Python для Data Science: список необходимых методов и функций в Python

Python — язык программирования, который занял лидирующие позиции в Data Science в последнее время. Он обладает широким набором библиотек, фреймворков, пакетов и модулей, которые делают его идеальным выбором для анализа и обработки данных в Data Science.

В этой статье мы рассмотрим необходимые функции и методы Python для работы с данными в Data Science. Мы покажем, как использовать эти функции и методы для обработки данных, визуализации данных, анализа данных и машинного обучения.

Знание Python для Data Science — это ключевой навык для специалистов в области науки о данных. Используйте эту статью, чтобы улучшить свои навыки программирования и научиться использовать Python для решения задач в Data Science.

Базовые функции и методы Python

Python предлагает множество встроенных функций и методов, которые упрощают работу с данными и позволяют реализовать различные операции. Рассмотрим некоторые из них:

• print - функция для вывода информации на экран. Может принимать несколько объектов для вывода и позволяет форматирование вывода.
• len - функция для определения длины объекта, такого как строка, список, кортеж или словарь.
• range - функция для создания последовательности чисел. Может принимать один, два или три аргумента.
• type - функция для определения типа объекта. Позволяет проверить объект на соответствие нужному типу.
• max и min - функции для нахождения максимального и минимального значения в списке или другом объекте.
• sum - функция для нахождения суммы элементов списка или другого итерируемого объекта.

Кроме того, у каждого типа данных в Python есть свои методы. Например, у строк есть методы lower и upper для преобразования строки в нижний или верхний регистр соответственно. У списков есть методы для добавления ( append ), удаления ( remove ) элементов и т.д.

Использование базовых функций и методов Python упрощает и ускоряет работу с данными и является неотъемлемой частью работы с Python в Data Science.

Работа с переменными

В Python переменные можно создавать, изменять и использовать для хранения значений. Переменная - это именованная область памяти, в которой может быть сохранено значение определенного типа данных.

Для создания переменной в Python необходимо указать ее имя и присвоить значение. Например:

number = 10


name = "John"

is_admin = False

Для изменения значения переменной можно просто присвоить ей новое значение:

number = 20


name = "Paul"

is_admin = True

В Python существует несколько типов переменных, таких как числа (int, float), строки (str), булевые значения (bool), списки (list) и множества (set).

Для вывода значения переменной на экран можно использовать функцию print(). Например:

name = "Anna"


print("My name is", name)

Также в Python можно использовать операторы для работы с переменными, такие как +=, -=, *=, /=. Они позволяют изменять значение переменной без необходимости сохранять временные переменные.

Например:

x = 10


x += 5 # x = x + 5

print(x)

В результате выполнения данного кода на экран будет выведено значение 15.

Операторы и выражения

Операторы в Python – это символы, которые выполняют операции над переменными и значениями. Операторы могут работать с числами, строками, списками, кортежами и другими типами данных.

Выражение в Python – это комбинация значений, переменных, операторов и функций, которые вычисляются в одно значение. Выражение может быть очень простым, состоящим из одного числа или переменной, или очень сложным, состоящим из нескольких операторов и функций.

Среди операторов Python можно выделить такие основные категории, как:

• Арифметические операторы (+, -, *, /, //, %)
• Операторы сравнения (==, !=, <, >, <=, >=)
• Логические операторы (and, or, not)
• Операторы присваивания (=, +=, -=, *=, /=, %=, //=)

Кроме того, в Python существуют такие операторы, как операторы битовых операций, операторы итераций, операторы комбинаций, операторы индексирования и другие.

Python также поддерживает различные типы выражений, такие как простые арифметические выражения, условные выражения, выражения списков и словарей, генераторы и другие.

Примеры простых выражений в Python:

• 2 + 2 – простое арифметическое выражение, в результате которого получается число 4
• 'hello' + 'world' – выражение конкатенации строк, которое возвращает строку 'helloworld'
• len([1, 2, 3]) – вызов функции len() для списка, в результате которого получается число 3

Операторы и выражения в Python – это основа для работы с данными и анализа данных. Знание операторов и выражений поможет вам создавать сложные алгоритмы и программы, обрабатывать и анализировать большие объемы данных и делать выводы на основе полученной информации.

Циклы и условные операторы

В языке программирования Python существует несколько способов повторять выполнение кода или выполнение блока кода при соблюдении определённых условий. Для этого используются циклы и условные операторы.

