<?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 Denis Polishuk on Medium]]></title>
        <description><![CDATA[Stories by Denis Polishuk on Medium]]></description>
        <link>https://medium.com/@polishuk.denis?source=rss-ed456a1ed34b------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/2*H-Qa-suNHgVFjvE72RIVoA.jpeg</url>
            <title>Stories by Denis Polishuk on Medium</title>
            <link>https://medium.com/@polishuk.denis?source=rss-ed456a1ed34b------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 00:40:43 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@polishuk.denis/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[Подготовка xml-данных для импорта в pandas dataframe с помощью Python на примере реального проекта.]]></title>
            <link>https://medium.com/tech-everest/%D0%BF%D0%BE%D0%B4%D0%B3%D0%BE%D1%82%D0%BE%D0%B2%D0%BA%D0%B0-xml-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-%D0%B4%D0%BB%D1%8F-%D0%B8%D0%BC%D0%BF%D0%BE%D1%80%D1%82%D0%B0-%D0%B2-pandas-dataframe-%D1%81-%D0%BF%D0%BE%D0%BC%D0%BE%D1%89%D1%8C%D1%8E-python-%D0%BD%D0%B0-%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%80%D0%B5-%D1%80%D0%B5%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D0%B3%D0%BE-%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%B0-bad8b1d9a1e4?source=rss-ed456a1ed34b------2</link>
            <guid isPermaLink="false">https://medium.com/p/bad8b1d9a1e4</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[eda]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[xml]]></category>
            <dc:creator><![CDATA[Denis Polishuk]]></dc:creator>
            <pubDate>Fri, 20 Mar 2020 11:45:47 GMT</pubDate>
            <atom:updated>2020-03-21T10:29:57.073Z</atom:updated>
            <content:encoded><![CDATA[<p>Pandas — одна из самых популярных программных библиотек для обработки и анализа данных. Именно с её помощью я проводил разведочный анализ данных (EDA) в одном из Data Science-проектов. Заказчик предоставил нам данные в формате XML и поэтому возникла задача преобразовать данные в формат, который легко можно загрузить в pandas DataFrame.</p><p>В статье я расскажу, как была решена эта задача. Статья будет полезна техническим специалистам, имеющим базовый уровень понимания языка программирования Python, желающим улучшить свои навыки работы с XML.</p><p>Данные закзачика были переданы нам в виде XML-файлов, разбитых на части:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/113/1*a22rqQx7zp3Oks_fVHUuvw.png" /><figcaption>Список xml-файлов с данными, предоставленными заказчиком</figcaption></figure><p>На рисунке представлена лишь небольшая часть реальных данных, однако логика рассуждений сохранится и для полного датасета.</p><p>Содержимое файлов имело следующий формат:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*2CjWwfxUic6cfhVKyGz32A.png" /><figcaption>Структура xml-файла с данными заказчика</figcaption></figure><p>То есть фактически, просто имеем список товаров (в данном случае одежды). Каждому отдельному товару соответствуют открывающий и закрывающий тэги &lt;Model&gt;.</p><p>В первую очередь я решил написать код, который объединит несколько коротких xml-файлов в один длинный. Размер каждого файла составляет около 8-ми мегабайт, на данный момент их всего несколько штук и в обозримом будущем не ожидается, что их количество превысит несколько десятков. То есть даже если их будет, скажем, 50, то общий объем информации не превысит 400мб. Такой объём легко поместится в оперативную память, поэтому решение считаю хорошим.</p><p>Понятно, что если бы суммарный объем файлов исчислялся гигабайтами, то объединять их все в один файл могло бы быть плохой идеей и скорее всего пришлось бы искать другие решения.</p><p>Весь итоговый код я прикреплю отдельным файлом в конце статьи. Здесь же пошагово объясню, что именно я делаю.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/4befa1469cfae88ff9efcd7e28f4a363/href">https://medium.com/media/4befa1469cfae88ff9efcd7e28f4a363/href</a></iframe><p>Итак, в первой части я импортирую необходимые библиотеки. ElementTree использую непосредственно для работы с XML, импортирую несколько функций из библиотеки os для работы с файлами. Файл functions.py выглядит следующим образом:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/5441d2b2bc43744f4c5a799f33fea907/href">https://medium.com/media/5441d2b2bc43744f4c5a799f33fea907/href</a></iframe><p>В нём содержится функция для определения длины файла, которую мы будем использовать для проверки результатов работы программы.