آموزش تجزیه و تحلیل داده‌ها با Pandas و Python - ویرایش دوم [ویدئویی] - آخرین آپدیت

دانلود Data Analysis with Pandas and Python - Second Edition [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره، شما با آماده‌سازی محیط و نصب ابزارهای ضروری مانند پایتون (Python) و ژوپیتر لب (Jupyter Lab) شروع خواهید کرد. شما یاد می‌گیرید که چگونه از کتابخانه‌های قدرتمند پایتون برای تحلیل داده‌ها استفاده کنید؛ از درک انواع داده‌ها شروع کرده و به مباحث پیشرفته‌تری مانند ادغام دیتا‌فریم‌ها (DataFrames)، کار با داده‌های متنی و مدیریت تاریخ و زمان خواهید رسید. هر بخش به گونه‌ای طراحی شده است که بر اساس بخش قبلی بنا شود و تجربه‌ای روان از یادگیری را فراهم کند. سپس دوره به بررسی عمیق‌تر پانداز (pandas)، کتابخانه کلیدی برای دستکاری داده‌ها می‌پردازد که در آن نحوه کار با Series و DataFrames را خواهید آموخت. شما متدهای کاربردی مانند فیلتر کردن، مرتب‌سازی و تجمیع داده‌ها را بررسی می‌کنید. همچنین تجربه عملی در استفاده از تکنیک‌های قدرتمند برای استخراج، دستکاری و بصری‌سازی داده‌ها با استفاده از pandas و سایر کتابخانه‌ها کسب خواهید کرد. در پایان دوره، شما در استفاده از پانداز برای حل مسائل واقعی تحلیل داده‌ها مهارت خواهید یافت. این دوره با ارائه مثال‌های واقعی و تمرینات عملی، مقدمه‌ای جامع بر تحلیل داده‌ها با پایتون و پانداز ارائه می‌دهد. شما نه‌تنها مهارت‌های فنی را می‌آموزید، بلکه درک درستی از گردش کار تحلیل داده‌ها به دست می‌آورید که شما را قادر می‌سازد تحلیل‌های پیچیده را انجام دهید. - راه‌اندازی پایتون و ژوپیتر لب برای پروژه‌های تحلیل داده - درک و دستکاری انواع مختلف داده‌ها در پایتون - ایجاد و مدیریت Series و DataFrames در پانداز - انجام عملیات فیلتر کردن، مرتب‌سازی و تجمیع داده‌ها - بصری‌سازی داده‌ها و ارائه یافته‌ها با matplotlib - کار با متن، تاریخ و زمان با استفاده از متدهای پانداز این دوره برای تحلیلگران داده آینده، توسعه‌دهندگانی که می‌خواهند تحلیل داده را در پروژه‌های خود بگنجانند و هر کسی که علاقه‌مند به یادگیری پایتون برای مدیریت داده‌ها است، طراحی شده است. داشتن درک اولیه از پایتون و مفاهیم کلی برنامه‌نویسی توصیه می‌شود، اما نیازی به دانش پیشرفته نیست. - پوشش جامع ابزارهای تحلیل داده با پایتون و پانداز * مثال‌های عملی برای به‌کارگیری دانش در مسائل واقعی * یادگیری نحوه دستکاری، بصری‌سازی و تحلیل داده‌ها با استفاده از پانداز

سرفصل ها و درس ها

نصب و راه‌اندازی Installation and Setup

  • معرفی دوره Introduction to the Course

  • [macOS] مقدمه‌ای بر ترمینال [macOS] Intro to the Terminal

  • [macOS] نصب uv، مدیر بسته‌ها و پروژه‌های پایتون [macOS] Install uv, a Python Package and Project Manager

  • [macOS] دانلود منابع دوره و راه‌اندازی پروژه [macOS] Download Course Materials and Setup Project

  • [Windows] مقدمه‌ای بر پاورشل (PowerShell) [Windows] Intro to PowerShell

  • [Windows] نصب uv، مدیر بسته‌ها و پروژه‌های پایتون [Windows] Install uv, a Python Package and Project Manager

  • [Windows] دانلود منابع دوره و راه‌اندازی پروژه [Windows] Download Course Materials and Setup Project

  • اجرا و بستن ژوپیتر لب Jupyter Lab Startup and Shutdown

  • آشنایی با ژوپیتر لب Intro to Jupyter Lab

  • تنظیم فرمت‌کننده Ruff در ژوپیتر لب Setting Up Ruff Formatter in Jupyter Lab

  • وارد کردن کتابخانه‌ها در ژوپیتر لب Import Libraries into Jupyter Lab

دوره فشرده پایتون Python Crash Course

  • کامنت‌ها Comments

  • انواع داده‌ها Data Types

  • عملگرها Operators

  • عملگرهای تساوی و نابرابری Equality and Inequality Operators

  • متغیرها Variables

  • توابع داخلی Built-In Functions

  • توابع سفارشی Custom Functions

  • متدهای رشته‌ای (String) String Methods

  • لیست‌ها Lists

  • موقعیت‌های اندیس و برش‌زنی (Slicing) Index Positions and Slicing

  • تاپل‌ها Tuples

  • دیکشنری‌ها Dictionaries

  • کلاس‌ها و اشیاء Classes and Objects

  • وارد کردن ماژول‌ها Importing Modules

  • وارد کردن کتابخانه‌ها Importing Libraries

سری‌ها (Series) Series

  • ایجاد شیء Series از یک لیست Create a Series Object from a List

  • ایجاد شیء Series از یک دیکشنری Create a Series Object from a Dictionary

  • مقدمه‌ای بر متدهای Series Intro to Series Methods

  • مقدمه‌ای بر ویژگی‌های (Attributes) سری‌ها Intro to Series Attributes

  • پارامترها و آرگومان‌ها Parameters and Arguments

  • وارد کردن سری‌ها با تابع pd.read_csv Import Series with the pd.read_csv Function

