Интеграция современных информационных технологий во все сферы деятельности, особенно сферу прикладных научно-исследовательских изысканий, является неоспоримым фактом реалий современного общества. Трудоемкость работы с большими массивами информации определяет необходимость автоматизации процесса обработки, систематизации, определения характеристик и последующего аналитического обобщения и анализа статистических данных. Данная научная публикация посвящена проработке методики поэтапного анализа статистических данных путем расчета различных характеристик исследуемых показателей и построения математических моделей в среде Рython. Приведена схема последовательной загрузки массивов статистических данных с проверкой формата и корректности загрузки с использованием специализированных библиотек и пакетов обработки данных Pandas, NumPy и Matplotlib. С целью повышения достоверности проектируемых математических моделей осуществлена предварительная проверка данных на наличие аномальных наблюдений и характер распределения. Проведена проверка временных рядов исследуемых показателей на стационарность. Для выявленных нестационарных рядов выполнено приведение их к стационарному виду путем исключения тренда и сезонной составляющей. Разработана и проанализирована тепловая карта взаимосвязи ряда показателей, используемых для характеристики социально-экономического положения Центрального федерального округа. Осуществлен анализ коэффициентов парных корреляций с целью построения системы показателей для разработки регрессионных моделей. Выполнено обоснование определения результативного признака и факторов-регрессоров. Разработаны многофакторная и однофакторные регрессионные модели, осуществлен анализ качества построенных уравнений регрессии. Для каждого этапа построения и анализа массивов статистических данных приведены коды программирования в среде Рython. Практическая значимость данного исследования заключается в возможности использования разработанной методики поэтапной обработки и анализа данных в проведении научных исследований, связанных с обработкой больших массивов данных, а также в преподавании дисциплин информационно-математического цикла в высших учебных заведениях.

Integration of the modern information technologies in all the spheres particularly in the application scientific research is an undeniable fact of the modern life. Labor intensity of the work with mass data determines the necessity of data processing automation, systematization, feature identification and further generalization and statistical analysis of the dataset. The scientific article is devoted to the workup of the technique of the stepwise analysis of the statistical data by calculating different features of the indexes under the study and by creating math models in Python. The article provides the algorithm of the consecutive downloading of statistical datasets with the format check and correctness check of the downloading using the specialized libraries and data processing tools like Pandas, NumPy and Matplotlib. To increase the validity of the projected math models the preliminary data check for anomalous error and distribution has been performed. Time series of the studied indexes have been checked for stationary. To identify nonstationary time series the data were put in the stationary form by excluding trends and a seasonal component. A heat map of interdependency of some data used for the social and economic characteristics of the Central Federal District has been devised and analyzed. The analysis of the coefficients of the pair correlation to form the system of the indexes for creating regression models has been carried out. The determination of the effective feature and regressors has been justified. The multifactor and single factor regression models have been created, the quality analysis of the formed regression equations has been performed. For every stage of forming and analyzing statistical datasets Рython codes have been provided. Practical implications of the research involve applicability of the devised technique of the stepwise processing and analyzing of the datasets in carrying out research related to the mass data processing, as well as in teaching Maths and Informatics in institutions of higher education.