</p><p>Следующие после импорта строки программы определяют переменные files_folder и res_file_path. В первой содержится путь к обрабатываемым файлам (в данном случае папка xml, находящаяся в папке, из которой запускается программа), во второй — путь к файлу, в который будет записываться результат выполнения программы.</p><p>В следующей строке сразу же удаляем файл с результатами, если он существует. Делаю я это, поскольку решил записывать файл с результатами в ту же папку, в которой находились изначальные файлы. Поэтому если запустить программу несколько раз, то файл с результатами стоит удалить, иначе он будет воспринят программой как файл для обработки и его содержимое будет включено в итоговый файл с результатами.</p><p>Затем в переменную files записываем список из всех файлов, найденных в папке files_folder, после чего выводим их на экран пользователю, чтобы он убедился, что программа обнаружила правильные файлы.</p><p>Строка с командой assert убеждается, что количество найденных файлов больше одного, в противном случае выдаёт ошибку. Действительно, если найден всего один файл, то объединять нам нечего, а значит продолжать выполнение программы — бессмысленно.</p><p>В следующем куске кода считываем в память все данные из XML-файлов (в переменную trees), а также подсчитываем количество товаров в каждом файле и суммарное их количество, чтобы в конце выполнения программы сопоставить полученное значение с количеством товаров в итоговом файле:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/8b55de157284bd1bc75ea8a3f5309d9a/href">https://medium.com/media/8b55de157284bd1bc75ea8a3f5309d9a/href</a></iframe><p>После выполнения этого кода в списке trees содержатся все имеющиеся у нас xml-деревья, а в переменной total_models_amount — общее количество товаров, содержащееся во всех имеющихся у нас xml-файлах.</p><p>Следующий шаг — добавляем к первому дереву из списка все товары из остальных деревьев:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/efd1bdefcd026025db19b559f1b21bd7/href">https://medium.com/media/efd1bdefcd026025db19b559f1b21bd7/href</a></iframe><p>В первой и второй строках находим корень дерева и записываем его в переменную start_root. Затем для каждого дерева из списка, начиная со второго элемента (trees[1:]) выполняем такую операцию: находим каждый элемент с тэгом “&lt;Model&gt;” (второй цикл for в коде) и добавляем его в дерево, на которое указывает элемент start_root. В итоге получаем в этой переменной полное дерево со всеми имеющимися у нас товарами. Осталось лишь его сохранить, что мы и делаем в предпоследней строке.</p><p>Важный момент здесь — в параметре encoding указать именно “UTF-8”, а не какую-то другую вариацию (utf8, UTF8 — не подходят), т.к. это значение будет записано непосредственно в заголовке xml-файла и если оно будет указано неправильно, то при прочтении файла могут возникнуть проблемы с чтением кириллических символов.</p><p>Финальный штрих — считываем сохраненный файл с результатами и подсчитываем количество товаров в нём:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/7062d27cc9e2693beeb2e214f42dc4ec/href">https://medium.com/media/7062d27cc9e2693beeb2e214f42dc4ec/href</a></iframe><p>Затем сравниваем полученное количество со значением переменной total_models_amount, в которой содержится изначально подсчитанное значение. Если два значения совпадают, то программа отработала правильно.</p><p>Также в последней строке сравнивается изначальное суммарное количество строк в обрабатываемых файлах и в итоговом файле. Эти два значения должны совпадать лишь приблизительно — суммарное количество строк в изначальных файлах будет немного больше.</p><p>Следующий шаг — пропарсить полученный xml-файл, создать pandas DataFrame из полученных значений и затем сохранить его в csv-формат. После того как мы получим итоговый csv-файл, можно переходить непосредственно к EDA, так как теперь мы в любой момент можем легко подгрузить DataFrame и исследовать данные.</p><p>В первую очередь, подключаем ElementTree и pandas, затем парсим xml-файл с результатами и находим корень его дерева:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/6b940c9aab686dcf607a073ccbc413ca/href">https://medium.com/media/6b940c9aab686dcf607a073ccbc413ca/href</a></iframe><p>В список df_cols я поместил все необходимые мне переменные, которые будут в итоговом DataFrame в качестве колонок.