Аналіз даних в системі моніторингу стану здоров’я людини засобами Python

Размещено на http://www.allbest.ru/

Чорноморський національний університет імені Петра Могили

Аналіз даних в системі моніторингу стану здоров'я людини засобами Python

Кандиба Ігор Олександрович PhD, старший викладач кафедри інженерії програмного забезпечення,

Фісун Микола Тихонович доктор технічних наук, професор кафедри інженерії програмного забезпечення,

Горбань Гліб Валентинович кандидат технічних наук, доцент кафедри інженерії програмного забезпечення

м. Миколаїв

Анотація

У статті досліджено особливості реалізації процесу аналізу даних засобами Python в системі моніторингу стану здоров'я людини. Проведено аналіз сучасних публікацій присвячених побудові програмного забезпечення для аналізу даних з використанням мови програмування Python. Проаналізовано архітектуру інформаційних систем концепції Internet of Medical Things (IoMT), що реалізують функцію збору даних стану здоров'я людини. Описано трирівневу архітектуру систем концепції IoMT, розглянуто протоколи обміну даних в цих системах. Наведено опис можливості застосування фреймворку Django для побудови серверів моніторингу стану здоров'я людини. Розглянута вбудована підсистема реалізації Object-Relational Mapping (ORM), що дозволяє спростити розробку модулів аналізу даних. Визначено переваги використання системи керування базою даних MySQL у якості сховища даних для показників стану здоров'я людини. Проведено аналіз особливостей застосування Pandas для створення тимчасових об'єктів DataFrame, що використовуються при обробці даних. Продемонстровано методи проведення первинного статистичного аналізу інструментарієм Pandas. статистичного аналізу. Досліджено можливість застосування Matplotlib для візуалізації даних стану здоров'я людини. Приділено увагу реалізації будови гістограм та кругових діаграм для візуалізації розподілу показників інструментарієм Matplotlib. Запропоновано застосування інструментарію Seaborn для побудови кореляційних діаграм з метою проведення досліджень. Проаналізовано можливість інтеграції інструментарію реалізації методів штучного інтелекту Waikato Environment for Knowledge Analysis (Weka). Досліджено доступний формат завантаження даних, а саме Attribute-Relation File Format (ARFF). Наведено шаблон коду для початку процесу навчання класифікатора Weka для подальшого спрощення діагностування пацієнту. Описано можливі шляхи розв'язку задачі аналізу даних в системі моніторингу стану здоров'я людини: застосування хмарних засобів, використання різноманітного інструментарію ШІ.

Ключові слова: Python, аналіз даних, Pandas, Matplotlib, Weka.

Abstract

Kandyba Ihor Oleksandrovych PhD, senior lecturer at the Department of Software Engineering, Petro Mohyla Black Sea National University, Mykolaiv

Fisun Mykola Tykhonovych Doctor of Technical Science, professor at the Department of Software Engineering, Petro Mohyla Black Sea National University, Mykolaiv

Horban Hlib Valentynovych Candidate of Sciences, associate professor at the Department of Software Engineering, Petro Mohyla Black Sea National University, Mykolaiv

Antipova Katerina Oleksandrivna PhD, senior lecturer at the Department of Software Engineering, Petro Mohyla Black Sea National University, Mykolaiv

Honcharov Denys Serhiiovych PhD student at the Department of Computer Engineering, Petro Mohyla Black Sea National University, Mykolaiv

DATA ANALYSIS IN THE HUMAN HEALTH MONITORING SYSTEM USING PYTHON

The article explores the peculiarities of implementing the process of data analysis using Python in a human health monitoring system. The analysis of modern publications on the construction of software for data analysis using the Python programming language is carried out. The architecture of information systems of the Internet of Medical Things (IoMT) concept, which implement the function of collecting human health data, is analysed. The three-level architecture of the IoMT systems is described, and the data exchange protocols in these systems are considered. A description of the possibility of using the Django framework to build human health monitoring servers is given. The built-in subsystem for implementing Object-Relational Mapping (ORM) is considered, which allows simplifying the development of data analysis modules. The advantages of using the MySQL database management system as a data warehouse for human health indicators are determined. The features of using Pandas to create temporary DataFrame objects used in data processing are analysed. The methods of primary statistical analysis using Pandas tools are demonstrated. Statistical analysis The possibility of using Matplotlib for visualisation of human health data is explored. Attention is paid to the implementation of the structure of histograms and pie charts for visualising the distribution of indicators using the Matplotlib toolkit. The use of the Seaborn toolkit for building correlation diagrams for research purposes is proposed. The article analyses the possibility of integrating the Waikato Environment for Knowledge Analysis (Weka) artificial intelligence tools. The available data loading format, namely the Attribute-Relation File Format (ARFF), is explored. A code template is presented to start the process of training the Weka classifier to further simplify the diagnosis of a patient. Possible ways of solving the problem of data analysis in a human health monitoring system are described: the use of cloud tools, the use of various AI tools.

