آموزش تجزیه و تحلیل کامل داده ها با پانداها: پاندای دستی پایتون

سرفصل ها و درس ها

معرفی Introduction

• تجزیه و تحلیل داده چیست؟ What is Data analysis

• هدیه رایگان خود را مطالبه کنید Claim your Free Gift

• سوالات متداول دوره Course FAQ

• به کلاس آنلاین بپیوندید Join Online Classroom

• آشنایی با پانداها Introduction to Pandas

• سوالات متداول دوره Course FAQ

• سوالات متداول دوره Course FAQ

• نحوه دریافت گواهینامه How to get Certificate

• پانداها Pandas

نصب و IDE Installation and IDE

• روش های مختلف نصب Different ways of installation

• آناکوندا + پاندا را دانلود و نصب کنید Download and Install anaconda + Pandas

• عیب یابی: 'conda' به عنوان یک فرمان داخلی یا خارجی شناسایی نمی شود Troubleshooting : 'conda' is not recognized as an internal or external command

• آناکوندا + فرمان کوندا Anaconda + Conda Command

• چت شیت کوندا Conda Cheatsheet

• به روز رسانی آناکوندا، کوندا و پانداها anaconda, conda & pandas Update

• شروع کار با Jupyter Lab Getting started with Jupyter Lab

• چیت بوک Jupyter Jupyter Notebook cheatsheet

• وارد کردن کتابخانه Import Library

• نسخه پانداها Pandas Version

• نصب و راه اندازی Installation

دانلود کد Code Download

• کد پایتون Python Code

دوره سقوط پایتون [اختیاری] Python Crash Course [Optional]

• معرفی Introduction

• مبانی پایتون - I Python Basics - I

• انواع داده، اعداد، رشته Data types, Numbers, String

• اصول پایتون - II Python Basics - II

• حلقه ها و تصمیم گیری Loops & Decision making

• لیست ها و تاپل ها Lists and tuples

• لیست ها و تاپل ها Lists and tuples

• لیست ها و تاپل ها Lists and tuples

• دیکشنری و مجموعه Dictionary and set

• دیکشنری و مجموعه Dictionary and set

• دیکشنری و مجموعه Dictionary and set

• کارکرد Functions

• پایتون - 1 Python - 1

• پایتون - 2 Python - 2

تمرینات پایتون Python Exercises

• بررسی اجمالی ورزش Exercise Overview

• راه حل ها Solutions

ناپخته Numpy

• ایجاد آرایه NumPy Creating NumPy array

• نمایه سازی و انتخاب Numpy، توابع Numpy indexing and selection, Functions

• برخی از توابع Numpy دیگر Some more Numpy Functions

• جبر خطی با NumPy Linear algebra with NumPy

• لیست در مقابل آرایه NumPy List vs NumPy Array

• نماها در مقابل کپی - آرایه Numpy Views vs Copy - Numpy Array

• درج، الحاق و حذف آرایه NumPy Insert, Append and Delete NumPy array

• آرایه تقسیم، الحاق، کاشی و تکرار Split, Concatenate, Tile and Repeat array

• NumPy NumPy

سری: پانداها Series : Pandas

• سلسله Series

• معرفی سری Introduction to Series

• ایجاد سری از آبجکت پایتون Create Series from Python Object

• ایجاد سری از فایل CSV Create Series from CSV file

• ایجاد شیء سری Create Series Object

• ویژگی ها و روش های سری Series attributes & methods

• ویژگی ها و روش های سری Series attributes & methods

• نمایه سازی برچسب Label indexing

• نمایه سازی برچسب Label indexing

• پارامتر inplace، sort_values ​​و sort_index inplace parameter, sort_values & sort_index

• پارامتر inplace، sort_values ​​و sort_index inplace parameter, sort_values & sort_index

• پارامتر inplace، sort_values ​​و sort_index inplace parameter, sort_values & sort_index

• پایتون را در تابع ساخته شده روی سری اعمال کنید Apply Python built in function on Series

• استخراج مقدار از سری Extract Value from Series

• استخراج مقدار از سری Extract Value from Series

• روش () .value_counts .value_counts() Method

• متد ()apply و ()map .apply() and .map() method

• متد ()apply و ()map .apply() and .map() method

• سلسله Series

• سلسله Series

چارچوب داده: پانداها Data Frame : Pandas

• مقدمه ای بر Data Frame Introduction to Data Frame

• ایجاد چارچوب داده - داده های تصادفی + از فایل Create Data Frame - random data + from File

