| Bài 3: Python cho Phân tích dữ liệu: Kỹ năng “vàng” trong kỷ nguyên 4.0

Dữ liệu đang được ví như “dầu mỏ” của thế kỷ 21. Tuy nhiên, dầu mỏ chỉ có giá trị khi được tinh chế, và Python chính là “nhà máy tinh chế” dữ liệu mạnh mẽ nhất hiện nay. Nếu bạn muốn trở thành một Data Analyst chuyên nghiệp, Python là kỹ năng không thể thiếu.

1. Tại sao Python thống trị mảng phân tích dữ liệu?

Khác với Excel bị giới hạn bởi số lượng dòng và hiệu năng, Python có thể xử lý hàng triệu bản ghi trong tích tắc. Với các thư viện “quyền năng” như:
– Pandas: Biến đổi, làm sạch và phân tích dữ liệu bảng chuyên nghiệp.
– Numpy: Xử lý các phép toán ma trận và tính toán số học phức tạp.
– Matplotlib/Seaborn: Vẽ biểu đồ trực quan hóa dữ liệu sinh động.

2. Ứng dụng thực tế trong quản trị và kinh doanh

Phân tích dữ liệu không chỉ dành cho dân IT. Python giúp:
– Ngành Tài chính: Phân tích xu hướng thị trường, dự báo rủi ro.
– Marketing: Phân tích hành vi khách hàng, tối ưu hóa chiến dịch quảng cáo.
– Vận hành: Dự báo kho bãi và tối ưu hóa chuỗi cung ứng.

3. Từ biểu đồ đến những quyết định kinh doanh

Một bức ảnh có giá trị bằng nghìn lời nói. Với Python, bạn có thể biến những con số khô khan thành những biểu đồ trực quan, giúp ban lãnh đạo dễ dàng đưa ra các quyết định chiến lược dựa trên dữ liệu thật (Data-driven decisions).

4. Học phân tích dữ liệu thực chiến tại HNDL

Khóa học tại HNDL tập trung vào việc áp dụng Python để giải quyết các bài toán dữ liệu thực tế. Bạn sẽ được thực hành trên các bộ dữ liệu thật từ thị trường chứng khoán, bất động sản và thương mại điện tử.

👉 Nâng tầm kỹ năng phân tích dữ liệu của bạn tại: https://www.huongnghiepdulieu.com/lap-trinh-python/

---

Hình ảnh minh họa: Một chuyên gia đang làm việc với các biểu đồ dữ liệu phức tạp trên màn hình lớn, sử dụng Python để phân tích.

---

🔧 Bắt Đầu Với Python: Cài Đặt Môi Trường Trong 10 Phút

Trước khi phân tích dữ liệu, bạn cần một môi trường Python hoạt động ổn định. Có hai cách phổ biến:

Cách 1: Cài Anaconda (khuyên dùng cho người mới)

Anaconda là bộ cài sẵn gồm Python + hàng trăm thư viện phổ biến + Jupyter Notebook. Bạn chỉ cần tải về, cài đặt và mở Jupyter Notebook là có thể bắt đầu. Ưu điểm: không cần cấu hình gì, quản lý môi trường (conda) đơn giản.

Cách 2: Cài Python thuần + pip

Nếu bạn muốn gọn nhẹ hơn, cài Python từ python.org rồi cài các thư viện bằng lệnh:

pip install pandas numpy matplotlib seaborn jupyter

Sau khi cài xong, hãy kiểm tra phiên bản để chắc chắn mọi thứ hoạt động:

import pandas as pd
import numpy as np
print(pd.__version__)
print(np.__version__)

🐼 Pandas: “Con Dao” Sắc Bén Nhất Của Data Analyst

Pandas là thư viện quan trọng nhất trong phân tích dữ liệu Python. Nó giới thiệu hai cấu trúc dữ liệu cốt lõi:

• Series: Mảng một chiều có nhãn (giống một cột).
• DataFrame: Bảng hai chiều (hàng × cột) — giống bảng tính Excel nhưng mạnh mẽ hơn nhiều.

