آموزش پایتون برای تجسم داده ها

سرفصل ها و درس ها

مقدمه Introduction

• داده های مؤثر را با پایتون ارائه دهید Effectively present data with Python

• آنچه باید قبل از شروع بدانید What you should know before you start

• با استفاده از پرونده های تمرینی Using the exercise files

1. ابزارهای تجسمی داده ها 1. Data Visualization Tools

• ارزش تجسم داده ها Value of data visualization

• چرا از یک زبان برنامه نویسی استفاده می کنید؟ Why use a programming language?

• نمای کلی نوت بوک های Jupyter Overview of Jupyter Notebooks

2. پاندا 2. pandas

• آشنایی با پاندا Introduction to pandas

• داده نمونه را ایجاد کنید Create sample data

• بارگیری داده های نمونه Load sample data

• عملیات اساسی Basic operations

• برش Slicing

• فیلتر کردن Filtering

• تغییر نام و حذف ستون ها Renaming and deleting columns

• توابع جمع Aggregate functions

• شناسایی داده های مفقود شده Identifying missing data

• حذف یا پر کردن داده های از دست رفته Removing or filling in missing data

• تبدیل پاندا DataFrames به آرایه ها یا دیکشنری های NumPy Convert pandas DataFrames to NumPy arrays or dictionaries

• صادرات پاندا DataFrames به پرونده های CSV و اکسل Export pandas DataFrames to CSV and Excel files

3. Matplotlib 3. Matplotlib

• مبانی Matplotlib Basics of Matplotlib

• تنظیم نوع و رنگ نشانگر Setting marker type and colors

• MATLAB به سبک و نحوی شیء MATLAB-style vs. object syntax

• تنظیم عناوین ، برچسب ها و محدودیت ها Setting titles, labels, and limits

• شبکه ها Grids

• افسانه ها Legends

• ذخیره توطئه ها در پرونده ها Saving plots to files

• روپوش ماتلوتلیب (پاندا و سیبورن) Matplotlib wrappers (pandas and Seaborn)

4. طرح ریزی پیشرفته 4. Advanced Plotting

• نقشه های هیت Heatmaps

• هیستوگرام Histograms

• زیرمجموعه ها Subplots

نتیجه Conclusion

• مراحل بعدی Next steps