Học xong pandas học gì? Hướng sang SQL và Machine Learning
Bài 2/2 · Chương 6
Trang phụ trợ
- 6 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 11
Học xong pandas học gì là câu hỏi tự nhiên sau khi đi hết ba tutorial NumPy, pandas và Matplotlib: bạn đã đọc được dữ liệu, làm sạch, gom nhóm và vẽ biểu đồ kể lại điều tìm thấy. Bước tiếp theo tùy công việc bạn nhắm tới, và bốn hướng hay gặp nhất là SQL, thống kê, Machine Learning và dashboard. Mỗi hướng dưới đây nói cần học thêm gì, nên ôn bài nào trước, và một dự án đầu tay vừa sức.
Trước khi chọn hướng: giữ kỹ năng đang có
Kỹ năng phân tích mai một nhanh nếu vài tuần không đụng tới dữ liệu thật. Ba việc nên làm ngay, dù bạn chọn hướng nào:
Làm một dự án nhỏ mỗi tuần với dữ liệu của chính bạn: chi tiêu cá nhân, đơn hàng của quán, điểm thi của lớp. Đi đủ các bước như bài EDA là gì: đặt câu hỏi, nạp, kiểm tra, làm sạch, khám phá, kết luận.
Viết kết luận thành một đoạn văn ngắn kèm hai, ba biểu đồ, rồi đưa cho một người không biết code đọc. Người đó hiểu được thì báo cáo đã đạt.
Đọc lại code cũ của mình sau một tháng. Đoạn nào phải đọc ba lần mới hiểu thì viết lại cho rõ, như cách bài đặt câu hỏi phân tích chia một câu hỏi lớn thành từng bước nhỏ.
Lưu code và dữ liệu mẫu bằng Git, và cài thư viện cho mỗi dự án trong một môi trường ảo riêng. Hai thói quen này giúp bạn quay lại một phân tích cũ mà nó vẫn chạy.
So sánh bốn hướng đi
Hướng | Học thêm | Bài nên ôn trước | Dự án đầu tay |
|---|---|---|---|
SQL |
| viết lại bằng SQL một báo cáo doanh thu đã làm bằng pandas | |
Thống kê | phân phối, khoảng tin cậy, kiểm định giả thuyết, thư viện scipy | so doanh thu hai chương trình khuyến mãi có khác nhau thật không | |
Machine Learning | đại số tuyến tính, xác suất, scikit-learn | tương quan, dự án giá nhà | đoán giá căn hộ từ diện tích, số phòng, quận |
Dashboard | một công cụ BI như Power BI hay Looker Studio, hoặc thư viện Streamlit | bảng theo dõi doanh thu tuần tự cập nhật |
Không có thứ tự đúng duy nhất, nhưng thứ tự hay gặp nhất là SQL trước, vì dữ liệu ở công ty thường nằm trong cơ sở dữ liệu chứ không nằm sẵn trong file CSV. Thống kê đi kèm mọi hướng còn lại.
SQL: lấy dữ liệu từ cơ sở dữ liệu
Phần lớn những gì bạn làm bằng pandas đều có bản SQL tương ứng: lọc dòng là WHERE, groupby() là GROUP BY, merge() là JOIN. Khác biệt là SQL chạy ngay trên máy chủ cơ sở dữ liệu, nên xử lý được bảng hàng chục triệu dòng mà máy bạn không cần nạp hết vào bộ nhớ.
Bắt đầu với SQLite, cơ sở dữ liệu nằm trong một file và có sẵn trong Python qua module sqlite3; bài cơ sở dữ liệu trong Python giải thích bảng, khóa và truy vấn. Sau đó chuyển sang PostgreSQL hay MySQL, loại công ty hay dùng. Cách học hiệu quả là lấy một phân tích pandas bạn đã làm, viết lại từng bước bằng SQL, rồi so hai kết quả.