Keywords: Python, data analysis, Pandas, Matplotlib, Weka

Постановка проблеми

Впродовж останніх років набирає популярність концепція Internet of Medical Things (IoMT). В основі цієї концепції лежить ідея поєднання різного медичного обладнання та сервісів з метою реалізації функцій відслідковування показників стану здоров'я людини [1]. Реалізація сервісів та програмного забезпечення IoMT базується на використанні протоколів HTTP/ HTTPS і систем керування базами даних (СКБД), що, в свою чергу, забезпечує можливість підключення великої кількості різнорідного обладнання. інформаційний python даний здоров'я

Зібрані дані можуть бути використані безпосередньо лікарями для діагностування стану здоров'я пацієнта або представлені безпосередньо пацієнту для ознайомлення. Однак, незалежно від способу їх використання, дані без попередньої обробки рідко бувають корисними. Найчастіше використовується візуалізація даних або результат їх аналізу [2].

В спеціалізованих багаторівневих системах моніторингу стану здоров'я людини можливо реалізувати обробку даних різними шляхами: використання рівню представлення для візуалізації, застосування інструментарію СКБД на рівні даних, інтеграція окремих сервісів на рівні логіки. Проте, перелічені рішення мають ряд обмежень та недоліків, що пов'язані з великим об'ємом зібраних та безпекою особистих даних. Отже необхідним є розробка інструментарію аналізу даних стану здоров'я людини з підтримкою великих об'ємів даних та забезпеченням безпеки.

Аналіз останніх досліджень і публікацій

В сучасних дослідження розглядається аналіз даних засобами Python у різних сферах. Робота [3] присвячена питанням аналізу даних про використання обчислювальних ресурсів комп'ютерів закладу вищої освіти інструментарієм Pandas та Matplotlib. Розглянуто можливість збору та аналізу інформації про поточне використання обчислювальних ресурсів, апаратне забезпечення та мережу закладу вищої освіти. Описано особливості реалізації первинного статистичного аналізу зібраних даних та можливість їх візуалізації. Однак, варто зазначити, що питання можливості застосування зазначених інструментів Python в інших галузях потребує подальшого дослідження.

Сучасні дослідження спрямовані в галузі аналізу медичних даних спрямовані на інтеграцію методів та засобів ШІ в медичних дослідженнях. Наприклад, дослідження [2] присвячене реалізації можливості використання машинного навчання для визначення патернів дихання у вісні. Автори детально аналізують методи, що використовуються для розв'язку цієї задачі, демонструють можливість застосування спеціалізованого програмного забезпечення при оброці отриманих даних. Проте питання можливості інтеграції отриманих результатів обробки даних з сервісами концепції IoMT потребує подальшого дослідження.

В дослідженні [4] аналізується можливість використання інструментарію мови загального призначення Python для обробки даних спортивних результатів з академічного веслування. Продемонстрований набір даних має спільні риси з даними IoMT: вибірки за віком, статтю, вагою тощо. Описано можливості застосування структури DataFrame для представлення та обробки зазначених даних. Розглянуто можливість проведення первинного статистичного та візуального аналізу за допомогою бібліотек Pandas та Seaborn. Варто зазначити, що питання застосування DataFrame та дослідженого інструментарію для аналізу великих об'ємів даних потребує подальшого вивчення.

Особливості концепції IoMT досліджено в роботі [1]. Наведено основні принципи побудови сервісів для підтримки можливості збору даних стану здоров'я людини з різних пристроїв шляхом використання протоколів HTTP та HTTPS. Запропоновано архітектуру розподіленої системи для підключення медичних пристроїв, смартфонів, робочих місць лікарів тощо. Проте, питання використання інструментарію зберігання та налізу отриманих даних вимагає подальшого дослідження.