Đọc dữ liệu từ file CSV chỉ mất một dòng:

import pandas as pd

df = pd.read_csv("doanh_thu.csv")
print(df.head())        # 5 dòng đầu tiên
print(df.shape)         # (số dòng, số cột)
print(df.info())        # thông tin kiểu dữ liệu từng cột

Với df.head() bạn nhìn thấy dữ liệu; df.shape cho biết kích thước; df.info() tiết lộ kiểu dữ liệu và giá trị thiếu. Đây là bước “khám phá dữ liệu” (EDA – Exploratory Data Analysis) đầu tiên mà mọi Data Analyst đều thực hiện.

🧹 Làm Sạch Dữ Liệu (Data Cleaning) — 80% Công Việc Thực Tế

Trong thực tế, dữ liệu hiếm khi sạch. Bạn sẽ gặp giá trị thiếu (missing), trùng lặp (duplicate), sai định dạng… Xử lý chúng là kỹ năng quan trọng nhất:

# 1. Phát hiện giá trị thiếu
print(df.isnull().sum())

# 2. Điền giá trị thiếu bằng trung bình cột
df["doanh_thu"].fillna(df["doanh_thu"].mean(), inplace=True)

# 3. Xoá dòng trùng lặp
df.drop_duplicates(inplace=True)

# 4. Đổi kiểu dữ liệu cột ngày tháng
df["ngay"] = pd.to_datetime(df["ngay"])

Lưu ý quan trọng: Việc xử lý giá trị thiếu cần dựa trên bối cảnh. Với dữ liệu chuỗi thời gian, điền trung bình có thể sai lệch; khi đó nên dùng phương pháp ffill (điền theo giá trị trước đó) hoặc nội suy interpolate().

🧮 NumPy: Sức Mạnh Tính Toán Số Học

NumPy là nền tảng tính toán số học của Python, xử lý mảng nhiều chiều cực nhanh. Mọi thư viện phân tích khác (Pandas, scikit-learn) đều xây dựng trên NumPy:

import numpy as np

arr = np.array([10, 20, 30, 40, 50])
print(arr.mean())      # giá trị trung bình
print(arr.std())       # độ lệch chuẩn
print(arr.max(), arr.min())

# Ma trận và phép toán vector hoá
a = np.random.rand(3, 3)
b = np.random.rand(3, 3)
c = np.dot(a, b)       # nhân ma trận
print(c.shape)

Ưu điểm lớn nhất của NumPy là vector hoá — thay vì dùng vòng lặp xử lý từng phần tử, bạn thực hiện phép toán trên toàn bộ mảng cùng lúc, giúp tốc độ nhanh hơn hàng chục lần so với Python thuần.

📊 Trực Quan Hoá Dữ Liệu Với Matplotlib & Seaborn

Biểu đồ giúp bạn và ban lãnh đạo “thấy” câu chuyện trong dữ liệu. Hai thư viện phổ biến nhất:

import matplotlib.pyplot as plt
import seaborn as sns

# Biểu đồ đường - theo dõi xu hướng theo thời gian
plt.figure(figsize=(10, 5))
plt.plot(df["ngay"], df["doanh_thu"], marker="o")
plt.title("Doanh thu theo thời gian")
plt.xlabel("Ngày")
plt.ylabel("Doanh thu")
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

# Biểu đồ phân phối - xem dữ liệu tập trung ở đâu
sns.histplot(df["doanh_thu"], bins=30, kde=True)
plt.title("Phân phối doanh thu")
plt.show()

# Ma trận tương quan - tìm mối quan hệ giữa các biến
sns.heatmap(df.corr(), annot=True, cmap="coolwarm")
plt.show()

Một bức ảnh có giá trị bằng nghìn lời nói — biểu đồ chính là “ngôn ngữ chung” giữa đội ngũ kỹ thuật và ban lãnh đạo trong mọi doanh nghiệp hiện đại.