Thống kê: biết khi nào một khác biệt là thật
Biểu đồ cho thấy doanh thu tháng này cao hơn tháng trước, nhưng chênh lệch đó có thể chỉ là dao động ngẫu nhiên. Thống kê cho bạn công cụ trả lời câu hỏi đó: khoảng tin cậy, kiểm định giả thuyết, cỡ mẫu cần thiết. Đây cũng là phần mà nhà tuyển dụng hay hỏi nhất ở vị trí phân tích dữ liệu.
Ôn lại thống kê mô tả và tương quan trước, vì mọi kiểm định đều bắt đầu từ trung bình, độ lệch chuẩn và hình dạng phân bố. Thư viện scipy có sẵn các kiểm định thường dùng, nhận thẳng mảng NumPy hay cột pandas.
Machine Learning: từ mô tả sang dự đoán
Phân tích dữ liệu trả lời "điều gì đã xảy ra"; Machine Learning cố trả lời "điều gì sẽ xảy ra" bằng một mô hình học từ dữ liệu cũ. Thư viện đầu tiên nên học là scikit-learn: các mô hình như hồi quy tuyến tính, cây quyết định đều nhận một bảng đặc trưng dạng DataFrame hay mảng NumPy, đúng dạng bạn đã quen.
Phần khó của Machine Learning ít khi là gọi mô hình mà là chuẩn bị dữ liệu: điền ô thiếu, mã hóa cột chữ, tách dữ liệu huấn luyện và kiểm tra. Các bài làm sạch dữ liệu của tutorial pandas vì vậy là nền trực tiếp. Toán cần thêm là đại số tuyến tính (ma trận, phép nhân ma trận mà NumPy đã cho bạn làm quen) và xác suất.
Dashboard: báo cáo người khác tự xem được
Khi một báo cáo cần cập nhật mỗi tuần, chạy lại notebook rồi gửi ảnh biểu đồ sẽ tốn công. Dashboard là trang báo cáo tự đọc dữ liệu mới và cho người xem tự lọc theo tháng, theo chi nhánh. Công cụ BI như Power BI hay Looker Studio làm việc này mà gần như không cần code; Streamlit cho bạn làm dashboard bằng chính Python và pandas.
Nguyên tắc chọn biểu đồ, đặt tiêu đề là kết luận, dùng màu nhấn mà bạn học ở tutorial Matplotlib áp dụng nguyên vẹn cho dashboard.
Đọc thêm
Hai bài viết trên blog đi sâu hơn vào chuyện nghề. Data Analyst cần học gì kể các kỹ năng nhà tuyển dụng hỏi; lộ trình trở thành Data Analyst so các cách học có người hướng dẫn. Nếu bạn muốn đi hướng khác hẳn dữ liệu, như web hay tự động hóa, trang học Python xong học gì so các hướng đó.
Câu hỏi thường gặp
Học xong pandas có đủ để đi làm Data Analyst không?
pandas và Matplotlib là phần lõi, nhưng gần như mọi tin tuyển dụng còn yêu cầu SQL và một công cụ dashboard, cộng với thống kê cơ bản. Hai, ba dự án phân tích hoàn chỉnh trên dữ liệu thật, viết thành báo cáo đọc được, thường thuyết phục hơn một danh sách thư viện.
Nên học SQL hay Machine Learning trước?
SQL trước, nếu bạn nhắm tới công việc phân tích: nó ngắn, dùng ngay được, và dữ liệu cho Machine Learning cũng thường phải lấy bằng SQL. Chọn Machine Learning trước khi bạn đã chắc hướng đi là xây mô hình và sẵn sàng học thêm toán.
Lộ trình học phân tích dữ liệu mất bao lâu?
Tùy thời gian bạn dành mỗi tuần. Với vài giờ mỗi ngày, ba tutorial NumPy, pandas, Matplotlib cộng SQL và thống kê cơ bản thường mất vài tháng; phần mất thời gian nhất là làm dự án trên dữ liệu thật, và phần đó không nên cắt bớt.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.