6 ασκήσεις Python in Excel που αξίζει να κάνεις

Δημιούργησε κώδικα Python in Excel για πρόβλεψη churn πελατών με Logistic Regression. • Τα δεδομένα βρίσκονται στον πίνακα [ΟΝΟΜΑ_ΠΙΝΑΚΑ] του φύλλου. • Ο πίνακας περιέχει τις εξής στήλες: [ID_ΠΕΛΑΤΗ], [ΣΥΧΝΟΤΗΤΑ_ΑΓΟΡΩΝ], [ΜΕΣΟ_ΚΑΛΑΘΙ], [ΗΜΕΡΕΣ_ΑΠΟ_ΤΕΛΕΥΤΑΙΑ_ΑΓΟΡΑ], [CHURN] (0 = ενεργός, 1 = αποχώρησε). • Χρησιμοποίησε τις βιβλιοθήκες pandas, numpy και scikit-learn, που είναι ήδη διαθέσιμες στο Python in Excel. Ο κώδικας να: 1. Ελέγχει για ελλιπείς τιμές και τις διαχειρίζεται κατάλληλα. 2. Χωρίζει τα δεδομένα σε train και test set. 3. Εκπαιδεύει μοντέλο Logistic Regression. 4. Υπολογίζει για κάθε πελάτη: Prediction (0 ή 1) + Probability Churn (πιθανότητα αποχώρησης). 5. Υπολογίζει Accuracy, Precision, Recall, F1-score και Confusion Matrix. 6. Επιστρέφει DataFrame με: [ID_ΠΕΛΑΤΗ], πραγματικό churn, πρόβλεψη, πιθανότητα αποχώρησης ώστε τα αποτελέσματα να εμφανιστούν (spill) στα κελιά του φύλλου. 7. Οι μετρικές αξιολόγησης να επιστρέφονται ως ξεχωριστό DataFrame. 8. Σε ξεχωριστό βήμα, να δημιουργεί ιστόγραμμα matplotlib της κατανομής των πιθανοτήτων αποχώρησης όλων των πελατών, με κάθετη γραμμή στο όριο 0,5. 9. Σε ξεχωριστό βήμα, να δημιουργεί γράφημα matplotlib: οριζόντιο bar chart με τους 10 πελάτες με τη μεγαλύτερη πιθανότητα αποχώρησης, με την πιθανότητα ως ποσοστό σε κάθε μπάρα. 10. Να περιλαμβάνει σχόλια ώστε να είναι εύκολα κατανοητός.

Δημιούργησε κώδικα Python in Excel για πρόβλεψη πωλήσεων με μοντέλο ARIMA. • Τα δεδομένα βρίσκονται στον πίνακα [ΟΝΟΜΑ_ΠΙΝΑΚΑ]. • Ο πίνακας περιέχει τις εξής στήλες: [ΜΗΝΑΣ] (ημερομηνία), [ΠΩΛΗΣΕΙΣ] (ποσό σε €). • Χρησιμοποίησε τις βιβλιοθήκες pandas, numpy, statsmodels και matplotlib, που είναι ήδη διαθέσιμες στο Python in Excel. Ο κώδικας να: 1. Φορτώνει τα δεδομένα και ορίζει τη στήλη [ΜΗΝΑΣ] ως χρονικό index. 2. Ελέγχει για ελλιπείς τιμές και τις διαχειρίζεται κατάλληλα. 3. Εκπαιδεύει μοντέλο ARIMA, επιλέγοντας κατάλληλες παραμέτρους (p, d, q). 4. Υπολογίζει πρόβλεψη για τους επόμενους [ΑΡΙΘΜΟΣ_ΜΗΝΩΝ, π.χ. 6] μήνες. 5. Υπολογίζει διάστημα εμπιστοσύνης 95% για κάθε μήνα. 6. Επιστρέφει DataFrame με: μήνας, πρόβλεψη, κάτω όριο 95%, πάνω όριο 95% ώστε να εμφανιστεί (spill) στα κελιά. 7. Σε ξεχωριστό βήμα, να δημιουργεί γράφημα matplotlib με ιστορικά + πρόβλεψη + ζώνη εμπιστοσύνης, που εμφανίζεται μέσα στο κελί. 8. Να περιλαμβάνει σχόλια ώστε να είναι εύκολα κατανοητός.