Виконаний аналіз показав, що дослідження інструментарію аналізу даних в системах моніторингу стану здоров'я людини є актуальним питанням. Сучасні дослідження висвітлюють можливості використання різних засобів аналізу у різних галузях, але питання інтеграції інструментарію аналізу з медичними даним залишаються відкритими.

Метою статті є дослідження можливості інтеграції засобів аналізу даних мови Python для обробки даних в системі моніторингу стану здоров'я людини.

Виклад основного матеріалу

Концепція IoMT набирає популярності в сучасному світі. IoMT дозволяє поєднати широкий спектр медичних пристроїв, від носимих пристроїв для вимірювання пульсу та кроків до спеціалізованих медичних пристроїв, які використовуються в лікарнях. Ці пристрої можуть збирати різні типи даних, такі як серцевий ритм, тиск, температуру тіла, рівень глюкози та інші біометричні показники. Причиною зростаючої уваги до IoMT є покращення моніторингу стану пацієнта, забезпечення раннього виявлення та попередження медичних проблем, зниження часу відновлення та оптимізацію процесів діагностики та лікування. Однак використання IoMT також вимагає забезпечення конфіденційності та безпеки даних.

Здебільшого сервіси концепції IoMT побудовані на триланковій архітектурі, що включає в себе три шари: шар пристроїв (things layer), шар «туману» (fog layer) та шар хмарних сервісів (cloud layer рис. 1).

Рис. 1 Ілюстрація трирівневої архітектури IoMT [1]

Кожен з перерахованих шарів виконує власну роль[1]:

Шар пристроїв включає в себе медичні пристрої та робочі станції лікарів для передачі, завантаження та відображення даних. Цей рівень безпосередньо пов'язаний з користувачем збір всіх, а це означає даних відбувається на цьому рівні.

Шар «туману» є проміжним між хмарними сервісами та шаром пристроїв. Фізично реалізується за допомогою різних серверів, що можуть обробляти дані перед надсиланням до СКБД, що розміщення у хмарній інфраструктурі. Найчастіше використовується для відображення результату обробки даних користувачу в режимі онлайн.

Шар хмарних сервісів містить базу даних та СКБД для реалізації функцій обміну даними. Залежно від типу хмарної інфраструктури може реалізовувати функції обробки даних, наприклад застосування засобів машинного навчання.

Зважаючи на описані шари сервісів IoMT, можна зробити висновок, що шар «туману» містить засоби обробки даних для подальшого відображення користувача, а отже саме на цьому рівні проходить основний процес аналізу даних. Реалізація таких сервісів потребує застосування спеціалізованого інструментарію з підтримкою можливості інтеграції СКБД і протоколів обміну даними HTTP та HTTPS. До таких засобів належать різні вебфреймворки: Ruby on Rails, ASP.NET, Spring, Django тощо. Ці фреймворки дозволяють розробникам створювати вебзастосунки на мовах програмування загального призначення та забезпечують високий рівень продуктивності розроблених застосунків.

Фреймворк Django призначений для мови програмування Python, що в свою чергу, має широкий спектр інструментарію для аналізу даних [5]. Зазначений фреймворк реалізує технологію Object-Relational Mapping (ORM), яка дозволяє використовувати об'єктно-орієнтовану модель даних і таким чином спрощує розробку елементів взаємодії з користувачем на рівні шару «туману». Ця реалізація ORM підтримує кілька різних СКБД включно з найбільш розповсюдженою MySQL [6].

Важливим чинником для системи аналізу моніторингу стану здоров'я людини є можливість швидко обробляти великі набори даних. Досягти необхідної швидкодії можливо використовуючи можливості кешування запитів засобами СКБД MySQL [7]. Окрім того MySQL підтримується більшістю сучасних хмарних сервісів, що забезпечує розробленому застосунку високу платформонезалежність та надійність за рахунок можливості використання різних провайдерів хмарних сервісів.

Найбільш розповсюдженими даними в системах моніторингу здоров'я людини на основі методології IoMT є: артеріальний тиск, частота серцебиття (пульс), рівень оксигенації та температура. Передавати ці показники можуть, як спеціалізовані медичні пристрої так і носимі пристрої чи прилади побудовані на мікроконтролерах. При аналізі цих даних необхідно враховувати тип пристрою, з якого надійшли дані, адже це впливає на точність зібраних даних. Отже БД обов'язково має містити інформацію не лише про характеристики пацієнта, результати вимірів, а й деталі обладнання з якого надходять дані. Окрім того використання фреймворку Django вимагає створення додаткових таблиць з інформацією про облікові записи, логування помилок, права доступу тощо.