</p><p>Теперь с помощью цикла for проходим через все узлы xml-дерева и вычленяем нужные нам данные:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/61b2a022853f0b382a55f0e0c6ab8423/href">https://medium.com/media/61b2a022853f0b382a55f0e0c6ab8423/href</a></iframe><p>Обратите внимание, что параметрам Model_Name и Model_ID в xml-файле соответствуют отдельные тэги, но большей части остальных колонок соответствуют тэги “&lt;param&gt;” с уникальным аттрибутом “name”, поэтому способ извлечения данных в случае этих колонок датафрейма отличается.</p><p>В последней строке просто добавляем текущую строку в общий список строк датафрейма. Мы уже почти у цели. Финальный аккорд — создаём датафрейм из полученных строк и колонок и затем сохраняем его в csv-файл:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/2fee87606f544fc151a3ca38ac2a53ec/href">https://medium.com/media/2fee87606f544fc151a3ca38ac2a53ec/href</a></iframe><p>Вуаля! Задача выполнена. Теперь можно приступать к разведочному анализу данных.</p><p>Файлы с исходным кодом можно скачать здесь:</p><p><a href="https://gist.github.com/polishukdenis/a3d7ee5df5f3291930ac07237e6a3139">concat_xml.py</a></p><p><a href="https://gist.github.com/polishukdenis/5336517a03724c068d4b1ccd802eba2d">xml_to_panda.py</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bad8b1d9a1e4" width="1" height="1" alt=""><hr><p><a href="https://medium.com/tech-everest/%D0%BF%D0%BE%D0%B4%D0%B3%D0%BE%D1%82%D0%BE%D0%B2%D0%BA%D0%B0-xml-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-%D0%B4%D0%BB%D1%8F-%D0%B8%D0%BC%D0%BF%D0%BE%D1%80%D1%82%D0%B0-%D0%B2-pandas-dataframe-%D1%81-%D0%BF%D0%BE%D0%BC%D0%BE%D1%89%D1%8C%D1%8E-python-%D0%BD%D0%B0-%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%80%D0%B5-%D1%80%D0%B5%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D0%B3%D0%BE-%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%B0-bad8b1d9a1e4">Подготовка xml-данных для импорта в pandas dataframe с помощью Python на примере реального проекта.</a> was originally published in <a href="https://medium.com/tech-everest">Case Studies</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Исследование данных о коронавирусе с помощью Alteryx]]></title>
            <link>https://medium.com/tech-everest/%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-%D0%BE-%D0%BA%D0%BE%D1%80%D0%BE%D0%BD%D0%B0%D0%B2%D0%B8%D1%80%D1%83%D1%81%D0%B5-%D1%81-%D0%BF%D0%BE%D0%BC%D0%BE%D1%89%D1%8C%D1%8E-alteryx-303ed5e7bfc9?source=rss-ed456a1ed34b------2</link>
            <guid isPermaLink="false">https://medium.com/p/303ed5e7bfc9</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[alteryx]]></category>
            <dc:creator><![CDATA[Denis Polishuk]]></dc:creator>
            <pubDate>Thu, 05 Mar 2020 11:22:55 GMT</pubDate>
            <atom:updated>2020-03-05T15:40:01.723Z</atom:updated>
            <content:encoded><![CDATA[<p>В этой статье я кратко расскажу о некоторых возможностях Alteryx на примере данных о динамике эпидемии коронавируса.</p><p>Материал будет интересен тем, кто имеет начальный уровень знаний о платформе Alteryx, использовать которую может даже человек без специального образования. Прочитав статью, вы сформируете базовое представление о ситуации с коронавирусом на основе реальных данных, а не громких заголовков жёлтой прессы.</p><p>В качестве анализируемого датасета я выбрал данные, предоставляемые институтом Джона Хопкинса, которые выложены в свободном доступе на GitHub (<a href="https://github.com/CSSEGISandData/COVID-19">https://github.com/CSSEGISandData/COVID-19</a>). Этот датасет включает в себя данные из дюжины источников и претендует на полноту информации об эпидемии.</p><p>Предоставляемые институтом данные агрегируются в csv-файлы и обновляются ежедневно. В конце дня создаётся новый файл, соответствующий этому дню. Структура данных такова:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*lf5dkwLba6Cenr9ITIwEkQ.png" /></figure><p>В первую очередь, мне хотелось бы построить графики общего количества зарегистрированных случаев, выздоровевших и летальных исходов в зависимости от дней, а затем, видя эти графики, сделать обоснованные предположения о том, какой динамики развития эпидемии можно ожидать в будущем.</p><p>Итак, начнём с графиков. Чтобы построить их с помощью Alteryx, я выполняю следующую последовательность шагов.</p><p><strong>Шаг 1.