Δημιούργησε κώδικα Python in Excel για ανίχνευση ανωμαλιών σε συναλλαγές με Isolation Forest. • Τα δεδομένα βρίσκονται στον πίνακα [ΟΝΟΜΑ_ΠΙΝΑΚΑ]. • Ο πίνακας περιέχει τις εξής στήλες: [ID_ΣΥΝΑΛΛΑΓΗΣ], [ΠΟΣΟ], [ΕΚΠΤΩΣΗ_%], [ΠΟΣΟΤΗΤΑ]. • Χρησιμοποίησε τις βιβλιοθήκες pandas, numpy και scikit-learn, που είναι ήδη διαθέσιμες στο Python in Excel. Ο κώδικας να: 1. Ελέγχει για ελλιπείς τιμές και τις διαχειρίζεται κατάλληλα. 2. Εκπαιδεύει μοντέλο Isolation Forest με contamination = [ΠΟΣΟΣΤΟ, π.χ. 0.02]. 3. Προσθέτει στήλη anomaly_flag (Κανονική / Ανωμαλία) και στήλη anomaly_score. 4. Ταξινομεί τις εγγραφές με τις ανωμαλίες πρώτες, από την πιο σοβαρή προς τη λιγότερο σοβαρή. 5. Επιστρέφει DataFrame με όλες τις στήλες + flag + score ώστε να εμφανιστεί (spill) στα κελιά του φύλλου. 6. Σε ξεχωριστό βήμα, να δημιουργεί swarmplot με seaborn: την κατανομή του [ΠΟΣΟ] ανά κατηγορία (Κανονική / Ανωμαλία), ώστε να φαίνεται οπτικά πώς ξεχωρίζουν οι ανωμαλίες από τις κανονικές συναλλαγές. 7. Σε ξεχωριστό βήμα, να δημιουργεί scatter plot του [ΠΟΣΟ] έναντι της [ΕΚΠΤΩΣΗ_%], με χρωματική κλίμακα heatmap βάσει του anomaly_score (colormap coolwarm) και colorbar — όσο πιο "ζεστό" το χρώμα, τόσο πιο ύποπτη η συναλλαγή. 8. Να περιλαμβάνει σχόλια ώστε να είναι εύκολα κατανοητός.

Δημιούργησε κώδικα Python in Excel για Monte Carlo Simulation κερδοφορίας. • Οι παραδοχές βρίσκονται σε κελιά του φύλλου: βασικές πωλήσεις στο [ΚΕΛΙ, π.χ. B1], βασικό κόστος στο [ΚΕΛΙ, π.χ. B2], μεταβλητότητα πωλήσεων στο [ΚΕΛΙ, π.χ. B3], μεταβλητότητα κόστους στο [ΚΕΛΙ, π.χ. B4]. • Χρησιμοποίησε τις βιβλιοθήκες pandas, numpy και matplotlib, που είναι ήδη διαθέσιμες στο Python in Excel. Ο κώδικας να: 1. Τρέχει [ΑΡΙΘΜΟΣ_ΣΕΝΑΡΙΩΝ, π.χ. 10.000] προσομοιώσεις: σε κάθε μία, πωλήσεις και κόστος παίρνουν τυχαίες τιμές από κανονική κατανομή γύρω από τις βασικές, με τις αντίστοιχες μεταβλητότητες. 2. Υπολογίζει το κέρδος σε κάθε σενάριο. 3. Υπολογίζει τα ποσοστημόρια P10, P50, P90 και την πιθανότητα ζημιάς. 4. Επιστρέφει DataFrame σύνοψης με: P10, P50, P90, πιθανότητα ζημιάς ώστε να εμφανιστεί (spill) στα κελιά. 5. Σε ξεχωριστό βήμα, να δημιουργεί ιστόγραμμα matplotlib της κατανομής κερδών με σημειωμένα τα P10/P50/P90. 6. Να περιλαμβάνει σχόλια ώστε να είναι εύκολα κατανοητός.