Враховуючи перелічені показники, вимоги фреймовку та дані безпеки, структура БД містить 18 таблиць (рис. 2).

Рис. 2 Структура БД системи моніторингу стану здоров'я людини

Конфіденційність пацієнтів в таких системах дуже важлива. Фрейморк Django містить вбудований інструмент забезпечення безпеки - технологію CSRF protection. Ця технологія усуває ризик отримання доступу до даних неавторизованим користувачем та блокує можливість отримати дані інших користувачів, але водночас лишається небезпека перехоплення даних. Вирішити цю проблему можливо інтеграцією бібліотек Crypto та CryptoJS, що дозволяють шифрувати данні під час їх пересилання.

Зазвичай для точного діагностування необхідний моніторинг впродовж значного проміжку часу, що в свою чергу міститиме кілька сотень тисяч записів в БД. Для здійснення аналізу такого об'єму даних необхідне застосування спеціалізованих бібліотек, наприклад Pandas, Matplotlib та Seaborn.

Pandas універсальний засіб роботи з даними у Python, що дозволяє: структурувати, зчитувати з різних джерел, аналізувати та візувалізувати дані [8]. В контексті аналізу даних у системі моніторингу стану здоров'я людини ця бібліотека може бути інтегрована безпосереднього до вебінтерфейсу Django та працювати з вбудованим ORM або використана у якості окремого мікросервісу і незалежно отримувати доступ до БД. Основними структурами даних у Pandas є класи Series та DataFrame. Перший призначений для роботи з одномірними структурами, що не підходить для аналізу даних з БД. DataFrame використовується для представлення реальних даних: рядки відповідають ознаковим описам окремих об'єктів, а стовпці відповідають ознакам. Отже для аналізу даних стану здоров'я людини доцільним є застосування саме DataFrame.

Застосування DataFrame з бібліотеки Pandas дозволяє не лише зберегти дані в зручному для обробки вигляді, а й провести первинний статистичний аналіз, що дасть змогу лікарю побачити певну важливу інформацію. Серед цієї інформації середнє, стандартне відхилення, діапазон, медіану, 0.25 та 0.75 квартили, мінімальне та максимальне значення. На рис. 3 наведено результати використання методу Describe на прикладі виміру пульсу певного пацієнту.

Рис. 3 Використання методу Describe для проведення первинного статистичного аналізу засобами Python

Результатів первинного статистичного аналізу даних недостатньо для визначення поточного стану пацієнта. Часто для діагностики необхідний аналіз результатів кількох вимірів, візуалізація розподілу даних, визначення форми розподілу тощо. Цей аналіз можна провести використовуючи гістограми. Наприклад, для діагностики серцевих захворювань часто необхідно дослідити результати різних вимірів (рис. 4)

Рис. 4 Гістограми розподілу пульсу

Реалізувати відображення гістограм з використанням мови загального призначення Python можливо інтегрувавши бібліотеку Matplotlib. Ця бібліотека є потужним інструментом для візуалізації даних та створення графіків. Перевагою Matplotlib є можливість інтеграції з іншим інструментарієм Python, наприклад з засобами створення графічного інтерфейсу користувача PyQt [9].

Matplotlib дозволяє відображати одночасно кілька діаграм одночасно. Для використання цієї можливості треба задіяти функцію matplotlib. pyplot.subplot( ), що дозволяє задати сітку для розміщення діаграм. Додавання певного типу діаграм реалізується викликом спеціалізованих функцій: hist( ), plot( ), pie( ) тощо.

Рис. 5 Діаграма Pie chart для вимірювання пульсу

Дослідження розподілу показників не може повністю описати поточний стан пацієнта, лікарю може бути зручніше переглянути показники у вигляді кругової діаграми. Діаграма Pie chart (кругова діаграма) використовується для візуалізації відносних часток або відсотків різних категорій у загальному цілому. В системі моніторингу стану здоров'я людини таку діаграму можна застосувати, наприклад для відображення частоти серцебиття у певному вимірі (Рис. 5).

Графіки дозволяють аналізувати тренди та паттерни у динаміці показників пацієнта упродовж певного часу. Це допомагає визначити можливі проблеми або зміни у стані пацієнта, які можуть бути важливими для діагностики та лікування. Графіки дозволяють візуалізувати великі обсяги даних, отриманих в реальному часі з різних медичних приладів та датчиків. Ця особливість може допомогти медичному персоналу швидше спостерігати за змінами у показниках пацієнта та реагувати на них.

