. ChatGPT nám pomohl nasměrovat se k API rozhraním, ale postupně jsme si ověřily, že každý návrh AI je potřeba kontrolovat, testovat a přizpůsobit realitě dat.</p><h3>Naše data a nástroje</h3><p>Pracovaly jsme s daty z několika zdrojů:</p><ul><li><a href="https://golemio.cz/"><strong>Golemio / TSK Praha</strong></a> — data o pražské dopravě, linkách, zastávkách, plánovaných a skutečných příjezdech, zpoždění, směru jízdy a typu dopravního prostředku.</li><li><a href="http://www.windy.com/"><strong>Windy.com</strong></a> — původní zdroj meteorologických dat, který nám pomohl v první fázi projektu.</li><li><strong>Český hydrometeorologický ústav</strong> — finální zdroj dat o počasí, protože jsme potřebovaly spolehlivě doplnit údaje o srážkách.</li><li><a href="https://console.cloud.google.com/"><strong>Google Cloud API</strong> </a>— zdroj, pomocí kterého jsme původně zkoumaly také automobilovou dopravu. Nakonec jsme jej do finální analýzy nezahrnuly, protože dostupná data byla agregovaná a nešla smysluplně napojit na počasí.</li></ul><p>Partneři v projektu:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fwL0FHx02w8LkHiNeIEv8Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/183/1*taGRd5LwpJl7frRqFqF6HQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/174/1*uoQUMsrNfS2F43f0m12QJQ.png" /></figure><p>Ke zpracování a prezentaci výsledků jsme používaly především <a href="https://www.keboola.com/">Keboolu</a> a <a href="https://www.snowflake.com/en/">Snowflake </a>proSQL, <a href="https://code.visualstudio.com/">VS Code</a> s Pythonem, Power BI od <a href="https://www.microsoft.com/cs-cz/">Microsoft</a>, <a href="https://www.lucidchart.com/pages">Lucidchart</a> pro datový model a LLM nástroje Claude a ChatGPT jako pomocníky při návrhu a kontrole postupu.</p><p>Partner v projektu <a href="https://www.keboola.com/">Keboola</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/148/1*l5IwUXvg7EO19wgNqwErdg.png" /></figure><h3>Proces zpracování dat</h3><h3>1. Stahování dat přes API</h3><p>Prvním zdrojem byla platforma Golemio. I když jsme měly na začátku jen základní znalosti Pythonu, po několika pokusech se nám podařilo vytvořit první API request a získat data o MHD. Data jsme zpočátku stahovaly a zpracovávaly ve VS Code pomocí knihoven jako requests, datetime, pathlib nebo dotenv a původně jsme je ukládaly do database SQLite, kterou jsme po sléze nahradily Keboolou.<br><a href="https://gist.github.com/Lamatova/91cc0fbc75f204b960f80e11c2662657">Zde je odkaz na ukázku kódu</a></p><p>Postupně se však ukázalo, že lokální zpracování není pro větší objemy dat ideální. Stahování nebylo vždy kompletní, bylo náročné na výkon počítače a nebylo pohodlné pro pravidelný provoz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/528/1*WpQHXaeZoVdG8m7oSNCeiQ.png" /><figcaption><em>Ukázka části původního Python kódu pro práci s daty.</em></figcaption></figure><h3><strong>2. Přesun do Kebooly a práce s datovým modelem</strong></h3><p>Většinu zpracování jsme proto přesunuly do Kebooly, která se stala hlavním nástrojem pro ukládání dat, jejich čištění, transformace, spojování tabulek a následný export do Power BI.</p><p>Začátečnické nadšení nás, ale rychle dohnalo. Do Kebooly jsme dostaly zhruba dvanáct tabulek a zpočátku jsme přesně nevěděly, co v nich je a jak spolu souvisejí. Na doporučení mentorky Anety a mentora Kryštofa jsme proto vytvořily datový slovník ( <a href="https://docs.google.com/spreadsheets/d/1Nr-kYe11zp8T5QS7FpHENO_iwi50o9QUXnZzqlu2Yrg/edit?usp=sharing">zde</a> ) a odpovídající datový model. Právě tomu jsme věnovaly velkou část prvního hackathonu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UXRxbNldwdTfhTefA5fezA.jpeg" /><figcaption>Datový model</figcaption></figure><p>Dva dny před druhým hackathonem jsme zjistily, že se nám zastavilo stahování dat o automobilové dopravě z Google Cloud API a máme jen čtrnáct dní dat. Zároveň se ukázalo, že dostupná data o automobilech jsou agregovaná a nelze je napojit na počasí tak, jak jsme potřebovaly. Vrátily jsme se proto k původní hypotéze a rozhodly se analyzovat šest páteřních linek pozemní MHD.