Δημιούργησε κώδικα Python in Excel για τμηματοποίηση πελατών με K-Means clustering. • Τα δεδομένα βρίσκονται στον πίνακα [ΟΝΟΜΑ_ΠΙΝΑΚΑ]. • Ο πίνακας περιέχει τις εξής στήλες: [ID_ΠΕΛΑΤΗ], [ΣΥΧΝΟΤΗΤΑ_ΑΓΟΡΩΝ], [ΜΕΣΟ_ΚΑΛΑΘΙ], [ΗΜΕΡΕΣ_ΑΠΟ_ΤΕΛΕΥΤΑΙΑ_ΑΓΟΡΑ]. • Χρησιμοποίησε τις βιβλιοθήκες pandas, numpy, scikit-learn και matplotlib, που είναι ήδη διαθέσιμες στο Python in Excel. Ο κώδικας να: 1. Ελέγχει για ελλιπείς τιμές και τις διαχειρίζεται κατάλληλα. 2. Κανονικοποιεί τα δεδομένα με StandardScaler (απαραίτητο για K-Means). 3. Εκπαιδεύει μοντέλο K-Means με [ΑΡΙΘΜΟΣ_CLUSTERS, π.χ. 4] clusters. 4. Δίνει σε κάθε cluster περιγραφικό όνομα με βάση τα χαρακτηριστικά του (π.χ. VIP, Σταθεροί, Σε κίνδυνο, Νέοι). 5. Επιστρέφει DataFrame με όλες τις στήλες + αριθμό cluster + όνομα ομάδας ώστε να εμφανιστεί (spill) στα κελιά. 6. Σε ξεχωριστά βήματα (για επιπλέον κελιά =PY): το προφίλ κάθε ομάδας (μέσοι όροι και πλήθος ανά cluster) και scatter plot matplotlib με διαφορετικό χρώμα ανά cluster. 7. Σε ξεχωριστό βήμα, να δημιουργεί stripplot με seaborn: στον άξονα Χ το όνομα κάθε ομάδας και στον άξονα Υ τη [ΣΥΧΝΟΤΗΤΑ_ΑΓΟΡΩΝ], με διαφορετικό χρώμα ανά ομάδα — ώστε να φαίνεται με μια ματιά τι χαρακτηρίζει κάθε cluster (π.χ. οι VIP ψηλά, οι Σε κίνδυνο χαμηλά). 8. Να περιλαμβάνει σχόλια ώστε να είναι εύκολα κατανοητός.

Δημιούργησε κώδικα Python in Excel για Sentiment Analysis σε σχόλια πελατών. • Τα δεδομένα βρίσκονται στον πίνακα [ΟΝΟΜΑ_ΠΙΝΑΚΑ]. • Ο πίνακας περιέχει τις εξής στήλες: [ID_ΣΧΟΛΙΟΥ], [ΚΕΙΜΕΝΟ_ΣΧΟΛΙΟΥ] (ελεύθερο κείμενο). • Χρησιμοποίησε τις βιβλιοθήκες pandas, numpy, scikit-learn και nltk, που είναι ήδη διαθέσιμες στο Python in Excel. Ο κώδικας να: 1. Υπολογίζει sentiment score ανά σχόλιο και το κατηγοριοποιεί: −1 = αρνητικό, 0 = ουδέτερο, +1 = θετικό. 2. Εξάγει τα πιο συχνά θέματα (themes) ανά κατηγορία με CountVectorizer (top λέξεις/φράσεις). 3. Επιστρέφει DataFrame με: όλα τα σχόλια + score + κατηγορία ώστε να εμφανιστεί (spill) στα κελιά. 4. Σε ξεχωριστό βήμα, να επιστρέφει πίνακα σύνοψης: πλήθος σχολίων και top θέματα ανά κατηγορία. 5. Σε ξεχωριστό βήμα, να δημιουργεί bar chart matplotlib με το πλήθος σχολίων ανά κατηγορία (Αρνητικά / Ουδέτερα / Θετικά), με διαφορετικό χρώμα ανά κατηγορία και τον αριθμό πάνω από κάθε μπάρα. 6. Σε ξεχωριστό βήμα, να δημιουργεί οριζόντιο bar chart με τις 10 πιο συχνές λέξεις/φράσεις στα αρνητικά σχόλια ώστε να φαίνεται με μια ματιά τι ενοχλεί περισσότερο τους πελάτες. 7. Να περιλαμβάνει σχόλια ώστε να είναι εύκολα κατανοητός.