# Data Science मराठीत: Python, pandas, EDA आणि charts Source: https://ravindrabagale.com/mr/datascience/ Language: mr (Marathi with English technical terms) Ravindra Bagale यांचा Data Science with Python course — Jupyter आणि pandas पासून EDA, charts आणि स्पष्ट निष्कर्षांपर्यंत. Beginners साठी मोफत study guide, सोप्या मराठीत आणि रोजच्या English technical words सोबत. Python, NumPy, pandas cleaning/analysis, matplotlib, seaborn, chart storytelling आणि काल्पनिक Blinkit Maharashtra project शिकू. Practice, interview प्रश्नोत्तरं, cheat sheet आणि glossary आहेत. या course मध्ये ML नाही. 20 chapters · 71 concepts सुरुवात करा: हा course कसा शिकायचा? Course चा क्रम प्रत्येक chapter आणि concept ची स्वतंत्र page आहे. 1. Data Science आणि Data Analytics मधला फरक 1.1 Analytics आणि Science: data तोच, प्रश्न वेगळे 1.2 Excel, Power BI की Python — कधी काय वापरायचं? 1.3 Grain: एका row चा नेमका अर्थ काय? 1.4 या course मध्ये काय आणि कोणत्या क्रमाने शिकणार? 2. Python, Jupyter आणि packages चा setup 2.1 Python 3 install करूया 2.2 Project folder आणि venv तयार करूया 2.3 लागणारी packages install करूया 2.4 Jupyter सुरू करून पहिली cell run करूया 3. Data कामासाठी Python चा पाया 3.1 Variables आणि types 3.2 Lists आणि dictionaries 3.3 if, for आणि functions 3.4 Comprehensions: loop थोडक्यात लिहूया 4. NumPy चा पाया 4.1 Arrays आणि shape 4.2 dtype: array मध्ये कोणत्या प्रकारचा data आहे? 4.3 pandas आणि NumPy चा संबंध 5. pandas DataFrames आणि Series 5.1 Series आणि DataFrame 5.2 head, info आणि dtypes ने data तपासा 5.3 CSV आणि Excel वाचूया 5.4 Column ची Series आणि झटपट statistics 6. Selecting, filtering आणि sorting 6.1 Columns आणि rows select करूया 6.2 Boolean filters 6.3 Sorting आणि top-N rows 7. GroupBy आणि aggregations 7.1 GroupBy कशासाठी? 7.2 अनेक keys आणि named aggregation 7.3 value_counts की GroupBy? 8. Tables मधला data एकत्र करूया 8.1 concat: rows एकाखाली एक 8.2 merge: Orders सोबत Stores जोडा 8.3 Excel / Power BI शी संबंध जोडून समजून घेऊ 9. pandas मध्ये data cleaning 9.1 Messy sample: सुरुवातीचा data 9.2 Rename, strip आणि standardise 9.3 Types, missing values आणि duplicates 9.4 Outliers: वेगळ्या दिसणाऱ्या values तपासा 10. Dates, IST time आणि text 10.1 dd-mm-yyyy dates वाचूया 10.2 IST timezone लावूया 10.3 Text मधून code आणि pincode काढूया 11. Data reshape: wide आणि long 11.1 Wide आणि long म्हणजे काय? 11.2 melt: wide मधून long 11.3 pivot_table: long मधून wide summary 11.4 stack आणि unstack 12. Exploratory Data Analysis — EDA 12.1 प्रश्नांपासून EDA सुरू करा 12.2 पहिल्या तपासणीची checklist 12.3 Crosstab आणि correlation समजून वापरा 12.4 Findings नीट लिहा 13. matplotlib वापरून charts 13.1 Figure आणि Axes 13.2 Line chart आणि histogram 13.3 ₹ axis लाखांमध्ये दाखवूया 14. seaborn वापरून visualization 14.1 seaborn ची सुरुवात 14.2 countplot आणि barplot 14.3 hue आणि boxplot 14.4 seaborn की matplotlib? 15. योग्य chart आणि स्पष्ट निष्कर्ष 15.1 प्रश्नाप्रमाणे chart निवडा 15.2 Chart मधली अनावश्यक सजावट कमी करा 15.3 Manager साठी एका page ची story 16. पूर्ण project: Blinkit Maharashtra 16.1 Project मध्ये नेमकं काय करायचं? 