آموزش حلقه زدن از طریق DataFrames پانداها
Looping Through Pandas DataFrames
آیا تا به حال یک ساعت وقت صرف کرده اید تا کد بنویسید تا داده های خود را پاک کنید و متوجه شوید که اجرای آن سه ساعت طول می کشد؟ گاهی اوقات خوب است در حالی که منتظر اجرای کد خود هستید، به کار دیگری بروید. با این حال، هنگام انتقال به محیط‌های تولید، اغلب نیاز به refactoring است. در این دوره آموزشی، نحوه سرعت بخشیدن به یک کار را که به‌عنوان یک دانشمند داده یا تحلیلگر داده انجام می‌دهید، یاد می‌گیرید. از طریق Pandas DataFrames و تبدیل داده‌های شما.
لیا یک دانشمند داده در یک موسسه مالی بزرگ است و کشف کرد که شکاف جدی بین مهارت‌ها و تکنیک‌هایی که دانش‌آموزان در مدرسه یاد می‌گیرند در مقابل آنچه که در دنیای واقعی در محل کار به آن نیاز دارند وجود دارد. نوشتن پایتون کارآمد در برنامه کارشناسی لیا اصلاً مورد تاکید قرار نگرفت. او به شما کمک می‌کند از اشتباهاتی که در اولین کارش مرتکب شد، اجتناب کنید و به شما یاد می‌دهد که چگونه به سرعت از DataFrames استفاده کنید.
این دوره برای دانشمندان داده و برنامه نویسان مشتاقی است که به دنبال گسترش دانش خود در زمینه نوشتن پایتون کارآمد هستند.
در این دوره شما تکنیک های زیر را برای حلقه زدن از طریق Pandas DataFrames یاد خواهید گرفت:
- برای حلقه ها
- Iterrows()
- Itertuples()
- درک فهرست
- Apply()
- برداری با سری پانداها
لیا دو نمونه واقعی از کدهای آهسته را طی می‌کند و به شما نشان می‌دهد که چگونه آن را دوباره سازی کنید.
برای این دوره هیچ دانش قبلی در مورد پانداها لازم نیست. با این حال، درک اولیه پایتون 3 مفید خواهد بود (اما لازم نیست).
موسیقی توسط از Pixabay
استفاده از تصاویر در این دوره -
اکنون که یاد گرفتید چگونه به طور مؤثر از طریق Pandas DataFrame حلقه بزنید، پروژه‌هایی را که در گذشته روی آنها کار کرده‌اید، مرور کنید. کد خود را با استفاده از هر یک از روش های این دوره اصلاح کنید و سرعت اجرای کد شما را محاسبه کنید.
اگر در پروژه‌های گذشته‌تان از پاندا برای چرخش داده‌ها استفاده نکرده‌اید، یک حساب در آن ایجاد کنید، بخش پروژه موجود را مرور کنید (کد را بررسی کنید)، و کد شخص دیگری را اصلاح کنید.
با آپلود کردن در بخش «پروژه شما»، کد خود را قبل و بعد از بازسازی مجدد با کلاس به اشتراک بگذارید.
درس ها Lessons
-
درباره داده ها About the Data
-
کد مثال 2 - Refactored Code Example 2 - Refactored
-
برای حلقه For Loop
-
مروری بر روش ها Overview of Methods
-
Iterrows Iterrows
-
راهنمای بهینه سازی Guide to Optimization
-
کد مثال 2 - Refactored Code Example 2 - Refactored
-
یک نوت بوک Jupyter را بارگیری کنید Load a Jupyter Notebook
-
وکتورسازی با سری پانداها Vectorization with Pandas Series
-
زمان بهینه سازی When to Optimize
-
بررسی اجمالی دوره و ابزار Course Overview & Tools
-
درک لیست List Comprehension
-
کد مثال 1 - کند Code Example 1 - Slow
-
چند برابر می شود Itertuples
-
درخواست دادن Apply
-
کد مثال 2 - کند Code Example 2 - Slow
-
تریلر کلاس Class Trailer
Skillshare (اسکیل شیر)
اسکیل‌شر یک پلتفرم آموزشی آنلاین است که به میلیون‌ها افراد در سراسر جهان امکان یادگیری مهارت‌های جدید را فراهم می‌کند. این پلتفرم با ارائه دوره‌های متنوع در زمینه‌هایی از جمله هنر و طراحی، فناوری، کسب و کار، و زندگی موفق، به کاربران خود این امکان را می‌دهد تا به صورت آنلاین به یادگیری بپردازند.
یکی از ویژگی‌های منحصر به فرد سکیل‌شر، ارائه دوره‌های تدریس شده توسط صاحبان مهارت‌ها و افراد موفق در زمینه‌های مختلف است. این امر باعث می‌شود که کاربران از تجربیات و دانش عملی افرادی که در حوزه‌های مورد نظرشان موفق عمل کرده‌اند، بهره‌مند شوند و بهترین اطلاعات را برای بهبود مهارت‌های خود دریافت کنند. به این ترتیب، سکیل‌شر نه تنها یک پلتفرم آموزشی است، بلکه یک جامعه آموزشی است که افراد را به اشتراک گذاری دانش و تجربیات تشویق می‌کند و به آنها کمک می‌کند تا در مسیر پیشرفت و موفقیت خود ادامه دهند.
https://donyad.com/d/57d6
Data Science Rebalanced
دانشمندان داده
لی سیمپسون و ری مک‌لندون دانشمندان داده در یک موسسه مالی بزرگ هستند و بیش از 15 سال تجربه ترکیبی دارند. آنها علاقه زیادی به دیدن رشد مردم و تبدیل شدن به بهترین نسخه از خود دارند. هنگامی که لی و ری از دانشگاه فارغ التحصیل شدند، در اولین شغل خود در زمینه دانشمند داده با مشکل مواجه شدند و به سرعت متوجه شدند که دانشگاه فقط نیمی از داستان را بیان می کند.
در حالی که برنامه‌های تحصیلی آنها تأکید زیادی بر الگوریتم‌های یادگیری ماشینی با مجموعه داده‌های کاملاً تمیز و متعادل داشت، آنها عکس این موضوع را در صنعت مشاهده کردند. هر مشکلی که با آن مواجه می‌شد نیاز داشت 90 درصد از زمان خود را بر روی مجموعه داده‌های نامرتب و نامتعادل و همچنین افرادی که این مجموعه داده‌ها را تولید می‌کنند، صرف کنند.
لی و ری، Data Science Rebalanced را ایجاد کردند تا به دانشمندان داده‌ای که تازه وارد نیروی کار شده‌اند کمک کنند تا مهارت‌های خود را پس از تکمیل یک برنامه تحصیلی، بوت کمپ یا آموزش‌های مختلف «تعادل مجدد» انجام دهند. آنها تلاش می کنند تا شکاف بین دانشگاه و صنعت را پر کنند.
نمایش نظرات