Окрім перелічених діаграм Matplotlib дозволяє створювати звичайні графіки, що також дозволяють побачити певну динаміку змін. Наприклад, можливо відобразити динаміку зміни пульсу пацієнта впродовж часу вимірювання (рис. 6). Реалізується це функцією plot( ), що приймає у якості параметрів координати.

Рис. 6 Побудова графіку пульсу засобами Matplotlib

Існують складніші задачі, для вирішення яких використовується Seaborn. До цих задач можна віднести побудову кореляційних графіків. Такий тип графіків застосовується у разі необхідності проведення загального дослідження та пошуку залежності між певними показниками. Наприклад, в системі моніторингу стану здоров'я людини можливо визначити вплив зайвої ваги на середнє значення пульсу (рис. 7).

Рис. 7 Реалізація кореляційного графіку засобами Seaborn

Одним із інструментів, що можна інтегрувати з Python для аналізу даних в системах моніторингу здоров'я, є Waikato Environment for Knowledge Analysis. Weka - це платформа машинного навчання з відкритим кодом, яка пропонує широкий спектр алгоритмів та інструментів для візуалізації, обробки та моделювання даних. Основні можливості, які вона пропонує - це класифікація, кластеризація, асоціативне навчання і прогнозування.

Сама по собі Weka пропонує зручний графічний інтерфейс та широкий спектр налаштувань для різних алгоритмів машинного навчання, які вбудовані в неї у вигляді бібліотек. Також існує можливість завантажувати додаткові бібліотеки з community weka. Більш того, в ній передбачений режим Weka KnowledgeFlow Environment, де можна комбінувати різні блоки та задавати порядок їхнього виконання. Окрім того, є можливість програмувати у вбудованій консолі.

Окрім того, реалізовані у Weka можливості можна використовувати у вигляді зовнішніх бібліотек. На приклад, для інтеграції Weka з Python можна використовувати бібліотеки, такі як weka3, pyweka3 та pyml. Ці бібліотеки дозволяють завантажувати та обробляти дані Weka, запускати алгоритми машинного навчання та інтерпретувати результати з Python.

Weka3 - це бібліотека Python, яка надає прямий інтерфейс до API Weka Java. Для встановлення бібліотеки треба виконати команду pip install weka3. Почато роботи з Weka3 вимагає створення екземпляра класу Weka: weka = weka3.Weka()

Для подальшої обробки отриманих даних моніторингу необхідне створення екземпляра класу Classifier classifier = pyweka3.classifiers.Classifier(classpath="weka.jar")

Зібрані та збережені необхідно конвертувати в формат Attribute-Relation File Format (ARFF). Це текстовий формат для зберігання даних, який широко використовується в машинному навчанні та аналізі даних. ARFF був створений для використання з програмним забезпеченням Weka, але тепер він підтримується різними іншими інструментами для машинного навчання. Завантаження набору даних ARFF виглядає наступним чином: data = pyweka3.io.load_arff("data.arff')

Після чого можливо застосувати методи машинного навчання. Навчання класифікатора в коді Python можливо таким чином: classifier.train(data)

Прогнозування стану пацієнта можливо реалізувати наступним чином:

new_instance = pyweka3.instances.Instance(data.num_attributes())

new_instance.set_value(0, 1.2)

new_instance.set_value(1, 3.4)

predicted_class = classifier.predict(new_instance)

Додатково до Weka3 можливо інтегрувати PyML. PyML - це бібліотека Python для машинного навчання, яка реалізує широкий спектр алгоритмів та інструментів. Для встановлення бібліотеки треба виконати команду pip install pyml.

Навчання класифікатора відрізняється від засобів Weka3 classifier = NaiveBayesClassifier() classifier.fit(X, y)

Прогнозування для нового примірника можливо застосуванням методу predict( ):

new_instance = [13.4, 15.6]

predicted_class = classifier.predict(new_instance)

print(predicted_class)

Програмне забезпечення не в змозі повноцінно замінити лікарів, але воно може суттєво допомогти при діагностуванні. Особливо важливо коректно обробляти великі обсяги діагностичних даних, що є основою для постановки правильного діагнозу.

