🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش جامع پولارس: راهنمای گام به گام برای مبتدیان
- آخرین آپدیت
دانلود Mastering Polars: The Beginner's Guide
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
پردازش سریع داده با Polars: جایگزینی قدرتمندتر برای Pandas!
با Polars (نسخه 1.22.x)، کتابخانه DataFrame نسل جدید که برای سرعت، مقیاس پذیری و کارایی طراحی شده است، قدرت پردازش داده خود را افزایش دهید. چه دانشمند داده، تحلیلگر یا مهندس باشید، این دوره به شما آموزش می دهد چگونه از Polars برای پردازش و تجزیه و تحلیل مجموعه داده های بزرگ سریعتر از ابزارهای سنتی مانند Pandas استفاده کنید.
از طریق پروژه های عملی و مجموعه داده های واقعی، شما به درک عمیقی از قابلیت های Polars دست خواهید یافت، از عملیات پایه تا تبدیل داده های پیشرفته. در پایان این دوره، قادر خواهید بود Pandas را با Polars جایگزین کنید تا گردش کارهای داده با کارایی بالا داشته باشید.
در این دوره، شما Polars را از ابتدا تسلط خواهید یافت - یاد می گیرید چگونه مجموعه داده های بزرگ را به طور کارآمد دستکاری، تجزیه و تحلیل و تبدیل کنید. چه با میلیون ها ردیف یا پرس و جوهای پیچیده سروکار داشته باشید، اجرای چند رشته ای و تنبل Polars گردش کار شما را فوق العاده سرعت می بخشد.
آنچه خواهید آموخت
Polars در مقابل Pandas - چرا Polars سریعتر است و چگونه در زیرساخت کار می کند DataFrames و LazyFrames در Polars - درک ساختارهای داده کارآمد فیلتر کردن، مرتب سازی و تجمیع - انجام عملیات با سرعت فوق العاده GroupBy و Joins - مدیریت تبدیل داده های پیچیده به طور یکپارچه سری های زمانی و عملیات رشته ای - کار با تاریخ ها، مهر زمانی و داده های متنی عملیات I/O - خواندن و نوشتن فایل های CSV، Parquet، JSON و موارد دیگر عبارات Polars و پرس و جوهای شبیه SQL - باز کردن تکنیک های قدرتمند پردازش داده پردازش موازی و ارزیابی تنبل - بهینه سازی عملکرد برای مجموعه داده های بزرگ
این دوره برای چه کسانی مناسب است
کاربران پایتون که با مجموعه داده های بزرگ کار می کنند
تحلیلگران داده و دانشمندان به دنبال جایگزین های سریعتر برای Pandas
مهندسان که با داده های بزرگ یا خطوط لوله ETL کار می کنند
هر کسی که می خواهد مهارت های داده خود را با یک کتابخانه با کارایی بالا ضدآینده کند
چرا Polars را یاد بگیریم؟
عملکرد فوق العاده سریع - 10 تا 100 برابر سریعتر از Pandas در بسیاری از موارد ساخته شده برای پردازنده های مدرن - از بهینه سازی های چند رشته ای و مبتنی بر Rust استفاده می کند بهینه سازی مصرف حافظه - حتی با RAM محدود نیز به خوبی کار می کند ایده آل برای داده های بزرگ و ETL - ایده آل برای پردازش مجموعه داده های بزرگ
در پایان این دوره، شما با اطمینان از Polars برای تجزیه و تحلیل داده های واقعی استفاده خواهید کرد، گردش کار خود را بهینه می کنید و مجموعه داده های عظیم را مانند یک حرفه ای مدیریت می کنید.
پیش نیازها
نیازی به تجربه قبلی نیست! این دوره برای مبتدیان طراحی شده است، داشتن دانش پایه از پایتون مفید است و من گام به گام شما را راهنمایی می کنم. تنها چیزی که نیاز دارید یک کامپیوتر با اتصال به اینترنت و تمایل به یادگیری است.