16.2 Lab साठी raw extract तयार करूया 16.3 Data clean करूया 16.4 EDA आणि दोन charts 16.5 Insights template: स्वतःचे numbers भरा 17. Practice exercises आणि hints 17.1 Filters चा सराव 17.2 GroupBy आणि merge चा सराव 17.3 Cleaning आणि dates चा सराव 17.4 Reshape आणि EDA चा सराव 17.5 Charts आणि story चा सराव 18. Interview प्रश्नोत्तरं 18.1 Python आणि Jupyter: interview तयारी 18.2 pandas चे मुख्य प्रश्न 18.3 EDA आणि visualization प्रश्न 18.4 Project आणि process प्रश्न 19. झटपट revision: cheat sheet 19.1 pandas चे उपयोगी snippets 19.2 matplotlib reference 19.3 seaborn reference 19.4 Cleaning checklist 20. Glossary: terms सोप्या भाषेत नेहमीचे प्रश्न हा course मोफत आहे का? हो. सर्व 20 chapters आणि 71 concept pages online वाचायला मोफत आहेत; account लागत नाही. Course मराठीत आहे का? ही मराठी आवृत्ती आहे. Explanation सहज मराठीत आहे; technical terms आणि code English मध्ये ठेवले आहेत. Ravindra Bagale यांच्या online/offline classes मध्ये Marathi आणि काही Hindi वापरली जाते. काय शिकायला मिळेल? Jupyter, Python, NumPy, pandas, cleaning, EDA, matplotlib/seaborn, storytelling, final project, practice, interview questions, cheat sheet आणि glossary. Beginners साठी चालेल का? हो. सुरुवातीला Data Science/Data Analytics चा फरक आणि Python/Jupyter setup शिकतो. Machine learning आहे का? नाही. हा course cleaning, EDA आणि visualization पर्यंत आहे. AI/ML हा वेगळा learning path आहे. Sample data कोणता? महाराष्ट्रातील cities चा Blinkit / Amazon Now-style काल्पनिक data. फक्त शिकण्यासाठी; वास्तविक कंपनीचे आकडे नाहीत. Practice आणि interview तयारी आहे का? हो. Chapter 16 project, Chapter 17 practice आणि Chapter 18 interview प्रश्नोत्तरं आहेत. Online/offline class कसा join करायचा? Enquiry page वरून संपर्क करा. Data Science, Data Analytics, Excel आणि Power BI चे online/offline batches यांची माहिती तिथे मागवता येईल. Data Science आता आपल्या रोजच्या बोलण्यातल्या मराठीत शिकूया. Technical words English मध्ये आहेत. नवीन concepts examples आणि practice मधून समजून घेऊ. या course मधल्या 93 / 93 pages ची मराठी आवृत्ती उपलब्ध आहे. बाकी content चं काम सुरू आहे. 1. Data Science आणि Data Analytics मधला फरक 1.1 Analytics आणि Science: data तोच, प्रश्न वेगळे 1.2 Excel, Power BI की Python — कधी काय वापरायचं? 1.3 Grain: एका row चा नेमका अर्थ काय? 1.4 या course मध्ये काय आणि कोणत्या क्रमाने शिकणार? 1. Data Science आणि Data Analytics मधला फरक 2. Python, Jupyter आणि packages चा setup 2.1 Python 3 install करूया 2.2 Project folder आणि venv तयार करूया 2.3 लागणारी packages install करूया 2.4 Jupyter सुरू करून पहिली cell run करूया 2. Python, Jupyter आणि packages चा setup 3. Data कामासाठी Python चा पाया 3.1 Variables आणि types 3.2 Lists आणि dictionaries 3.3 if, for आणि functions 3.4 Comprehensions: loop थोडक्यात लिहूया 3. Data कामासाठी Python चा पाया 4. NumPy चा पाया 4.1 Arrays आणि shape 4.2 dtype: array मध्ये कोणत्या प्रकारचा data आहे? 