Висновки

Виконано дослідження архітектури сучасних інформаційних систем побудованих на основі концепції IoMT. Проаналізовано можливості мови загального призначення Python. Визначено набір інструментів для первинного статистичного аналізу даних стану здоров'я людини. Описано процес інтеграції цього інструментарію з сервісами IoMT побудованими на основі використання мови Python та фреймворку Django. Наведено дослідження можливості інтеграції інструментарію Weka у якості засобів ШІ для подальшої обробки отриманих даних.

В майбутньому планується дослідити можливість реалізації процесу аналізу даних стану здоров'я людини за допомогою хмарних технологій. Окрім того необхідне дослідження можливості впровадження додаткових засобів ШІ, наприклад TensorFlow, PyTorch, Scikit-leam тощо.

Література

1. Razdan S., Sharma S. Internet of medical things (IoMT): Overview, emerging technologies, and case studies. IETE technical review. Vol. 39, Issue 4. P. 775-788.

2. Chuiko G., Darnapuk Y., Dvornik O. Abdominal electromyograms mining: breathing patterns of asleep adults. Radioelectronic and Computer Systems. No. 3. 2023. P. 60-72.

3. Кандиба І. О., Горбань Г. В., Гончарова Н. В., Гончаров Д. С. Статистичний аналіз даних про використання обчислювальних ресурсів комп'ютерів закладу вищої освіти засобами Python. Вісник Херсонського національного технічного університету. № 1 (84). С.148-154.

4. Горбань Г. В., Кандиба І. О., Антіпова К. О., Кірей К.О. Первинний та візуальний аналіз даних спортивних результатів з академічного веслування засобами мови Python з використанням бібліотек Pandas, Matplotlib та Seaborn. Таврійський науковий вісник. Серія: Технічні науки. № 3. С. 27-37.

5. Idris I. Python data analysis. Packt Publishing Ltd, 2014. 348 p.

6. Mele A. Django 3 By Example: Build powerful and reliable Python web applications from scratch. Packt Publishing Ltd, 2020. 533 p.

7. DuBois P. MySQL cookbook: Solutions for database developers and administrators. «O'Reilly Media, Inc., 2014. 866 p.

8. Bantilan N. Pandera: Statistical data validation of pandas dataframes. Proceedings of the Python in Science Conference (SciPy)(2020). P. 116-124.

9. Sial A. H., Rashdi S. Y. S., Khan A. H. Comparative analysis of data visualization libraries Matplotlib and Seaborn in Python. International Journal. Vol. 10, Issue 1. P. 45.

References

1. Razdan, S., & Sharma, S. (2022). Internet of medical things (IoMT): Overview, emerging technologies, and case studies. IETE Technical Review, 39(4), 775-788.

2. Chuiko, G., Darnapuk, Y., Dvornik, O., & Krainyk, Y. (2023). Abdominal electromyograms mining: breathing patterns of asleep adults. Radioelectronic and Computer Systems, 3, 60-72.

3. Kandyba, I. O., Horban, H. V., Honcharova, N. V., & Honcharov, D. S. (2023). Statystychnyi analiz danykh pro vykorystannia obchysliuvalnykh resursiv kompiuteriv zakladu vyshchoi osvity zasobamy Python. Vestnyk Khersonskoho Natsyonalnoho Tekhnycheskoho Unyversyteta, 1 (84), 148-154.

4. Horban, H. V., Kandyba, I. O., Antipova, K. O., & Kirei, K. O. (2022). Pervynnyi ta vizualnyi analiz danykh sportyvnykh rezultativ z akademichnoho vesluvannia zasobamy movy python z vykorystanniam bibliotek PANDAS, MATPLOTLIB TA SEABORN. Tavriiskyi Naukovyi Visnyk. Seriia: Tekhnichni Nauky, 3, 27-37.

5. Idris, I. (2014). Python data analysis. Packt Publishing Ltd, 348.

6. Mele, A. (2020). Django 3 By Example: Build powerful and reliable Python web applications from scratch. Packt Publishing Ltd, 533.

7. DuBois, P. (2014). MySQL cookbook: Solutions for database developers and administrators. “ O'Reilly Media, Inc.”, 866.

8. Bantilan, N. (2020). Pandera: Statistical data validation of pandas dataframes. Proceedings of the Python in Science Conference (SciPy), 116-124.

9. Sial, A. H., Rashdi, S. Y. S., & Khan, A. H. (2021). Comparative analysis of data visualization libraries Matplotlib and Seaborn in Python. International Journal, 10(1), 45.

Размещено на Allbest.ru