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

  • Sklearn Logistic Regression Sklearn Logistic Regression

  • Polars با Xgboost Polars with Xgboost

پروژه 1: Project 1:

  • تجزیه و تحلیل رفتار خرید مشتری قسمت - 1 Customer Purchase Behaviour Analysis Part - 1

  • تجزیه و تحلیل رفتار خرید مشتری قسمت - 2 Customer Purchase Behaviour Analysis part - 2

پروژه 2: Project 2:

  • تجزیه و تحلیل داده های فروش Superstore با استفاده از پولارز قسمت - 1 Superstore Sales Data Analysis Using Polars Part - 1

  • تجزیه و تحلیل داده های فروش Superstore با استفاده از پولارز قسمت - 2 Superstore Sales Data Analysis Using Polars Part - 2

نمایش نظرات

آموزش جامع پولارس: راهنمای گام به گام برای مبتدیان
جزییات دوره
6.5 hours
78
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
123
4.7 از 5
دارد
دارد
دارد
Neetu Bhushan
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Neetu Bhushan Neetu Bhushan

مهندس حرفه‌ای داده