4.3 pandas आणि NumPy चा संबंध 4. NumPy चा पाया 5. pandas DataFrames आणि Series 5.1 Series आणि DataFrame 5.2 head, info आणि dtypes ने data तपासा 5.3 CSV आणि Excel वाचूया 5.4 Column ची Series आणि झटपट statistics 5. pandas DataFrames आणि Series 6. Selecting, filtering आणि sorting 6.1 Columns आणि rows select करूया 6.2 Boolean filters 6.3 Sorting आणि top-N rows 6. Selecting, filtering आणि sorting 7. GroupBy आणि aggregations 7.1 GroupBy कशासाठी? 7.2 अनेक keys आणि named aggregation 7.3 value_counts की GroupBy? 7. GroupBy आणि aggregations 8. Tables मधला data एकत्र करूया 8.1 concat: rows एकाखाली एक 8.2 merge: Orders सोबत Stores जोडा 8.3 Excel / Power BI शी संबंध जोडून समजून घेऊ 8. Tables मधला data एकत्र करूया 9. pandas मध्ये data cleaning 9.1 Messy sample: सुरुवातीचा data 9.2 Rename, strip आणि standardise 9.3 Types, missing values आणि duplicates 9.4 Outliers: वेगळ्या दिसणाऱ्या values तपासा 9. pandas मध्ये data cleaning 10. Dates, IST time आणि text 10.1 dd-mm-yyyy dates वाचूया 10.2 IST timezone लावूया 10.3 Text मधून code आणि pincode काढूया 10. Dates, IST time आणि text 11. Data reshape: wide आणि long 11.1 Wide आणि long म्हणजे काय? 11.2 melt: wide मधून long 11.3 pivot_table: long मधून wide summary 11.4 stack आणि unstack 11. Data reshape: wide आणि long 12. Exploratory Data Analysis — EDA 12.1 प्रश्नांपासून EDA सुरू करा 12.2 पहिल्या तपासणीची checklist 12.3 Crosstab आणि correlation समजून वापरा 12.4 Findings नीट लिहा 12. Exploratory Data Analysis — EDA 13. matplotlib वापरून charts 13.1 Figure आणि Axes 13.2 Line chart आणि histogram 13.3 ₹ axis लाखांमध्ये दाखवूया 13. matplotlib वापरून charts 14. seaborn वापरून visualization 14.1 seaborn ची सुरुवात 14.2 countplot आणि barplot 14.3 hue आणि boxplot 14.4 seaborn की matplotlib? 14. seaborn वापरून visualization 15. योग्य chart आणि स्पष्ट निष्कर्ष 15.1 प्रश्नाप्रमाणे chart निवडा 15.2 Chart मधली अनावश्यक सजावट कमी करा 15.3 Manager साठी एका page ची story 15. योग्य chart आणि स्पष्ट निष्कर्ष 16. पूर्ण project: Blinkit Maharashtra 16.1 Project मध्ये नेमकं काय करायचं? 16.2 Lab साठी raw extract तयार करूया 16.3 Data clean करूया 16.4 EDA आणि दोन charts 16.5 Insights template: स्वतःचे numbers भरा 16. पूर्ण project: Blinkit Maharashtra 17. Practice exercises आणि hints 17.1 Filters चा सराव 17.2 GroupBy आणि merge चा सराव 17.3 Cleaning आणि dates चा सराव 17.4 Reshape आणि EDA चा सराव 17.5 Charts आणि story चा सराव 17. Practice exercises आणि hints 18. Interview प्रश्नोत्तरं 18.1 Python आणि Jupyter: interview तयारी 18.2 pandas चे मुख्य प्रश्न 18.3 EDA आणि visualization प्रश्न 18.4 Project आणि process प्रश्न 18. Interview प्रश्नोत्तरं 19. झटपट revision: cheat sheet 19.1 pandas चे उपयोगी snippets 19.2 matplotlib reference 19.3 seaborn reference 19.4 Cleaning checklist 19. झटपट revision: cheat sheet 20. Glossary: terms सोप्या भाषेत 20. Glossary: terms सोप्या भाषेत हा Data Science course कसा शिकायचा? हा Data Science course कसा शिकायचा? पूर्ण मूळ course — English रवींद्र बागले यांची tip Course पूर्ण करताना स्वतःचा notebook आणि practice outputs जपून ठेवा.