</p><p>Další komplikací bylo počasí. Data z Windy neobsahovala údaje o srážkách, které byly pro náš projekt klíčové. Nakonec se nám podařilo získat potřebná data z Českého hydrometeorologického ústavu a mohly jsme pokračovat v transformacích.</p><h3>3. SQL transformace a propojení tabulek</h3><p>V Keboole jsme nejprve sjednotily datové typy a časové formáty ( <a href="https://gist.github.com/Lamatova/4f634bc14e7bbc2363360a2effe63d18">kód zde</a> ). Počasí jsme agregovaly po hodinách a z dat MHD jsme vybraly sloupce důležité pro analýzu. Následně jsme vytvořily timestamp ve stejném formátu a přes LEFT JOIN ( <a href="https://gist.github.com/Lamatova/91cc0fbc75f204b960f80e11c2662657">kód zde</a> ) napojily provozní data na meteorologická data.</p><p>Doplnily jsme také tabulku <a href="https://gist.github.com/Lamatova/0d4c1381e8483a9729e2ed0aa6dd8680">CALENDAR</a> abychom mohly pracovat se dny v týdnu, svátky a dalšími časovými charakteristikami. Finální tabulku jsme přes Keboola Data Gateway po několika úpravách poslaly do Power BI.</p><h3>4. Vizualizace a výsledky</h3><p>Ve vizualizacích jsme použily data naměřená od 1. dubna 2026 do 15. května 2026. MHD jsme posuzovaly podle šesti páteřních linek, tří tramvajových a tří autobusových. Data pocházela z 286 zastávek a obsahovala příjezdy těchto linek za celé sledované období.</p><p>Nejvyšší denní průměrná teplota za sledované období byla 21,5 °C a nejnižší 3,1 °C. Nejvyšší hodinové srážky dosáhly 3,18 mm, proto jsme v analýze pracovaly pouze s kategoriemi „bez srážek“ a „slabý déšť“.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/557/1*GCEB4OnqCl2QbkT048bvyQ.png" /><figcaption><em>Rozložení vybraných linek a měřených zastávek v Praze.</em></figcaption></figure><h3>Déšť zpoždění zvyšuje, ale méně, než jsme čekaly</h3><p>Po zpracování dat jsme porovnaly medián zpoždění během dne za deště a bez srážek. Ve většině sledovaných hodin byla zpoždění během deště vyšší, rozdíly ale nebyly tak výrazné, jak jsme původně očekávaly. Největší zpoždění se objevovala v odpolední dopravní špičce mezi 15. a 17. hodinou.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/542/1*87vsbf2YkavYqeBUczgRUQ.png" /><figcaption><em>Medián zpoždění po hodinách dne za deště a bez srážek.</em></figcaption></figure><h3>Autobusy se zpožďují více než tramvaje</h3><p>Při porovnání typů dopravy se ukázalo, že autobusy dosahovaly mírně vyššího mediánu zpoždění než tramvaje. Déšť zpoždění zvyšoval u obou typů dopravy, ale pouze v řádu několika sekund. Vliv počasí se tedy ukázal jako menší než vliv denní dopravní špičky.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/461/1*jF3drkayfeZi0GHnnFqD5A.png" /><figcaption><em>Srovnání zpoždění autobusů a tramvají podle počasí.</em></figcaption></figure><h3>Největší roli hraje dopravní špička</h3><p>Z analýzy vyplynulo, že největší vliv na zpoždění MHD má denní doba. U autobusů i tramvají se jasně projevily dvě dopravní špičky: ranní mezi 7. a 8. hodinou a odpolední mezi 15. a 17. hodinou. Autobusy měly po většinu dne vyšší zpoždění než tramvaje, pravděpodobně kvůli větší závislosti na silničním provozu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/547/1*2TJEbBaD-5LhR3n50d0UlQ.png" /><figcaption><em>Průběh zpoždění autobusů a tramvají během dne — denní peaky.