🏢 Case Study: Phân Tích Doanh Thu Cửa Hàng

Hãy cùng áp dụng toàn bộ kiến thức trên vào một bài toán thực tế: phân tích doanh thu cửa hàng để tìm sản phẩm bán chạy và nhóm khách hàng tiềm năng.

import pandas as pd
import matplotlib.pyplot as plt

# Giả định dữ liệu giao dịch
df = pd.read_csv("ban_hang.csv")
print(df.head())

# Tổng doanh thu theo sản phẩm
top = df.groupby("san_pham")["doanh_thu"].sum().sort_values(ascending=False)
print("Top 5 sản phẩm bán chạy:")
print(top.head(5))

# Doanh thu theo tháng
df["thang"] = pd.to_datetime(df["ngay"]).dt.to_period("M")
monthly = df.groupby("thang")["doanh_thu"].sum()
monthly.plot(kind="bar", figsize=(10, 5))
plt.title("Doanh thu theo tháng")
plt.show()

# Khách hàng chi tiêu nhiều nhất (RFM đơn giản)
rfm = df.groupby("khach_hang")["doanh_thu"].sum().sort_values(ascending=False)
print("Top 10 khách hàng:", rfm.head(10).tolist())

Kết quả phân tích này giúp chủ cửa hàng trả lời các câu hỏi kinh doanh: Nên nhập thêm sản phẩm nào? Tháng nào bán chạy nhất? Nên chăm sóc khách hàng nào ưu tiên? — tất cả đều dựa trên dữ liệu thật, không phải cảm tính.

📈 Lộ Trình Học Python Cho Người Mới Tại HNDL

Để trở thành Data Analyst, bạn cần lộ trình rõ ràng và thực hành liên tục:

1. Nền tảng Python: Biến, kiểu dữ liệu, câu điều kiện, vòng lặp, hàm.
2. NumPy & Pandas: Xử lý mảng, bảng dữ liệu, làm sạch dữ liệu.
3. Trực quan hoá: Matplotlib, Seaborn để trình bày số liệu.
4. Thống kê cơ bản: Trung bình, phương sai, tương quan, kiểm định giả thuyết.
5. Bài toán thực tế: Phân tích chứng khoán, bất động sản, thương mại điện tử.
6. Dự án cuối khoá: Xây dựng báo cáo phân tích hoàn chỉnh cho doanh nghiệp giả định.

Tại HNDL, bạn được thực hành trên bộ dữ liệu thật từ thị trường chứng khoán, bất động sản và thương mại điện tử — không học lý thuyết suông mà làm việc với dữ liệu như một Data Analyst thực thụ.

❓ Câu Hỏi Thường Gặp (FAQ)

Hỏi: Học Python phân tích dữ liệu có cần giỏi lập trình trước không?
Không cần. Bạn chỉ cần tư duy logic cơ bản. Phân tích dữ liệu thiên về xử lý số liệu và đặt câu hỏi kinh doanh hơn là lập trình phức tạp.

Hỏi: Excel có đủ không? Sao phải học Python?
Excel giỏi cho dữ liệu nhỏ (vài chục nghìn dòng). Python xử lý hàng triệu bản ghi, tự động hoá, tái sử dụng và tích hợp học máy — vượt trội khi dữ liệu lớn và quy trình lặp lại.

Hỏi: Mất bao lâu để có thể đi làm Data Analyst?
Trung bình 3-6 tháng học và thực hành nghiêm túc, kèm 2-3 dự án cá nhân để minh hoạ kỹ năng.

Hỏi: Ngoài Python còn cần học gì nữa?
SQL (lấy dữ liệu từ cơ sở dữ liệu), thống kê, và một công cụ trực quan hoá (Power BI/Tableau) là bộ kỹ năng chuẩn của Data Analyst.

Hỏi: Jupyter Notebook khác gì file .py?
Notebook chạy từng ô (cell) và hiển thị kết quả ngay dưới code — tuyệt vời để khám phá dữ liệu. File .py phù hợp để viết script tự động hoá hoàn chỉnh.

---

👉 Nâng tầm kỹ năng phân tích dữ liệu của bạn tại: https://www.huongnghiepdulieu.com/lap-trinh-python/

🗃️ SQL: Ngôn Ngữ Lấy Dữ Liệu Mà Data Analyst Phải Biết

Python xử lý dữ liệu xuất sắc, nhưng trước khi xử lý, bạn cần lấy dữ liệu — và đó là lúc SQL xuất hiện. SQL (Structured Query Language) là ngôn ngữ truy vấn cơ sở dữ liệu, được dùng ở hầu hết mọi công ty:

-- Lấy doanh thu theo tháng từ bảng đơn hàng
SELECT DATE_TRUNC('month', ngay_dat) AS thang,
       SUM(doanh_thu) AS tong_doanh_thu
FROM don_hang
WHERE trang_thai = 'hoan_thanh'
GROUP BY DATE_TRUNC('month', ngay_dat)
ORDER BY thang;

Kết hợp SQL (lấy dữ liệu) + Python (xử lý & phân tích) là combo chuẩn của Data Analyst. Nếu bạn biết cả hai, bạn có thể tự lấy dữ liệu từ kho dữ liệu (data warehouse) của công ty, xử lý và đưa ra insight mà không cần chờ đợi ai.