Оператор if позволяет проверить условие и выполнить соответствующий блок кода, если оно истинно. Множество операторов условий, таких как "равно", "не равно", "больше", "меньше" и других, позволяют создавать более сложные выражения.

Цикл while повторяет выполнение блока кода, пока условие его выполнения остаётся истинным. Использование цикла for удобно для перебора в цикле элементов списка или диапазона чисел, а также для повторения заданного блока кода заданное количество раз.

Также существует возможность использовать операторы break и continue для выхода из цикла или перехода к следующей итерации соответственно.

Знание циклов и условных операторов является важным для обработки больших объёмов данных в Data Science, когда необходимо выполнить некоторые операции только тогда, когда выполняется определённое условие или когда необходимо обработать несколько объектов одного типа.

Работа с данными в Python

Python - универсальный язык программирования, который широко используется в Data Science, благодаря своей гибкости и доступности. Он позволяет удобно работать с данными, а также выполнять расчеты и статистические анализы.

Одной из базовых библиотек Python для работы с данными является NumPy. Она предоставляет массивы данных, которые могут хранить значения любого типа. Также в NumPy содержатся функции для работы с математическими операциями, в том числе для линейной алгебры.

Для работы с таблицами и множествами данных используется библиотека Pandas. Она предоставляет возможность прочитать, обработать и анализировать данные из различных форматов, даже больших объемов. Также в Pandas есть возможность группировки и соединения таблиц, фильтрации по условию и работе с пропущенными значениями.

Важно понимать, что эффективная работа с данными зависит не только от знания библиотек, но и от понимания основных принципов и инструментов анализа данных. Одинаково важно уметь задавать правильные вопросы, строить гипотезы и проверять их с помощью статистики.

Наконец, для научной визуализации результатов используются библиотеки Matplotlib и Seaborn. Они позволяют строить графики различных типов и форматов, в том числе гистограммы, диаграммы рассеяния и линейные графики. Также можно создавать интерактивные графики, например, с помощью библиотеки Plotly.

• NumPy - библиотека для работы с массивами данных и математическими операциями
• Pandas - библиотека для работы с таблицами и множествами данных
• Matplotlib и Seaborn - библиотеки для научной визуализации результатов

Все эти инструменты в комплексе позволяют эффективно работать с данными в Python и выполнять различные задачи, связанные с анализом и обработкой данных.

Структуры данных

Структуры данных в Python - это способы организации и хранения информации. Они используются во многих аспектах программирования, включая Data Science и Machine Learning. В Python существует несколько основных структур данных:

• Списки (Lists) - это упорядоченные коллекции данных, которые могут быть изменяемыми. В списки могут быть добавлены, удалены или изменены элементы.
• Кортежи (Tuples) - это упорядоченные коллекции данных, которые являются неизменяемыми. Кортежи используются, когда необходимо хранить данные, которые не должны изменяться.
• Множества (Sets) - это неупорядоченные коллекции уникальных элементов. Множества могут использоваться для поиска уникальных значений, алгоритмических операций и других задач.
• Словари (Dictionaries) - это коллекции, которые позволяют хранить пары ключ-значение. Словари используются для обращения к значениям по ключу вместо индексирования.

Кроме этих базовых структур данных в Python есть и другие, включая массивы, очереди, стеки и т.д. Структуры данных являются важным инструментом в Data Science, поэтому рекомендуется углубиться в изучение их использования в программировании.

Работа с файлами

В Python существует множество инструментов для работы со внешними файлами и их обработки. Сначала нужно открыть файл при помощи функции open(), используя ее путь и режим доступа.

К примеру, откройте файл на чтение и прочитайте его содержимое:

file = open("example.txt", "r")

print(file.read())
file.close()

Чтобы записать данные в файл, нужно открыть его на запись:

file = open("example.txt", "w")

file.write("Это пример записи в файл.")
file.close()

Также возможно добавление данных в существующий файл:

file = open("example.txt", "a")

file.write("Это будет добавлено в конец файла.")
file.close()

Кроме того, существует множество методов работы с файлами, таких как: readline() для чтения одной строки, .readlines() для чтения всех строк файла, writelines() для записи списка строк в файл и многих других.

Работа с базами данных

Python имеет множество библиотек для работы с базами данных, таких как MySQL, PostgreSQL, MongoDB и многих других. Основная библиотека, используемая в Python для взаимодействия с базами данных, называется SQLite3. Она позволяет создавать, изменять и удалять базы данных, а также выполнять запросы к ним.