</strong> Вносим данные в Alteryx.</p><p>На первом же этапе возникает небольшая сложность, состоящая в том, что формат данных за февраль немного отличается от формата январских данных и поэтому мне нужно создать два блока Input Data:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*VQ5nBVljcOEODLjsGxpoNA.png" /></figure><p>Знак «?» в имени файла интерпретируется Alteryx’ом как «любой символ». Соответственно, в данном случае в первый блок считаются все файлы в указанной папке, имя которых начинается с «01-» и заканчивается «-2020.csv», т.е. все файлы за январь. Во второй Input Data попадут данные за ферваль.</p><p>Затем я объединяю данные в одну таблицу с помощью блока Union. В результате получаем таблицу, состоящую из 2480 строк и содержащую все имеющиеся у нас данные:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*uh3Y3tsthxsqS2HW8RtBVw.png" /></figure><p><strong>Шаг 2.</strong> Приводим данные к единому формату.</p><p>В первую очередь, займёмся датами. После того как мы прочитали данные из csv-файлов, они находятся в текстовом формате. Чтобы с ними было удобно работать, я преобразую их в формат «Date». Кроме того, есть ещё один нюанс — формат дат за февраль отличается от январского формата.</p><p>Поэтому добавляю в Workflow два блока DateTime, чтобы пропарсить даты:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/474/1*VYj5eyC02ZmvlmH1FLUX_A.png" /></figure><p>В настройках блока DateTime выбираем нужный нам формат:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/641/1*OW5wNYc8Hqpa2vrK9zPZGA.png" /></figure><p>Внимательный читатель заметит, что изначально в поле Last Update также содержалось и время апдейта, которое мы теряем после оговоренных преобразований. Все верно, для наших целей нужна только дата апдейта, а время существенной роли не играет.</p><p>В результате получаем две новых колонки с данными, которые содержат уже не строки, а данные типа «Date»:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*4b8k_hl0ETssjVwJR5mLKg.png" /></figure><p>Теперь хотелось бы, чтобы все даты были в одной колонке. Кроме того, данные о подтвержденных случаях заболевания, смертях и выздоровлениях сейчас также пребывают в текстовом формате, хотя по своей природе являются числами.</p><p>Я добавляю блок Formula в Workflow, чтобы это исправить. Затем с помощью блока Select, я уберу старые ненужные колонки в текстовом формате и оставлю новые, которыми мы будем пользоваться в дальнейшем.</p><p>На этом этапе Workflow выглядит следующим образом:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*x2TA8XgMS4Ra2EZ4kte4Rw.png" /></figure><p>Блок Formula настроен следующим образом:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*NyEtAGRb92-PsC3oVeW1HA.png" /></figure><p>В первой формуле записываем в колонку DateTime_Out значение из колонки DateTime_Out_Feb, если в ней сейчас Null. В итоге в колонке DateTime_Out окажутся все даты и за январь, и за февраль.</p><p>В блоке Select просто оставляем колонки, которые всё ещё нам нужны:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*ebgIXlgTMgSSZTQiumR5VA.png" /></figure><p>В итоге имеем полностью пропарсенный и приведенный к единому формату датасет:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*-RbwgaiCDLADqKzMZqGARA.png" /></figure><p><strong>Шаг 3. </strong>Строим графики.</p><p>Чтобы построить графики, я добавлю в Workflow блоки Summarize, Interactive Chart и Browse Tool.</p><p>Блок Summarize настраиваю следующим образом:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*nkTlxMnRe9Rh2m5oY75ecQ.png" /></figure><p>То есть, группируем данные по дате, и затем по каждой дате суммируем количество смертей, выздоровлений и зарегистрированных случаев заболевания. На выходе этого блока получаем данные, готовые для построения графика:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/588/1*HQ9gx47KLvh3S31Mn8cTsw.png" /></figure><p>Блок Interactive Chart настраивается интуитивно понятным образом. Мои настройки выглядят так:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/263/1*M2Vl-qvqoPmJ3xIJOlqLUw.png" /></figure><p>То есть, ничего особенного. График типа «Line», по оси X дата, по оси Y — нужное нам значение (на рисунке это количество выздоровевших). Создаём три таких графика, добавляем Browse Tool для просмотра этих графиков и нажимаем Run:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*yZm4KU9Eifp03uWhkseW6w.png" /></figure><p>В итоге наблюдаем, что число заболевших продолжает стремительно расти, хотя даже невооруженным взглядом видно, что примерно с середины февраля скорость этого роста падает. Говорит ли это о том, что точка насыщения уже достигнута и дальше количество заболевших будет медленно расти, а затем в какой-то момент пойдёт на спад? Полагаю, что одному лишь Богу известно, так ли это.