• ویژگی ها و روش های چارچوب داده Data frame attributes and methods

• افزودن ستون جدید Adding new column

• یک یا چند ستون را انتخاب کنید Select one or more than one column

• عملیات پخش Broadcasting operation

• سطر یا ستون گم شده را رها کنید Drop missing row or column

• فیلتر کردن داده ها با یک شرط Filtering Data with one condition

• فیلتر کردن داده ها با شرایط چندگانه Filtering Data with multiple condition

• فیلتر کردن داده ها با متد isin Filtering Data with .isin() method

• فیلتر کردن داده ها با متد .between Filtering Data with .between() method

• روش منحصر به فرد() و nunique(). unique() & nunique() method

• مرتب سازی مقادیر sorting values

• شاخص مرتب سازی و پارامتر inplace sort index and inplace parameter

• متد .loc() و .iloc(). .loc() and .iloc() method

• روش ()ix .ix() method

• روش ()astype - بهینه سازی نیاز به حافظه .astype() method - optimize memory requirement

• set_index(): تغییر ستون ایندکس set_index() : change index column

• متد .apply() روی تک ستون .apply() method on single column

• متد .apply() در چندین ستون .apply() method on multiple column

• واکشی نمونه تصادفی Fetch random sample

تمرین پانداها Pandas Exercise

• نمای کلی تمرین: مجموعه داده فروشگاه برنامه Google Exercise Overview : Google App store dataset

• راه حل تمرین پانداها - I Pandas Exercise Solution - I

• راه حل تمرین پانداها - II Pandas Exercise Solution - II

پانل: پانداها Panel : Pandas

• هشدار - نوع داده پانل Warning - Panel Data type

گزینه های پاندا Pandas Options

• max_rows، max_columns max_rows , max_columns

• دقت، درستی precision

تجسم داده ها با پانداها Visualize Data with Pandas

• نمایش داده های سهام با نمودار خطی Display Stock data with Line Chart

• دایره، هیستوگرام و نمودار میله ای Pie, Histogram and Bar Chart

• تجسم داده ها Data Visualization

واردات و صادرات داده ها از پانداها Import and Export data from Pandas

• متد read_csv() & to_csv(). read_csv() & to_csv() method

کار با داده های متنی Working with Text Data

• شروع کار با داده Getting started with Data

• برخی از روش های رشته ای Some String methods

• روش های رشته ای بیشتر More String methods

• فیلتر کردن پیام با رشته Filtering Message with String

• تقسیم متن Splitting Text

• پردازش نام ستون ها Processing on Column names

گروه بندی داده ها Data Grouping

• وارد کردن داده ها: گروه بندی Importing Data : Grouping

• گروه گرفتن Getting Group

• سایز، روش اول و آخر Size, First and Last Method

• روش جمع، میانگین، حداکثر، حداقل Sum, Mean, Max, Min Method

• روش .agg .agg method

چارچوب داده: چند شاخص Data Frame : Multiindex

• واردات داده - چند شاخص Import Data - Multiindex

• چندین ستون را به عنوان شاخص تنظیم کنید Set multiple column as index

• مرتب سازی MultiIdex Sorting MultiIndex

• فهرست - اطلاعات متا Index - Meta Information

• تغییر نام های شاخص Change Index names

• واکشی داده ها از MultiIndex Dataframe Fetch data from MultiIndex Dataframe

• جابجایی DataFrame Transposing DataFrame

• Unstack و Stack Data UnStack and Stack Data

• روش Pivot و Pivot_table Pivot and Pivot_table Method

کار با داده های سری زمانی Working with Time series data

• ماژول تاریخ و تاریخ پایتون Python Date and Datetime module

• شئ Pandas Timestamp و Datetimeindex Pandas Timestamp and Datetimeindex object

• پانداها بازه های زمانی را با .Period () نشان می دهند Pandas Represent Time Spans with .Period()

• ایجاد توالی زمانی Generate Time sequence

• ایجاد توالی زمانی - II Generate Time sequence - II

• وارد کردن داده های سری زمانی Import Time Series Data

• نمایه سازی و برش Indexing & Slicing

• نمونه‌گیری مجدد داده‌های سری زمانی Resample Time Series Data

• وارد کردن داده با Pandas Data Reader Import Data With Pandas Data Reader

• تفاوت زمان را با دلتای زمان نشان دهید Represent Difference of Time with Time Delta

پاکسازی داده ها Data cleaning

• پاکسازی داده ها - مجموعه داده های یوتیوب (گرم کردن) قسمت - 1 Data cleaning - Youtube Dataset (warm up) Part - 1