Для работы с SQLite3 в Python необходимо использовать модуль sqlite3. Он позволяет установить подключение к базе данных и выполнить SQL-запросы. Модуль sqlite3 также позволяет использовать параметры, что делает возможным безопасное выполнение запросов.

Для работы с другими СУБД в Python необходимо использовать соответствующие библиотеки, которые предоставляют похожий функционал. Например, для работы с PostgreSQL используется библиотека psycopg2, а для работы с MongoDB – PyMongo.

При работе с базами данных важно учитывать особенности каждой из них, чтобы эффективно выполнять операции чтения и записи данных. В некоторых случаях можно использовать индексы, чтобы ускорить запросы. Также важно следить за безопасностью и использовать параметры при выполнении запросов, чтобы избежать SQL-инъекций.

С помощью Python можно не только управлять базами данных, но и анализировать полученные данные, используя мощные инструменты анализа данных, такие как библиотеки NumPy, pandas и Matplotlib.

Модули Python для Data Science

Python является одним из самых популярных языков программирования, используемых в Data Science. Он обладает обширной библиотекой модулей, которые предоставляют широкий набор функций и методов для решения задач по обработке данных и машинному обучению.

Один из наиболее популярных модулей в Python для Data Science - это NumPy. Он предоставляет быстрые и эффективные методы работы с массивами и матрицами, а также многомерными массивами данных. Этот модуль широко используется для математических операций, обработки массивов данных и создания моделей машинного обучения.

Другой модуль, который широко используется в Data Science - это Pandas. Этот модуль предоставляет эффективный способ работы с табличными данными и предоставляет удобные методы для работы с разными типами данных, такими как строки, числа, даты и времена.

Scikit-learn - это еще один важный модуль, который используют в Data Science. Он предоставляет методы машинного обучения, такие как регрессия, классификация, кластеризация и многие другие. Он также содержит множество инструментов для предварительной обработки данных и выбора наилучших параметров моделей.

Важным модулем является Matplotlib, предоставляющий гибкие и мощные инструменты для визуализации данных. С помощью Matplotlib можно создавать различные графики и диаграммы, которые помогут дать оценку качества данных, а также показать результаты машинного обучения.

В целом, модули Python для Data Science предоставляют отличный инструментарий для обработки данных и создания моделей машинного обучения. Они позволяют быстро и эффективно решать задачи по Data Science и анализу данных.

NumPy

NumPy — библиотека языка Python, которая представляет собой мощный инструмент для работы с многомерными массивами данных. Он предоставляет удобные и эффективные методы для выполнения матричных операций, обработки массивов и выполнения научных расчетов. С помощью NumPy можно создавать, изменять и управлять массивами данных, а также выполнять операции по доступу к элементам массива и манипулировать ими.

NumPy используется во многих областях, включая физику, математику, науку о материалах, биологию, химию, геологию, экономику и многие другие. Он предоставляет эффективные методы обработки больших объемов данных и высокопроизводительные функции для работы с многомерными массивами.

NumPy также поддерживает множество операций линейной алгебры, таких как нахождение собственных значений и векторов, решение систем линейных уравнений и многое другое. Он предоставляет удобный доступ к стандартным функциям линейной алгебры и может использоваться для выполнения различных задач в этой области.

Кроме того, NumPy взаимодействует с другими библиотеками Data Science, такими как Pandas и Matplotlib. Он является неотъемлемой частью Data Science-стека Python и сочетается с другими инструментами для решения широкого круга задач, связанных с обработкой данных и научными расчетами.

В целом, NumPy является одной из самых важных библиотек для работы с многомерными массивами данных в Python и используется как в академических, так и в промышленных приложениях. Он предоставляет мощный набор инструментов для удобной и эффективной работы с массивами данных и обработки матричных операций.

Pandas

Pandas – это библиотека для работы с данными в языке программирования Python. Она предоставляет удобный и продвинутый инструментарий для анализа, обработки и манипуляций со структурированными данными.

Pandas позволяет работать с такими типами данных, как:

• Series – одномерный массив данных;
• DataFrame – двумерная табличная структура данных.

Библиотека Pandas позволяет выполнять такие операции, как:

• Чтение и запись данных в различных форматах;
• Очистка и преобразование данных;
• Объединение, группировка и агрегирование данных;
• Работа с пропущенными данными;
• Визуализация данных.

Также Pandas является основным инструментом для работы с данными в библиотеках NumPy, SciPy и Scikit-Learn.

