🔔 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 ساخت کتابخانه تحلیل داده از صفر با پایتون
- آخرین آپدیت
دانلود Build a Data Analysis Library from Scratch in Python
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
آموزش ساخت کتابخانه تحلیل داده با پایتون: پروژه محور و پیشرفته
ساخت کتابخانه تحلیل داده از صفر با پایتون برای افرادی طراحی شده است که میخواهند در یک پروژه طولانی و جامع غرق شوند و مفاهیم پیشرفته پایتون را فرا گیرند. در پایان این پروژه، شما یک کتابخانه پایتون کاملاً کاربردی خواهید ساخت که قادر به انجام بسیاری از وظایف رایج تحلیل داده است. نام این کتابخانه Pandas Cub خواهد بود و عملکردی مشابه کتابخانه محبوب pandas خواهد داشت.
این دوره بر توسعه نرمافزار در اکوسیستم گسترده ابزارهای موجود در پایتون تمرکز دارد. ۴۰ مرحله دقیق وجود دارد که برای تکمیل پروژه باید آنها را انجام دهید. در هر مرحله، وظیفه خواهید داشت کدهایی بنویسید که عملکردی را به کتابخانه اضافه میکنند. برای تکمیل هر مرحله، باید unit-testهایی که قبلاً نوشته شدهاند را با موفقیت پشت سر بگذارید. پس از پشت سر گذاشتن تمام unit testها، پروژه تکمیل میشود. حدود ۱۰۰ unit test بازخورد فوری در مورد اینکه آیا کد شما مراحل را به درستی تکمیل میکند یا خیر، به شما میدهند.
در حین ساخت Pandas Cub مفاهیم مهم بسیاری را یاد خواهید گرفت:
ایجاد محیط توسعه با conda
استفاده از توسعه مبتنی بر تست (TDD) برای اطمینان از کیفیت کد
استفاده از مدل داده پایتون برای اینکه اشیاء شما به طور یکپارچه با توابع و عملگرهای داخلی پایتون کار کنند
ساخت کلاس DataFrame با عملکردهای زیر:
انتخاب زیر مجموعههای داده با عملگر براکت
متدهای تجمیع (Aggregation) - sum, min, max, mean, median و غیره...
متدهای غیر تجمیعی مانند isna, unique, rename, drop
گروهبندی (Group by) با یک یا دو ستون برای ایجاد جداول محوری (pivot tables)
متدهای خاص برای کار با ستونهای رشتهای
خواندن دادهها از یک فایل با مقادیر جدا شده با کاما (CSV)
نمایش با فرمت مناسب از DataFrame در نوتبوک
تجربه من نشان میدهد که بسیاری از افراد به اندازه کافی از یک زبان برنامهنویسی مانند پایتون یاد میگیرند تا وظایف اولیه را انجام دهند، اما مهارتهای لازم برای تکمیل پروژههای بزرگتر یا ساخت کتابخانههای کامل را ندارند. هدف این دوره ارائه وسیلهای برای دانشجویانی است که به دنبال یک پروژه چالشبرانگیز و هیجانانگیز هستند که تلاش جدی و زمان زیادی برای تکمیل آن نیاز دارد.
این دوره توسط تد پترو، مدرس متخصص و نویسنده کتابهای Pandas Cookbook، Master Data Analysis with Python و Master the Fundamentals of Python تدریس میشود.
پیش نیازها:
دانشجویان باید اصول پایتون را بدانند. این یک دوره متوسط / پیشرفته است.
باید در استفاده و پیمایش لیست ها، تاپل ها، مجموعه ها و دیکشنری ها راحت باشند
آشنایی با numpy و pandas مفید است
سرفصل ها و درس ها
پروژه پیدایش
Project Genesis
مروری بر پروژه
Project Overview
مثالهای پانداز کیوب
Pandas Cub Examples
دانلود مطالب از گیتهاب
Downloading the Material from GitHub
راهاندازی محیط
Environment Setup
باز کردن پروژه در VS Code
Opening the Project in VS Code
تنظیم محیط توسعه
Setting up the Development Environment
توسعه مبتنی بر تست
Test-Driven Development
نصب کرنل IPython برای Jupyter
Installing an IPython Kernel for Jupyter
آماده شدن برای کدنویسی
Getting Ready to Code
بررسی فایل __init__.py
Inspecting the __init__.py File
وارد کردن پانداز کیوب
Importing Pandas Cub
تست دستی در یک نوتبوک Jupyter
Manually Test in a Jupyter Notebook
آماده شروع
Getting Ready to Start
ساخت DataFrame
DataFrame Construction
بررسی انواع ورودی سازنده DataFrame
Check DataFrame Constructor Input Types
بررسی طول آرایهها
Check Array Lengths
تبدیل آرایههای Unicode به Object
Convert Unicode Arrays to Object
ویژگیهای اساسی و نمایش بصری
Basic Properties and Visual Representation
پیادهسازی متد ویژه __len__
Implementing the __len__ Special Method
بازگرداندن ستونها به عنوان یک لیست
Return Columns as a List
تنظیم نامهای ستون جدید
Set New Column Names
ویژگی shape
The shape Property
نمایش بصری نوتبوک
Visual Notebook Representation
ویژگی values
The values Property
ویژگی dtypes
The dtypes Property
انتخاب زیرمجموعه
Subset Selection
انتخاب یک ستون تکی
Select a Single Column
انتخاب چند ستون
Select Multiple Columns
انتخاب بولی
Boolean Selection
بررسی انتخاب همزمان
Check for Simultaneous Selection
انتخاب یک سلول تکی
Select a Single Cell
انتخاب ردیفها به صورت بولی، لیست یا اسلایس
Select Rows as Booleans, Lists, or Slices
انتخاب همزمان چند ستون
Multiple Column Simultaneous Selection
اسلایسهای ستون
Column Slices
تکمیل خودکار برای ستونها
Tab Completion for Columns
ایجاد یک ستون جدید
Create a New Column
متدهای اساسی
Basic Methods
متدهای head و tail
head and tail Methods
متدهای تجمیع عمومی
Generic Aggregation Methods
متد isna
The isna Method
متد count
The count Method
متد unique
The unique Method
متد nunique
The nunique Method
شمارش مقادیر
Value Counts
متد value_counts
The value_counts Method
نرمالایز کردن value_counts
Normalize value_counts
سایر متدها و عملگرها
Other Methods and Operators
متد rename
The rename Method
متد drop
The drop Method
متدهای غیر تجمیعی
Non-Aggregation Methods
متد diff
The diff Method
متد pct_change
The pct_change Method
عملگرهای حسابی و مقایسهای
Arithmetic and Comparison Operators
متد sort_values
The sort_values Method
متد sample
The sample Method
جداول محوری
Pivot Tables
جداول محوری قسمت 1
Pivot Tables Part 1
جداول محوری قسمت 2
Pivot Tables Part 2
جداول محوری قسمت 3
Pivot Tables Part 3
جداول محوری قسمت 4
Pivot Tables Part 4
جداول محوری قسمت 5
Pivot Tables Part 5
مستندات، رشتهها و خواندن فایلهای CSV
Documentation, Strings, and Reading CSVs
اضافه کردن خودکار مستندات
Automatically Add Documentation
نمایش نظرات