• پاکسازی داده ها - مجموعه داده کانال یوتیوب قسمت - 2 Data cleaning - Youtube Channel Dataset Part - 2

• پاکسازی داده ها - مجموعه داده کانال یوتیوب قسمت - 3 Data cleaning - Youtube Channel Dataset Part - 3

پیوست: Numpy - کتابخانه عددی پایتون Appendix : Numpy - Numerical Python Library

• یادداشت Notes

پانداها - متفرقه Pandas - Miscellaneous

• پروفایل پانداها - تجزیه و تحلیل سریع داده ها Pandas Profiling - Fast Data Analysis

+++*** PANDAS 1.0.0 OUT ***+++ +++*** PANDAS 1.0.0 OUT ***+++

• راه اندازی Pandas 1.0 Pandas 1.0 Setup

• ویژگی جدید Pandas 1.0.0 Pandas 1.0.0 New Feature

----------- قسمت دوم دوره ----------- ----------- 2nd Part of Course -----------

• یادداشت های مهم IMPORTANT NOTES

تجسم داده ها با MatPlotlib و Seaborn Data Visualization with MatPlotlib & Seaborn

• Matplotlib قسمت - 1 Matplotlib Part - 1

• Matplotlib قسمت - 2 Matplotlib Part - 2

• Matplotlib قسمت - 3 Matplotlib Part - 3

• Matplotlib قسمت - 4 Matplotlib Part - 4

• Matplotlib قسمت - 5 Matplotlib Part - 5

• تجسم داده ها با Seaborn Data Visualization with Seaborn

به سمت یادگیری ماشینی Towards Machine Learning

• طرح بعدی Next Plan

• یادگیری ماشین چیست What is Machine Learning

• انواع سیستم های یادگیری ماشینی Types of Machine Learning system

• یادگیری ماشین در مقابل سیستم سنتی محاسبات Machine learning vs Traditional system of computing

• مراحل طراحی سیستم یادگیری ماشین Machine Learning system design steps

• مقدمه آموزش کیت علمی Sci-kit Learning Introduction

جریان کار یادگیری ماشین با Scikit-learn Machine Learning Work Flow with Scikit-learn

• بخش مقدمه Section Introduction

• وارد کردن داده ها: مرحله - 1 Import Data : Step - 1

• تجزیه و تحلیل داده ها: مرحله - 2 Analyse Data : Step - 2

• ویژگی و هدف جداگانه: مرحله - 3 Separate Feature and target : Step - 3

• مهندسی ویژگی: مرحله - 4 Feature Engineering : Step - 4

• تقسیم داده ها به آموزش و آزمایش: مرحله - 5 Split data into Training and Testing : Step - 5

• برآوردگر یادگیری ماشینی را انتخاب کنید: مرحله - 6 Select Machine learning Estimator : Step - 6

• مدل قطار: مرحله - 7 Train Model : Step - 7

• مدل تست: مرحله 8 Test Model : Step 8

• ارزیابی مدل: مرحله - 9 Evaluate Model : Step - 9

• بهبود مدل: مرحله - 10 Improve Model : Step - 10

• مدل ماندگاری: مرحله - 11 Persist Model : Step - 11

++++*** وارد کردن داده ***+++ ++++*** Importing Data ***+++

• بخش: مقدمه Section : Introduction

خواندن فایل محلی Reading Local File

• خواندن فایل CSV و Excel Reading CSV and Excel File

• خواندن فایل HDF5 Reading HDF5 File

• وارد کردن داده از .m (فایل متلب) Importing data from .m (Matlab File)

• خواندن داده ها از داده های SQL Reading Data from SQL Data

وارد کردن داده ها از مکان راه دور Importing data from Remote Location

• خواندن فایل HTML CSV از راه دور Reading Remote CSV HTML File

• خراش دادن وب Web Scraping

• خواندن داده های JSON - 1 Reading JSON Data - 1

• خواندن داده های JSON - 2 Reading JSON Data - 2

• خواندن داده های JSON - 3 Reading JSON Data - 3

خواندن داده های جریان Reading streaming data

• خواندن داده های توییتر - I Reading Twitter Data - I

• خواندن داده های توییتر - II Reading Twitter Data - II

پیش پردازش داده ها و مهندسی ویژگی Data PreProcessing & Feature Engineering

• پیش پردازش داده پایتون Data Preprocessing Python

سخنرانی پاداش Bonus Lecture

• سخنرانی پاداش Bonus Lecture