Обработка больших массивов данных в Python для целей прикладных социально-экономических исследований: преимущества и актуальные вопросы

Статья посвящена исследованию особенностей процессов обработки больших массивов данных с  помощью языка программирования Python. В   отличие от   табличных процессоров или готовых программных продуктов, языки программирования предлагают пользователю гибкий инструментарий для реализации поставленных задач. Вместе с  тем это создает определенные риски, связанные с   эффективностью использования соответствующих инструментов и   оптимизации работы программы. Целью статьи является изучение особенностей обработки больших массивов данных в   Python на  примерах непосредственных исследовательских задач. Актуальность темы и  цели статьи обусловлена существующим научным пробелом, связанным с   комплексным рассмотрением технических аспектов использования языков программирования и   сопряженного инструментария для социально-экономических исследований. Так, многие авторы, которые применяют языки программирования в  своих работах, крайне редко предоставляют информацию, касающуюся преимуществ определенных алгоритмов или подходов. В   рамках статьи автор на   примере конкретных исследовательских задач рассматривает процессы и  алгоритм обработки большого массива данных. В  заключении сделаны выводы об  особенностях и   преимуществах Python при работе с  большими массивами данных, а   также о  перспективности развития соответствующей научной тематики.

1. Цыпин А.П., Сорокин А.С. Статистические пакеты программ в социально-экономических исследованиях. Азимут научных исследований: экономика и управление. 2016;4(17(5):379–384.

2. Карпович А.О. Способы обработки экономической информации посредством языка программирования Python. В кн.: XVI Машеровские чтения: материалы международной научно-практической конференции студентов, аспирантов и молодых ученых, том 1, Витебск, 21 октября 2022 г. Витебск: Витебский государственный университет имени П.М. Машерова; 2022. С. 31–32.

3. Рабинович А.Е., Седова Е.А. Постановка первоначальных аналитических гипотез с использованием визуализации данных на примере изучения влияния социально-экономических факторов на состояние психического здоровья населения. Российский экономический интернет-журнал. 2020;4:44–52.

4. Русинова М.Р. Стратегирование развития территориальных социально-экономических систем на основе использования инструментария «умного» бенчмаркинга. Дис. ... канд. экон. наук: 08.00.05. Пермь: Пермский национальный исследовательский политехнический университет; 2021. 152 с.

5. Семенюта О.Г., Дубинина И.В., Дегтярев А.С. Совершенствование инструментария идентификации ключевых социально-экономических факторов влияния на рынок ипотечного жилищного кредитования России. Финансовые исследования. 2021;4(73):106–113.

6. Rungskunroch P., Shen Z.-J., Kaewunruen S. Benchmarking socio-economic impacts of high-speed rail networks using k-nearest neighbour and Pearson’s correlation coefficient techniques through computational model-based analysis. Applied Sciences. 2022,3(12). http://dx.doi.org/10.3390/app12031520

7. Chen M.-Y., Chen T.-H. Modeling public mood and emotion: blog and news sentiment and socio-economic phenomena. Future Generation Computer Systems. 2019;96:692–699. http://dx.doi.org/10.1016/j.future.2017.10.028