Moduł 1 · Python w pracy analityka: start
Python w pracy analityka: środowisko i pierwszy notatnik
Po tej lekcji przygotujesz środowisko pracy analityka w Pythonie: zainstalujesz interpreter, utworzysz środowisko wirtualne z bibliotekami i uruchomisz pierwszy notatnik. Zrozumiesz też, kiedy Python daje przewagę nad arkuszem kalkulacyjnym, a kiedy arkusz w zupełności wystarczy.
Po co analitykowi Python
Przez cały kurs pracujesz jako analityk w fikcyjnej hurtowni artykułów biurowych Kreska sp. z o.o. z Łodzi. Firma sprzedaje papier, artykuły piśmienne, segregatory, tonery i drobne akcesoria do biur, szkół i sklepów w sześciu województwach. Co miesiąc dział sprzedaży eksportuje z systemu fakturowego plik CSV z kilkuset pozycjami faktur, a zarząd pyta o to samo: ile sprzedaliśmy, w których regionach realizujemy plan i co się zmieniło względem zeszłego roku.
W arkuszu kalkulacyjnym taką analizę robi się ręcznie: wklejasz eksport, poprawiasz format liczb, przeciągasz formuły, odświeżasz tabelę przestawną. Za miesiąc powtarzasz to samo. W Pythonie piszesz te kroki raz, jako skrypt albo notatnik, a potem uruchamiasz go na nowym pliku. Zyskujesz trzy rzeczy: powtarzalność (ten sam wynik przy tych samych danych), ślad pracy (każdy krok jest zapisany w kodzie, więc łatwo go sprawdzić) i skalę (setki tysięcy wierszy nie spowalniają pracy tak jak w arkuszu).
Arkusz nadal ma swoje miejsce. Szybka kalkulacja, jednorazowe zestawienie dla kolegi albo plik, który ktoś będzie edytował ręcznie, to naturalne zadania dla Excela. Dobry analityk korzysta z obu narzędzi: Python przygotowuje i liczy dane, a gotowy raport często i tak trafia do odbiorcy jako plik xlsx. Tego nauczysz się w module 6.
Porównanie typowych zadań w dziale sprzedaży.
Instalacja Pythona i środowisko wirtualne
Instalator pobierzesz ze strony python.org/downloads. Według oficjalnego przewodnika deweloperów Pythona (stan na 15.10.2026) najnowsza wersja to 3.15, wydana 9 października 2026 r., a poprawki błędów otrzymują wersje 3.14 i 3.15. Świeże wydania potrzebują zwykle kilku tygodni, zanim wszystkie biblioteki przygotują dla nich gotowe pakiety, dlatego do kursu wybierz Pythona 3.13 lub 3.14. Pandas 3.0, główna biblioteka kursu, wymaga co najmniej Pythona 3.11. W systemie Windows dokumentacja zaleca od wersji 3.14 narzędzie Python Install Manager (ze sklepu Microsoft Store lub z python.org), a dawny instalator jest wycofywany. Po instalacji Pythona uruchomisz poleceniem python albo py; wersję wybierzesz na przykład poleceniem py install 3.14.
Każdy projekt trzymaj w osobnym środowisku wirtualnym. To folder z własną kopią interpretera i bibliotek, więc aktualizacja pakietu w jednym projekcie nie zepsuje drugiego. Moduł venv jest wbudowany w Pythona:
mkdir analiza-kreska
cd analiza-kreska
python -m venv .venv
# Windows (PowerShell):
.venv\Scripts\Activate.ps1
# macOS i Linux:
source .venv/bin/activate
python -m pip install pandas matplotlib openpyxl jupyterlabPo aktywacji nazwa środowiska pojawi się na początku wiersza poleceń. Polecenie python -m pip jest pewniejsze niż samo pip, bo instaluje pakiety do tego Pythona, którego właśnie używasz. Biblioteka openpyxl jest potrzebna do odczytu i zapisu plików xlsx, a jupyterlab do pracy w notatnikach. NumPy zainstaluje się samo, bo pandas z niego korzysta. Gdy projekt działa, zapisz listę wersji poleceniem python -m pip freeze > requirements.txt, żeby współpracownik odtworzył to samo środowisko.
Notatnik czy skrypt
Python uruchomisz na dwa sposoby. Notatnik Jupyter (plik .ipynb) składa się z komórek: piszesz kilka linijek, uruchamiasz je skrótem Shift+Enter i od razu widzisz wynik albo tabelę pod spodem. To najlepsze miejsce do poznawania danych i sprawdzania pomysłów. JupyterLab uruchomisz poleceniem jupyter lab w aktywnym środowisku, a przeglądarka otworzy się sama.
Skrypt (plik .py) wykonuje się od początku do końca poleceniem python nazwa.py. Tak zapisujesz proces, który ma działać co miesiąc bez Twojego udziału, na przykład raport sprzedaży. Wiele osób pracuje w edytorze Visual Studio Code z rozszerzeniem Python, które obsługuje oba formaty w jednym oknie.
Typowa ścieżka w pracy analityka wygląda tak: zaczynasz od notatnika, a gdy analiza się ustabilizuje, przenosisz sprawdzone kroki do skryptu.
Pierwsze obliczenia w komórce
W notatniku Python działa jak bardzo dokładny kalkulator, który zapamiętuje wyniki pod nazwami. Klient z Piotrkowa Trybunalskiego zamawia 40 ryz papieru A4 po 17,90 zł netto z rabatem 5%. W kodzie liczby dziesiętne zapisujesz z kropką, a nie z przecinkiem:
cena_netto = 17.90
ilosc = 40
rabat_pct = 5
wartosc_netto = ilosc * cena_netto * (1 - rabat_pct / 100)
print(wartosc_netto)Nazwy po lewej stronie znaku = to zmienne. Dzięki nim zmieniasz jedną wartość, na przykład rabat, i uruchamiasz komórkę ponownie, a reszta przelicza się sama. Nazwy pisz małymi literami, bez polskich znaków i spacji, ze słowami łączonymi podkreślnikiem. Python dopuszcza polskie litery w nazwach, ale część narzędzi i współpracowników będzie mieć z nimi kłopot.
Najważniejsze w 3 punktach
- Python opłaca się wtedy, gdy analizę trzeba powtarzać, sprawdzać lub łączyć z wielu plików; do jednorazowych zestawień wystarczy arkusz.
- Każdy projekt prowadź w osobnym środowisku wirtualnym i instaluj pakiety poleceniem
python -m pip install. - Notatnik służy do poznawania danych, a skrypt do procesu, który uruchamiasz regularnie.
Źródła
- Python Developer's Guide, Status of Python versions, stan na 15.10.2026: https://devguide.python.org/versions/
- Dokumentacja Pythona, moduł venv: https://docs.python.org/3/library/venv.html
- Dokumentacja Pythona, instalacja w systemie Windows: https://docs.python.org/3/using/windows.html
- pandas 3.0.0, What's new (21.01.2026), wymagana wersja Pythona: https://pandas.pydata.org/docs/whatsnew/v3.0.0.html
- Strony pakietów na PyPI, wersje z 15.10.2026: https://pypi.org/project/pandas/ oraz https://pypi.org/project/openpyxl/
- Dokumentacja JupyterLab, uruchamianie: https://jupyterlab.readthedocs.io/en/latest/getting_started/starting.html