راهنمای کامل پایتون برای مهندسی داده: از مبتدی تا پیشرفته

سرفصل ها و درس ها

مقدمه Introduction

• آنچه شما باید بدانید What you should know

• به دوره خوش آمدید Welcome to the course

• تور کودرپد CoderPad tour

1. مبانی پایتون 1. Python Basics

• توابع Functions

• دستکاری رشته String manipulation

• رسیدگی به خطا Error handling

• مقدمه ای بر پایتون و مهندسی داده Introduction to Python and data engineering

• راه حل: شرایط Solution: Conditions

• عملگرها و عبارات Operators and expressions

• ساختارهای کنترلی Control structures

• متغیرها و انواع داده ها Variables and data types

• ماژول ها و بسته ها Modules and packages

• راه اندازی محیط پایتون Setting up your Python environment

• کاربرگ Google Colab را کاوش کنید Explore the Google Colab worksheet

2. مجموعه های پایتون 2. Python Collections

• مجموعه های پایتون: دیکشنری ها Python collections: Dictionaries

• راه حل: مجموعه ها Solution: Collections

• مجموعه های پایتون: لیست ها Python collections: Lists

• مجموعه های پایتون: تاپل ها Python collections: Tuples

• نمای کلی مجموعه Collection overview

• مجموعه های پایتون: مجموعه ها Python collections: Sets

3. مدیریت فایل پایتون 3. Python File Handling

• نمای کلی فایل ورودی/خروجی File I/O overview

• کار با فایل های JSON Working with JSON files

• راه حل: مدیریت فایل Solution: File handling

• کار با فایل های CSV Working with CSV files

4. Pandas DataFrame API 4. pandas DataFrame API

• تجسم داده ها Data visualization

• راه حل: پانداها Solution: pandas

• پاکسازی و پیش پردازش داده ها Data cleaning and preprocessing

• دستکاری و تجمیع داده ها Data manipulation and aggregation

• خواندن فایل ها به صورت DataFrame Read files as DataFrames

• یک DataFrame در یک فایل بنویسید Write a DataFrame to a file

• آشنایی با پانداها Introduction to pandas

5. NumPy 5. NumPy

• جبر خطی و آمار Linear algebra and statistics

• ایجاد آرایه و ویژگی ها Array creation and attributes

• یک آرایه NumPy در یک فایل بنویسید Write a NumPy array to a file

• نمایه سازی و برش Indexing and slicing

• مقدمه ای بر NumPy Introduction to NumPy

• عملیات آرایه Array operations

• راه حل: NumPy Solution: NumPy

6. OOP با پایتون 6. OOP with Python

• راه حل: OOP Solution: OOP

• پیاده سازی: کلاس ها و اشیاء در پایتون Implementation: Classes and objects in Python

• درک کلاس ها و اشیا Understanding classes and objects

• ویژگی های OOP را درک کنید: انتزاع، وراثت و موارد دیگر Understand OOP features: Abstraction, inheritance, and more

7. مهندسی داده های پیشرفته 7. Advanced Data Engineering

• نکاتی برای نوشتن کد پایتون کارآمد Tips to write efficient Python code

• در محل در مقابل مهندسی داده ابری On-premises vs. cloud data engineering

• هادوپ چیست؟ What is Hadoop

• ETL در دنیای مهندسی داده چیست؟ What is ETL in the data engineering world?

• اهمیت ابزارهای تجسم در مهندسی داده Importance of visualization tools in data engineering

• PySpark برای مهندسی داده را بدانید Understand PySpark for data engineering

8. Web Scraping با پایتون 8. Web Scraping with Python

• والدین، فرزندان و فرزندان HTML HTML parents, children, and descendants

• اصول اولیه سوپ زیبا BeautifulSoup basics

• نصب BeautifulSoup Installing BeautifulSoup

• خراش وب را درک کنید Understand web scraping

• مبانی HTML HTML basics

• HTML را از یک صفحه وب دریافت کنید Get HTML from a web page

• صفحه وب را خراش دهید Scrape the web page

• داده ها را به عنوان یک فایل TXT صادر کنید Export data as a TXT file

9. توابع داخلی پیشرفته 9. Advanced Built-in Functions

• ژنراتورها در پایتون Generators in Python

• تکرارپذیرها در پایتون Iterables in Python

• کلاس های مولد پایتون و تکرار کننده ها Python generator classes and iterators

• توابع any() و all() در پایتون any() and all() functions in Python

• توابع filter() و map(). filter() and map() functions

10. ورود به پایتون 10. Logging in Python

• ورود به سیستم چیست؟ What is logging?

• ثبت سفارشی Custom logging

• ثبت بهترین شیوه ها Logging best practices

11. پروژه Capstone 11. Capstone Project

• پروژه Capstone: تجزیه و تحلیل خرده فروشی Capstone Project: Retail sales analysis

• راه حل: پروژه Capstone Solution: Capstone project

نتیجه گیری Conclusion

• مراحل بعدی Next steps