📉 Thống Kê Mô Tả: Hiểu “Bức Tranh” Dữ Liệu

Trước khi xây dựng bất kỳ mô hình nào, bạn cần hiểu dữ liệu của mình qua thống kê mô tả:

import pandas as pd

# Thống kê mô tả toàn bộ cột số
print(df.describe())

# Giá trị trung bình, trung vị, mode
print("Trung bình:", df["doanh_thu"].mean())
print("Trung vị:", df["doanh_thu"].median())
print("Mode:", df["doanh_thu"].mode())

# Phân phối theo phần trăm
print(df["doanh_thu"].quantile([0.25, 0.5, 0.75]))

Các khái niệm quan trọng:

• Mean (trung bình): Tổng chia số lượng — nhạy cảm với giá trị ngoại lai.
• Median (trung vị): Giá trị ở giữa — bền vững hơn khi có outlier.
• Standard deviation (độ lệch chuẩn): Đo mức phân tán của dữ liệu quanh giá trị trung bình.
• Quartile (tứ phân vị): Chia dữ liệu thành 4 phần, giúp phát hiện bất thường.

🎨 Kỹ Thuật Trực Quan Hoá Nâng Cao

Ngoài biểu đồ cơ bản, Data Analyst chuyên nghiệp cần thành thạo các kỹ thuật nâng cao:

import seaborn as sns
import matplotlib.pyplot as plt

# Box plot - phát hiện giá trị ngoại lai theo nhóm
sns.boxplot(x="khu_vuc", y="doanh_thu", data=df)
plt.title("Phân phối doanh thu theo khu vực")
plt.show()

# Pair plot - mối quan hệ giữa nhiều biến số
sns.pairplot(df[["doanh_thu", "khach_hang", "san_pham", "chi_phi"]])
plt.show()

# Subplot - kết hợp nhiều biểu đồ
fig, axes = plt.subplots(2, 2, figsize=(12, 8))
sns.histplot(df["doanh_thu"], kde=True, ax=axes[0, 0])
sns.scatterplot(x="chi_phi", y="doanh_thu", data=df, ax=axes[0, 1])
sns.countplot(x="khu_vuc", data=df, ax=axes[1, 0])
df.groupby("thang")["doanh_thu"].sum().plot(ax=axes[1, 1])
plt.tight_layout()
plt.show()

Một báo cáo phân tích tốt không cần 50 biểu đồ, mà cần những biểu đồ đúng — mỗi biểu đồ trả lời một câu hỏi kinh doanh cụ thể.

🚀 Tự Động Hoá Báo Cáo: Từ Thủ Công Đến Một Cú Click

Điểm mạnh của Python là tự động hoá. Thay vì mỗi sáng mở Excel, tải dữ liệu, làm biểu đồ… bạn có thể viết một script chạy tự động:

import pandas as pd
import matplotlib.pyplot as plt

# 1. Đọc dữ liệu mới
df = pd.read_csv("du_lieu_moi_nhat.csv")

# 2. Xử lý & tính toán KPI
df["ngay"] = pd.to_datetime(df["ngay"])
kpi = df.groupby(df["ngay"].dt.to_period("D"))["doanh_thu"].sum()

# 3. Tạo biểu đồ
kpi.plot(figsize=(10, 5))
plt.title("Doanh thu hàng ngày")
plt.savefig("bao_cao_doanh_thu.png", dpi=150, bbox_inches="tight")

# 4. Xuất file báo cáo
df.to_excel("bao_cao_ngay.xlsx", index=False)
print("Đã tạo báo cáo tự động!")

Bạn có thể đặt script chạy theo lịch (scheduler) để mỗi sáng email báo cáo tự gửi tới ban lãnh đạo. Đây chính là giá trị “người máy” mà Python mang lại cho doanh nghiệp — tiết kiệm hàng giờ làm việc thủ công mỗi ngày.