Основные методы	Описание
head()	Возвращает первые несколько строк указанного DataFrame или Series.
tail()	Возвращает последние несколько строк указанного DataFrame или Series.
info()	Выводит общую информацию о DataFrame или Series, включая количество записей, количество столбцов, тип данных столбцов и количество пропущенных значений.
describe()	Возвращает статистическую информацию о числовых столбцах DataFrame или Series, включая среднее значение, стандартное отклонение, минимальное и максимальное значения.

Matplotlib

Matplotlib - это библиотека Python, которая используется для визуализации данных в 2D и 3D форматах. Она позволяет создавать графики, диаграммы, гистограммы, контурные карты и другие виды графического представления информации.

Matplotlib позволяет настраивать любые аспекты визуализации, включая шрифты, цвета, размеры и разрешения изображения. Она также поддерживает многочисленные форматы файлов, такие как PNG, PDF, SVG и другие.

Для работы с Matplotlib необходимо импортировать библиотеку и вызвать нужный метод. Например, для создания графика можно использовать метод plot(), а для отображения гистограммы - метод hist().

• Для настройки графического представления данных можно использовать методы xlabel(), ylabel(), title() и т.д.
• Для настройки цвета, шрифта и размера этих элементов можно использовать параметры методов.

Matplotlib также поддерживает создание анимированных визуализаций и интерактивных графиков. Для создания анимации можно использовать метод animation(), а для создания интерактивных графиков - библиотеку mpld3.

Matplotlib является незаменимым инструментом в Data Science для визуализации данных и обнаружения закономерностей и трендов в больших наборах информации.

Машинное обучение и Data Science в Python

Python является одним из основных инструментов для разработки программного обеспечения в области машинного обучения и Data Science. Его функциональность позволяет создавать мощные и гибкие алгоритмы обработки данных, основанных на научных и математических методах.

С помощью библиотек, таких как NumPy, Pandas, Matplotlib и Scikit-learn, Python обеспечивает широкие возможности для анализа и визуализации данных, построения моделей машинного обучения и их оптимизации. Библиотеки TensorFlow, PyTorch и Keras используются для создания нейронных сетей и глубокого обучения.

Одной из основных задач Data Science является анализ и обработка больших объемов данных. В Python существуют специальные библиотеки, такие как Dask и Apache Spark, которые позволяют эффективно проводить распределенную обработку данных.

Python также широко используется в разработке программного обеспечения для решения задач машинного обучения и Data Science. Разработчики могут использовать библиотеки и фреймворки, например, Flask и Django, чтобы создавать веб-приложения и интерфейсы для анализа данных, построения графиков и визуализации результатов.

В целом, Python является мощным и гибким инструментом для решения задач машинного обучения и Data Science. Его широкое применение позволяет разработчикам создавать сложные алгоритмы и приложения для анализа и обработки данных, а также улучшать и оптимизировать уже существующие решения в этой области.

Обучение моделей машинного обучения

Машинное обучение (Machine Learning) — это процесс, в ходе которого компьютер обучается находить закономерности в данных и делать предсказания на их основе. Обучение моделей машинного обучения — это составная часть этого процесса, где осуществляется выбор и настройка алгоритма для решения конкретной задачи.

Для обучения моделей машинного обучения используется набор данных, который делится на обучающую и тестовую выборку. Обучающая выборка используется для обучения алгоритма, а тестовая выборка — для проверки его работоспособности.

Существует несколько методов обучения моделей машинного обучения: supervised (с учителем), unsupervised (без учителя) и reinforcement learning (обучение с подкреплением). В supervised learning используется набор данных, где каждому примеру соответствует правильный ответ. В unsupervised learning правильные ответы не указываются, и цель состоит в нахождении скрытых закономерностей в наборе данных. В reinforcement learning агент принимает решения, опираясь на подкрепления или наказания, полученные в процессе выполнения задачи.

Подходы к обучению моделей машинного обучения могут быть различными в зависимости от задачи, типа данных и доступных ресурсов. Некоторые из популярных методов включают в себя: линейную регрессию, случайные леса, нейронные сети, градиентный бустинг и другие.

Важно помнить, что обучение моделей машинного обучения — это итеративный процесс. Начиная с простого алгоритма, непрерывно совершенствуйте модель, улучшая ее точность. При помощи Python для Data Science можно выполнять все необходимые операции для разработки и настройки моделей машинного обучения.

Обработка и анализ данных

Обработка и анализ данных — важные задачи в сфере Data Science, а Python, благодаря своей мощной функциональности и разнообразным библиотекам, является идеальным инструментом для работы с данными.