</p><p>Однако последние десять дней несомненно добавляют оптимизма, т.к. экспоненциальный рост количества зарегистрированных случаев таки прекратился. Более того, количество выздоровевших резко увеличивается и кривая выздоровевших почти повторяет кривую зарегистрированных случаев заболевания с запаздыванием примерно в 12 дней.</p><p><strong>Шаг 4. </strong>Строим график смертности</p><p>В свете этих рассуждений явно напрашивается вопрос о том, каков же шанс у человека умереть, если он заболел коронавирусом?</p><p>Понятно, что в идеале смертность должна считаться как «количество умерших» поделенное на «общее количество заболевших». Однако такая формула работала бы, если бы эпидемия уже давно закончилась или если бы у нас было большое количество данных. На данный же момент, в каждой точке графика присутствует высокий процент людей, которые все ещё болеют. В будущем, когда эти люди вылечатся или умрут, это скорее всего окажет существенное влияние на итоговый показатель смертности, посчитанный при текущих данных.</p><p>Учитывая всё предыдущее, я введу метрику смертности как «количество умерших»/ («количество умерших» + «количество выздоровевших»). Совершенно ясно, что эта метрика не претендует на абсолютную истинность, однако построив график такого показателя, мы все-таки можем сделать некоторые выводы о картине происходящего.</p><p>Итак, я добавляю в Workflow ещё одну ветку:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*ToRxhKk_shjvyr6VjITKMw.png" /></figure><p>Здесь в блоке «Formula» я подсчитываю показатель смертности согласно введённой выше метрике и затем строю график.</p><p>Formula tool настроена следующим образом:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*RHhhqDeOIkoYIu26y6P_7w.png" /></figure><p>Итоговый график:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*3hfUcpme05s3v6BxCn37Gw.png" /></figure><p>Как видим из графика, соотношение смертей и количеству выздоровевших неуклонно падает. Однако даже в данный момент показатель составляет порядка 8%. Т.е. каждый 12-й заболевший умирает. Однако общий тренд конечно же вселяет оптимизм. Остаётся лишь надеяться, что тренд сохранится и кривая и дальше будет идти вниз.</p><p><strong>Заключение.</strong></p><p>Буквально в несколько кликов мне удалось с помощью Alteryx подгрузить данные из реального источника, привести в удобный для работы формат и затем построить несколько графиков для анализа проблемы.</p><p>Как видим из графиков, на данный момент в глобальном масштабе коронавирус не угрожает человечеству ввиду низкого показателя смертности. Даже если количество заболеваний будет стремительно возрастать, сложно представить исход, при котором от вируса умрёт больше 10% населения планеты.</p><p>Однако если смотреть на ситуацию глазами конкретного человека, то приятного в ней конечно же мало. Например, для пожилого китайца, уже имеющего некоторые проблемы со здоровьем, шансы умереть в этом году многократно возрастают.</p><p>В свете этих заключений конечно же интересным становится вопрос о предсказании динамики эпидемии. Поэтому в следующих статьях я планирую продемонстрировать предиктивные возможности Alteryx и сделать предположения относительно развития эпидемии в будущем. Также предполагаю, что было бы интересно проанализировать датасет с более детальной статистикой, чтобы ответить на вопросы вроде «какова вероятность умереть от коронавируса у обычного украинца?».</p><p>Workflow можно скачать, перейдя по <a href="https://drive.google.com/file/d/18E4QIoGSyHa1vwibFlExj1SEB8PEI4Nz/view?usp=sharing">этой ссылке</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=303ed5e7bfc9" width="1" height="1" alt=""><hr><p><a href="https://medium.com/tech-everest/%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-%D0%BE-%D0%BA%D0%BE%D1%80%D0%BE%D0%BD%D0%B0%D0%B2%D0%B8%D1%80%D1%83%D1%81%D0%B5-%D1%81-%D0%BF%D0%BE%D0%BC%D0%BE%D1%89%D1%8C%D1%8E-alteryx-303ed5e7bfc9">Исследование данных о коронавирусе с помощью Alteryx</a> was originally published in <a href="https://medium.com/tech-everest">Case Studies</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>