سرفصل ها و درس ها
مقدمه
Introduction
مروری بر دوره
Course Overview
معرفی پولارز
Introduction of Polars
مقایسه پانداز با پولارز
Pandas Vs. Polars
منابع دوره
Course Materials
شروع سریع پولارز
Polars Quckstart
مک: نصب پایتون و کتابخانه پولارز
Mac: Installation of Python and Polars Library
نصب پولارز روی macOS
Installing Polars on macOS
نصب پولارز روی ویندوز
Installing Polars on Windows
Apache Arrow و Polars: بررسی اجمالی
Apache Arrow & Polars: Overview
دیتا فریم ها
Data Frames
ایجاد دیتا فریم با استفاده از روش های مختلف
Create Data Frame using Multiple Methods
درک حالت Lazy در پولارز
Understanding Lazy Mode in Polars
اشیاء Series و Data Frame
Series and Data Frame Objects
تبدیل از Pandas یا Numpy
Conversion from Pandas or Numpy
DataFrame در پولارز
DataFrame in Polars
انواع داده عددی و دقت
Numerical dtypes and precision
بازی با فایل ها
Play with Files
خواندن فایل ها با استفاده از پولارز
Read Files using Polars
خواندن فایل های JSON با استفاده از پولارز
Read JSON Files using Polars
نوشتن فایل ها با استفاده از پولارز
Write Files using Polars
انتخاب ستون ها
Select Columns
انتخاب ستون
Select Column
انتخاب 2 ستون
Select 2 Columns
انتخاب چندین ستون
Select Multiple Columns
تغییر ستون ها
Columns Transformation
اضافه کردن ستون: با استفاده از مقدار ثابت
Add Column: Using Constant Value
اضافه کردن ستون: چندین ستون به طور همزمان
Add Column: Multiple Columns at Once
تبدیل و اضافه کردن چندین ستون
Transforming and Adding Multiple Columns
تبدیل دیتا فریم
Transform Data Frame
تکرار دیتا فریم
Iterating Data Frame
تغییرات
Transformations
تکرار از طریق یک DataFrame
Iterating Through a DataFrame
توابع جمعی و Distinct
Aggregate Functions, and Distinct
توابع جمعی
Aggregate Functions
پرس و جوهای Distinct
Distinct Queries
توابع
Functions
فیلترها یا Where Clause
Filters or Where Clause
روش پایتون: براکت های مربعی
Python Way: Square Brackets
ستون های Integer
Integer Columns
ستون های String
String Columns
ستون های Date
Date Columns
ستون های Boolean
Boolean Columns
فیلترها
Filters
فیلتر کردن ردیف ها: بر اساس مقادیر از یک DataFrame دیگر
Filtering Rows: Based on Values from Another DataFrame
Group By، Case و مرتب سازی
Group By, Case, and Sorting
مثال های Group By
Group By Examples
Group By با Having
Group By with Having
تکرار روی شی Group By
Iterating on Group By Object
شرایط Case
Case Conditions
Quantiles & Histogram
Quantiles & Histogram
مرتب سازی
Sorting
Group By
Group By
مدیریت مقادیر از دست رفته
Handling Missing Values
یافتن مقادیر از دست رفته
Finding Missing Values
جایگزینی مقادیر از دست رفته
Replace Missing Values
داده های از دست رفته
Missing Data
الحاق و Joins
Concatenating & Joins
الحاق عمودی و افقی دیتا فریم ها
Vertically & Horizontal Concatenating Data Frames
مثال های Join
Join Examples
Joins
Joins
اتصال به پایگاه داده
Database Connectivity
SQLite: یک توضیح مفصل
SQLite: A Detailed Explanation
PostgreSQL: یک توضیح مفصل
PostgreSQL: A Detailed Explanation
Polars با Sqlite & Postgres
Polars with Sqlite & Postgres
تصویرسازی
Visualization
تجزیه و تحلیل سری های زمانی با پولارز و Plotly
Time Series Analysis with Polars and Plotly
تجزیه و تحلیل داده ها با پولارز و Matplotlib
Data Analysis with Polars and Matplotlib
تجزیه و تحلیل و رسم داده ها با پولارز و Seaborn
Analyzing and Plotting Data with Polars and Seaborn
توابع Window
Window Functions
توابع Window در پولارز
Window Functions in Polars
توابع Window: Rank در مقابل Dense Rank
Window Functions: Rank vs Dense Rank
توابع تجمعی در پولارز
Cumulative Functions in Polars
GPU و پولارز
GPU and Polars
مثال های GPUs
GPUs Examples
تست +1 میلیارد رکورد
1+ Billion Records Test
مروری بر داده های تاکسی نیویورک
Overview of New York Taxi Data
تست میلیارد رکورد: Select
Billion Records Test: Select
تست میلیارد رکورد: توابع جمعی
Billion Records Test: Aggregate Functions
تست میلیارد رکورد: پرس و جوهای Distinct
Billion Records Test: Distinct Queries
تست میلیارد رکورد: Case، When & Otherwise
Billion Records Test: Case, When & Otherwise
تست میلیارد رکورد: فیلترها
Billion Records Test: Filters
تست میلیارد رکورد: Group By
Billion Records Test: Group By
تست میلیارد رکورد: مدیریت داده های از دست رفته
Billion Records Test: Handling Missing Data
تست میلیارد رکورد: برش در پولارز
Billion Records Test: Slicing in Polars
مقایسه Pandas با Polars: در +1 میلیارد رکورد
Pandas Vs Polars: On 1+ Billion Records
مقایسه Pandas با Polars: Select
Pandas Vs. Polars: Select
مقایسه Pandas با Polars: توابع جمعی
Pandas Vs. Polars: Aggregate Functions
مقایسه Pandas با Polars: Distinct
Pandas Vs. Polars: Distinct
مقایسه Pandas با Polars: فیلترها
Pandas Vs. Polars: Filters
مقایسه Pandas با Polars: Group By
Pandas Vs. Polars: Group By
پولارز با یادگیری ماشین
Polars with Machine Learning
مدیریت مقدار از دست رفته
Handling Missing Value
حذف Outlier با IQR
Outlier Removal With IQR
Sklearn Label Encoding
Sklearn Label Encoding
One Hot Encoder
One Hot Encoder
Standard Scaler با Sklearn
Standard Scaler with Sklearn
نمایش نظرات