Для обработки данных в Python используются различные библиотеки, такие как Pandas, Numpy, Scipy и др. Библиотека Pandas предоставляет возможности для работы с табличными данными, создания новых колонок, удаления дубликатов, фильтрации данных и многих других манипуляций с данными.

Numpy предоставляет инструменты для работы с многомерными массивами и матрицами, что позволяет быстро и эффективно обрабатывать данные, выполнять математические операции и статистические расчеты. Библиотека Scipy, в свою очередь, предоставляет возможности для выполнения более сложных математических операций, таких как интегрирование, нахождение оптимальных решений и др.

Для анализа данных в Python также широко используются графические библиотеки, такие как Matplotlib, Seaborn, Plotly и др. Эти библиотеки позволяют создавать различные графики и визуализации данных, что делает процесс анализа данных более удобным и наглядным.

Также для обработки и анализа данных в Python можно использовать машинное обучение и алгоритмы классификации, регрессии, кластеризации и др. Эти инструменты позволяют автоматизировать процесс обработки и анализа данных, делая его более точным и эффективным.

• Библиотеки Pandas, Numpy, Scipy и др. позволяют обрабатывать данные, выполнять манипуляции и статистические расчеты;
• Графические библиотеки Matplotlib, Seaborn, Plotly и др. позволяют создавать графики и визуализации данных;
• Машинное обучение и алгоритмы классификации, регрессии, кластеризации и др. автоматизируют процесс обработки и анализа данных;

В итоге, благодаря широкому набору инструментов для обработки и анализа данных в Python, это становится одним из самых востребованных инструментов в сфере Data Science.

Визуализация результатов

Визуализация данных играет важную роль в анализе данных и исследовании. Она позволяет лучше понять данные, выделить закономерности и тренды, а также проиллюстрировать результаты исследований.

Python предоставляет богатый набор инструментов для визуализации данных. Например, библиотека Matplotlib предоставляет широкие возможности для создания различных графиков, включая гистограммы, диаграммы рассеяния, линейные графики, пироги и многое другое.

Библиотека Seaborn предоставляет удобный интерфейс для создания красивых и информативных графиков, а библиотека Plotly позволяет не только создавать графики, но и делать их интерактивными.

Python также предоставляет возможность создавать таблицы и диаграммы, которые облегчают понимание данных и удобны для сравнения. Например, библиотеки Pandas и Plotly предоставляют удобный интерфейс для создания таблиц и диаграмм.

Визуализация результатов является важным этапом в анализе данных. Python предоставляет широкие возможности для создания красивых и информативных графиков, таблиц и диаграмм, которые помогут получить полное представление о данных.

Примеры проектов на Python для Data Science

Проект 1: Анализ данных отзывов клиентов

Данный проект представляет собой анализ отзывов клиентов о товарах или услугах, оставленных на различных платформах. Для анализа таких данных можно использовать библиотеки Python, такие как Pandas, Numpy, Scikit-learn и Matplotlib.

Цель проекта заключается в выявлении наиболее распространенных проблем клиентов, в определении ключевых слов, наиболее часто упоминающихся в отзывах, и в прогнозировании тенденций их изменения во времени.

Проект 2: Анализ социальных данных

Проект представляет собой анализ социальных данных, таких как лайки, комментарии и репосты в социальных сетях. В качестве источника данных могут выступать страницы компаний или любые другие публичные профили в социальных сетях.

Анализ социальных данных может помочь в понимании потребностей и предпочтений целевой аудитории, а также способствовать более эффективной рекламной кампании в социальных сетях.

Проект 3: Анализ данных зарплат

Данный проект включает в себя анализ данных зарплат, собранных с разных сайтов по теме занятости и карьере. С помощью Pandas и Matplotlib можно анализировать и визуализировать данные о зарплатах в разных регионах, секторах и специальностях. Сравнение данных потребительской корзины и инфляции также может помочь в определении достаточности зарплаты для жизни в различных регионах.

Анализ данных зарплат может стать полезным инструментом для выбора профессии и оценки перспектив роста и развития карьеры в различных секторах.

Проект 4: Анализ данных медицинских исследований

Анализ результатов исследований заболеваемости и смертности в различных регионах и странах мира может помочь в выявлении тенденций и понимании распространенных факторов риска, связанных с заболеванием различных болезней. Такой анализ может быть полезен не только в медицине, но и в политике и регулировании здравоохранения в различных странах.