</em></figcaption></figure><p>Heatmapa potvrdila, že největší zpoždění vznikala během pracovních dnů, zejména v ranní a odpolední špičce. Nejvyšší hodnoty byly zaznamenány ve středu a ve čtvrtek kolem 8. a 16. hodiny. O víkendech byla zpoždění výrazně nižší a provoz plynulejší.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/571/1*FKinUNajbmuyJCzPbFuCVA.png" /><figcaption><em>Heatmapa zpoždění podle dne v týdnu a hodiny.</em></figcaption></figure><h3>Nejvíce zpožděná linka a zastávky</h3><p>Nejvyšší medián zpoždění byl zaznamenán u autobusové linky 136, následované tramvajovou linkou 22 a autobusovou linkou 195. Naopak nejnižší zpoždění vykazovala autobusová linka 177. Mezi nejproblematičtější zastávky patřily Malostranské náměstí, Nuselské schody a Lukášova.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/547/1*E5uavMF6ftVd32cprLwXzQ.png" /><figcaption><em>Nejproblematičtější zastávky a linky podle mediánu zpoždění.</em></figcaption></figure><h3>Co jsme zjistily</h3><ol><li>Déšť zpoždění MHD mírně zvyšuje.</li><li>Autobusy se zpožďují více než tramvaje — a to o 38 sekund.</li><li>Největší vliv má denní dopravní špička.</li><li>Nejvyšší medián zpoždění měla linka 136 — 46 sekund.</li><li>Nejvyšší zpoždění vznikala hlavně mezi 7.–8. a 15.–17. hodinou.</li><li>O víkendech byl provoz plynulejší než během pracovních dnů.</li></ol><p>Naše hypotéza se tedy potvrdila jen částečně. Déšť zpoždění opravdu zvyšoval, jeho dopad ale nebyl tak silný jako vliv denní doby a dopravní špičky.</p><h3>Co nás bavilo a co bychom udělaly jinak</h3><p>Andy se primárně zasloužila o data, ať už o jejich stahování, nebo o získání dopravních dat z Golemia. Následně jsme ale většinu práce dělaly na střídačku, protože jsme si chtěly celý proces skutečně vyzkoušet obě.</p><p>Zjistily jsme, že je potřeba nejdřív promyslet cíl, datové zdroje a datový model, a teprve potom začít stahovat data ve velkém. Z neznalosti jsme na začátku nezvolily vždy nejefektivnější postup, a proto jsme ztratily hodně času hledáním, co vlastně máme a co se dá použít.</p><p>Zároveň nás celý proces bavil. Práce nebyla jednotvárná, vyzkoušely jsme si reálný analytický projekt od začátku do konce, naučily se řešit chyby v datech a ověřily si, že dobrý tým, humor a trpělivost jsou při datové analýze stejně důležité jako technické nástroje.</p><h3>Poděkování</h3><p>Děkujeme mentorům Anetě Hájkové a Kryštofovi Středovi z Accenture za vedení a cenné rady během celého projektu. Děkujeme také Zorce a Soustruhovi z Kebooly za pomoc ve chvílích, kdy jsme potřebovaly dostat data do Kebooly, a firmě Golemio za poskytnutí dopravních dat konkrétně Kristýně Pokorné a Ing. Kláře Horákové Chvalové.</p><p>Díky patří i Czechitas za možnost projekt realizovat a za prostředí, ve kterém jsme si mohly vyzkoušet práci datových analytiček v praxi.</p><h3>Co si z projektu odnášíme</h3><p>Odnášíme si zkušenost, že datová analýza není jen o grafech a výsledných číslech. Velká část práce spočívá v pochopení dat, ověření jejich kvality, hledání souvislostí a trpělivém ladění celého procesu. A právě díky tomu pro nás projekt Počasí a doprava v Praze nebyl jen závěrečnou prací, ale i velmi praktickou lekcí o tom, jak vypadá práce s daty v reálném světě.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OqUnbedNes1gB-a2z1vGhg.png" /><figcaption><a href="http://www.czechitas.cz/">Projekt vznikl jako závěrečná práce Digitální akademie — Data jarního běhu 2026 v Czechitas, z. ú.</a></figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a5ca9e585745" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>