📊 Case Study Bổ Sung: Phân Tích Khách Hàng Theo Nhóm (Cohort)

Phân tích cohort giúp bạn hiểu hành vi khách hàng theo thời gian — nhóm nào quay lại mua, nhóm nào rời đi:

import pandas as pd

df = pd.read_csv("khach_hang.csv")
df["ngay_dau"] = pd.to_datetime(df["ngay_mua_dau"])
df["thang_dau"] = df["ngay_dau"].dt.to_period("M")
df["thang_mua"] = pd.to_datetime(df["ngay_mua"]).dt.to_period("M")
df["thang_thu"] = (df["thang_mua"] - df["thang_dau"]).apply(lambda x: x.n)

# Ma trận cohort: tỷ lệ khách hàng quay lại theo từng tháng
cohort = df.groupby(["thang_dau", "thang_thu"])["khach_hang"].nunique().unstack()
cohort_rate = cohort.divide(cohort[0], axis=0) * 100
print(cohort_rate.round(1))

Kết quả cho biết: Khách mua vào tháng 1, tháng nào quay lại nhiều nhất? Retention đang tăng hay giảm? — thông tin cực kỳ giá trị cho chiến lược giữ chân khách hàng.

🐍 Cài Đặt Python Và Môi Trường Phát Triển

Để bắt đầu hành trình Data Analyst, bạn cần thiết lập môi trường đúng cách. Có hai lựa chọn phổ biến:

Lựa chọn 1: Anaconda (khuyên dùng cho người mới)

Anaconda là bộ cài đặt trọn gói gồm Python, Jupyter Notebook và hàng trăm thư viện khoa học dữ liệu. Chỉ cần tải về, cài đặt và mở Jupyter là bạn có thể bắt đầu ngay mà không cần cấu hình phức tạp.

Lựa chọn 2: Python thuần + pip

Nếu muốn gọn nhẹ, cài Python từ python.org rồi cài thư viện bằng pip:

# Kiểm tra Python đã cài
python --version

# Cài các thư viện cần thiết
pip install pandas numpy matplotlib seaborn jupyter

# Khởi động Jupyter Notebook
jupyter notebook

Jupyter Notebook là “sổ tay tương tác” — bạn viết code trong từng ô (cell), chạy và xem kết quả ngay bên dưới. Đây là công cụ chuẩn của mọi Data Analyst khi khám phá và phân tích dữ liệu.

🧹 Làm Sạch Dữ Liệu Chi Tiết: Xử Lý Giá Trị Thiếu Và Ngoại Lai

Dữ liệu thực tế luôn “bẩn”. Đây là các tình huống điển hình và cách xử lý:

import pandas as pd
import numpy as np

df = pd.read_csv("du_lieu.csv")
print(df.isnull().sum())   # số giá trị thiếu mỗi cột

# Cách 1: Xoá dòng có giá trị thiếu (nếu ít)
df_clean = df.dropna(subset=["doanh_thu"])

# Cách 2: Điền bằng giá trị trung bình / trung vị
df["doanh_thu"].fillna(df["doanh_thu"].median(), inplace=True)

# Cách 3: Điền theo thời gian (dữ liệu chuỗi)
df["gia"].fillna(method="ffill", inplace=True)  # lấy giá trị trước đó

# Phát hiện giá trị ngoại lai bằng IQR
Q1 = df["doanh_thu"].quantile(0.25)
Q3 = df["doanh_thu"].quantile(0.75)
IQR = Q3 - Q1
outliers = df[(df["doanh_thu"]  Q3 + 1.5*IQR)]
print(f"Số giá trị ngoại lai: {len(outliers)}")

Nguyên tắc: Không có cách xử lý nào “đúng tuyệt đối” — phụ thuộc vào bối cảnh dữ liệu và mục tiêu phân tích. Quan trọng là bạn hiểu tại sao chọn cách xử lý và ghi chú lại quy trình để tái lập.