Для анализа медицинских данных можно использовать библиотеки Python, такие как Pandas, Seaborn и Scikit-learn.

Примерный список библиотек Python для Data Science

Библиотека	Описание
Pandas	Удобный инструмент для работы с табличными данными
Numpy	Библиотека для работы с числовыми данными, включая массивы
Matplotlib	Библиотека для создания графиков и диаграмм
Seaborn	Библиотека для визуализации данных
Scikit-learn	Библиотека для машинного обучения и анализа данных

Анализ данных о продажах

Анализ данных о продажах позволяет более осознанно и эффективно управлять бизнесом. Для этого необходимы инструменты, позволяющие обработать большие массивы данных.

В Python есть множество библиотек, которые упрощают процесс анализа данных. Основными из них являются:

• Pandas - библиотека для работы с таблицами данных, которая позволяет быстро обрабатывать и анализировать большие массивы информации;
• NumPy - библиотека для выполнения математических операций с многомерными массивами данных;
• Scikit-learn - библиотека для машинного обучения, которая позволяет применить алгоритмы классификации и кластеризации к массивам данных.

Чтобы провести анализ данных о продажах, необходимо выполнить несколько шагов:

1. Сбор данных - данные могут быть получены из базы данных или из файлов различных форматов, например, CSV, Excel или JSON;
2. Предварительная обработка данных - необходимо обработать данные, чтобы они соответствовали задаче анализа;
3. Основной анализ данных - данный этап включает в себя применение методов статистического анализа и визуализации данных;
4. Оценка результатов - после анализа данных необходимо оценить результаты с учетом поставленных целей и задач.

Во время проведения анализа данных о продажах нельзя забывать об интерпретации результатов и последующей оптимизации бизнес-процессов.

Классификация текстов

Классификация текстов - это задача, в которой необходимо определить к какому классу относится текст. Для этого используется машинное обучение, в частности, алгоритмы классификации.

Одно из наиболее распространенных применений классификации текстов - это определение тональности текстов. Например, можно автоматически классифицировать отзывы на товары на положительные, отрицательные или нейтральные.

Для классификации текстов используются различные методы, например, мультиномиальная наивная байесовская классификация, метод опорных векторов, решающие деревья и т.д. Необходимость выбора конкретного метода зависит от типа классификации и характеристик данных.

В Python для классификации текстов есть несколько библиотек, например, scikit-learn, nltk, gensim. С их помощью можно проводить предобработку данных, векторизацию текстов и обучение моделей для классификации.

Для эффективной классификации текстов очень важно правильно провести предобработку данных, т.е. очистить тексты от стоп-слов, провести лемматизацию и т.д. Это позволит снизить размерность данных и облегчить задачу классификации.

В целом, классификация текстов является важной задачей в области Data Science, позволяющей автоматизировать обработку больших объемов текстовой информации.

Обработка изображений

Python предлагает множество библиотек для обработки изображений, например, Pillow и OpenCV. С их помощью можно считывать, изменять, обрабатывать изображения.

Самым простым примером обработки может быть изменение размера картинки:

• Используем библиотеку Pillow:

```python

from PIL import Image

image = Image.open("picture.jpg")

image_resized = image.resize((500, 500))

image_resized.save("picture_resized.jpg")

```

• Используем библиотеку OpenCV:

```python

import cv2

image = cv2.imread("picture.jpg")

resized = cv2.resize(image, (500, 500))

cv2.imwrite("picture_resized.jpg", resized)

```

Также можно использовать различные фильтры для изображений:

• Используем библиотеку Pillow для добавления эффектов на картинку:

```python

from PIL import Image, ImageFilter

image = Image.open("picture.jpg")

image_filtered = image.filter(ImageFilter.BLUR)

image_filtered.save("picture_blur.jpg")

```

• Используем библиотеку OpenCV для применения различных фильтров:

```python

import cv2

image = cv2.imread("picture.jpg")

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

blurred_image = cv2.GaussianBlur(image, (11, 11), 0)

cv2.imwrite("picture_gray.jpg", gray_image)

cv2.imwrite("picture_blurred.jpg", blurred_image)

```

Кроме того, можно использовать методы машинного обучения для работы с изображениями, например, для распознавания лиц или классификации объектов на изображении.

Обработка изображений на Python — мощный инструмент в руках дата-ученых и разработчиков, который позволяет автоматизировать работу с фотографиями и изображениями в различных проектах.