📈 Phân Tích Chuỗi Thời Gian Cơ Bản Với Python

Phân tích chuỗi thời gian (time series) là kỹ năng quan trọng trong tài chính, bán lẻ, vận hành. Ví dụ với dữ liệu giá cổ phiếu:

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("gia_co_phieu.csv", parse_dates=["ngay"])
df = df.set_index("ngay")

# Rolling mean - đường trung bình động giúp làm mượt nhiễu
df["MA20"] = df["gia"].rolling(window=20).mean()
df["MA50"] = df["gia"].rolling(window=50).mean()

# Vẽ biểu đồ giá + 2 đường MA
plt.figure(figsize=(12, 6))
plt.plot(df.index, df["gia"], label="Giá", alpha=0.7)
plt.plot(df.index, df["MA20"], label="MA20")
plt.plot(df.index, df["MA50"], label="MA50")
plt.title("Giá cổ phiếu và đường trung bình động")
plt.legend()
plt.show()

Kỹ thuật trung bình động (Moving Average) giúp bạn nhận diện xu hướng dài hạn và loại bỏ nhiễu ngắn hạn — nền tảng của nhiều chiến lược phân tích tài chính.

🤖 Giới Thiệu Về Học Máy Cơ Bản (Machine Learning)

Sau khi nắm vững nền tảng, bước tiếp theo là làm quen với Machine Learning — khả năng dự đoán từ dữ liệu:

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import pandas as pd

df = pd.read_csv("du_lieu.csv")
X = df[["chi_phi", "khach_hang", "san_pham"]]  # biến đầu vào
y = df["doanh_thu"]                            # biến mục tiêu

# Chia dữ liệu huấn luyện / kiểm tra
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Huấn luyện mô hình hồi quy tuyến tính
model = LinearRegression()
model.fit(X_train, y_train)

# Dự đoán và đánh giá
score = model.score(X_test, y_test)
print(f"Độ chính xác (R2): {score:.2f}")

Đây là bước “đặt nền móng” cho khoá học nâng cao — nơi bạn học cách dự đoán xu hướng thị trường, phân loại khách hàng, phát hiện gian lận bằng dữ liệu.

🏆 Lộ Trình Trở Thành Data Analyst Tại HNDL

HNDL xây dựng lộ trình học thực chiến, đi từ nền tảng đến chuyên sâu:

1. Giai đoạn 1 — Nền tảng: Python cơ bản, SQL, Excel nâng cao.
2. Giai đoạn 2 — Phân tích: Pandas, NumPy, thống kê mô tả, trực quan hoá.
3. Giai đoạn 3 — Chuyên sâu: Chuỗi thời gian, Machine Learning cơ bản, báo cáo tự động.
4. Giai đoạn 4 — Dự án thực tế: Phân tích chứng khoán, bất động sản, thương mại điện tử với dữ liệu thật.

Mỗi học viên đều được thực hành trên bộ dữ liệu thật từ thị trường Việt Nam — không phải dữ liệu giả định mà là những con số thực tế đang diễn ra hằng ngày.

❓ Câu Hỏi Thường Gặp Bổ Sung (FAQ)

Hỏi: Tôi dùng máy tính cấu hình thấp có học được không?
Được. Phân tích dữ liệu cơ bản không đòi hỏi máy mạnh. Chỉ khi huấn luyện mô hình học sâu lớn bạn mới cần GPU.

Hỏi: Học Python qua video hay sách hiệu quả hơn?
Quan trọng nhất là thực hành. Dù học qua kênh nào, hãy tự tay gõ code, tự xử lý bộ dữ liệu, tự sửa lỗi — đó mới là lúc kiến thức ngấm.

Hỏi: Data Analyst khác Data Scientist thế nào?
Data Analyst tập trung phân tích, báo cáo, trả lời câu hỏi kinh doanh. Data Scientist đi sâu hơn vào mô hình dự đoán, học máy. Vị trí Analyst là bước đệm tự nhiên để tiến tới Scientist.

Hỏi: Tôi nên bắt đầu dự án cá nhân nào đầu tiên?
Chọn dữ liệu bạn hứng thú (phim, thể thao, chứng khoán…) và xây dựng báo cáo phân tích hoàn chỉnh: làm sạch, trực quan hoá, kết luận. Đăng lên GitHub để làm hồ sơ xin việc.

---

👉 Bắt đầu ngay hôm nay: https://www.huongnghiepdulieu.com/lap-trinh-python/