  • متدهای head و tail The Head and Tail Methods

  • ارسال سری‌ها به توابع داخلی پایتون Passing Series to Python Built-In Functions

  • بررسی عضویت با کلمه کلیدی in پایتون Check for Inclusion with Python's in Keyword

  • متد sort_values The sort_values Method

  • متد sort_index The sort_index Method

  • استخراج مقادیر سری بر اساس موقعیت اندیس Extract Series Values by Index Position

  • استخراج مقادیر سری بر اساس برچسب اندیس Extract Series Values by Index Label

  • متد get The get Method

  • بازنویسی مقدار یک سری Overwrite a Series Value

  • کپی در هنگام نوشتن و متد copy Copy-on-Write and the copy Method

  • متدهای ریاضی روی سری‌ها Math Methods on Series

  • پخش یا برودکستینگ (Broadcasting) Broadcasting

  • تراز کردن پانداز بر اساس برچسب‌های اندیس Pandas Aligns by Index Labels

  • متد value_counts The value_counts Method

  • متد apply The apply Method

  • متد map The map Method

دیتا‌فریم‌ها ۱: مقدمه DataFrames I: Introduction

  • متدها و ویژگی‌های مشترک بین Series و DataFrames Methods and Attributes between Series and DataFrames

  • تفاوت‌های بین متدهای مشترک Differences between Shared Methods

  • انتخاب یک ستون از دیتا‌فریم Select One Column from a DataFrame

  • انتخاب چندین ستون از دیتا‌فریم Select Multiple Columns from a DataFrame

  • افزودن ستون جدید به دیتا‌فریم Add New Column to DataFrame

  • ایجاد ستون‌ها با متد assign Create Columns with the assign Method

  • حذف ردیف‌های دارای مقادیر گم‌شده (NaN) Drop Rows with Missing Values

  • پر کردن مقادیر گم‌شده با متد fillna Fill in Missing Values with the fillna Method

  • پر کردن مقادیر گم‌شده با روش Forward Fill یا Back Fill Fill Missing Values with a Forward Fill or Back Fill

  • تغییر انواع داده با متد astype Convert Data Types with the astype Method

  • تبدیل به عدد با تابع to_numeric Convert to Numbers with the to_numeric Function

  • انتخاب ستون‌ها بر اساس نوع با متد select_dtypes Select Columns by Type with the select_dtypes Method

  • تغییر انواع داده با متد astype (بخش دوم): دسته‌بندی‌ها Convert Data Types with the astype Method II: Categories

  • فضاهای نام ویژگی‌ها (Attribute Namespaces) Attribute Namespaces

  • مرتب‌سازی دیتا‌فریم با متد sort_values (بخش اول) Sort a DataFrame with the sort_values Method I

  • مرتب‌سازی دیتا‌فریم با متد sort_values (بخش دوم): چندین ستون Sort a DataFrame with the sort_values Method II: Multiple Columns

  • مرتب‌سازی با دسته‌بندی‌های ترتیب‌یافته Sort with Ordered Categories

  • مرتب‌سازی دیتا‌فریم بر اساس اندیس Sort a DataFrame by Its Index

  • رتبه‌بندی مقادیر با متد rank Rank Values with the rank Method

دیتا‌فریم‌ها ۲: فیلتر کردن داده‌ها DataFrames II: Filtering Data

  • دیتاست این بخش + بهینه‌سازی حافظه This Module's Dataset + Memory Optimization

  • فیلتر کردن دیتا‌فریم بر اساس یک شرط Filter a DataFrame Based on a Condition

  • فیلتر کردن با بیش از یک شرط (AND &) Filter with More than One Condition (AND - &)

  • فیلتر کردن با بیش از یک شرط (OR |) Filter with More than One Condition (OR - |)

  • متد isin The isin Method

  • متدهای isnull و notnull The isnull and notnull Methods

  • متد between The between Method

  • متد duplicated The duplicated Method

  • متد drop_duplicates The drop_duplicates Method

  • متد where The where Method

  • متد query The query Method

دیتا‌فریم‌ها ۳: استخراج داده‌ها DataFrames III: Data Extraction

  • دیتاست این بخش This Module's Dataset

  • متدهای set_index و reset_index The set_index and reset_index Methods

  • بازیابی ردیف‌ها بر اساس موقعیت اندیس و برچسب اندیس Retrieve Rows by Index Position and Index Label

  • آرگومان‌های دوم برای دسترسی‌های loc و iloc Second Arguments to loc and iloc Accessors

  • بازنویسی مقدار در یک دیتا‌فریم Overwrite Value in a DataFrame

  • تغییر نام برچسب‌های اندیس یا ستون‌ها در دیتا‌فریم Rename Index Labels or Columns in a DataFrame

  • حذف ردیف‌ها یا ستون‌ها از دیتا‌فریم Delete Rows or Columns from a DataFrame

  • ایجاد نمونه تصادفی با متد sample Create Random Sample with the sample Method

  • متدهای nlargest و nsmallest The nlargest and nsmallest Methods

  • متد clip The clip Method

  • متد apply در دیتا‌فریم‌ها The apply Method with DataFrames

کار با داده‌های متنی Working with Text Data

  • دیتاست این بخش This Module's Dataset

  • متدهای رایج رشته‌ای Common String Methods

  • فیلتر کردن با متدهای رشته‌ای Filtering with String Methods

  • متدهای رشته‌ای روی اندیس و ستون‌ها String Methods on Index and Columns

  • متد split The split Method

  • پارامترهای expand و n در متد split The expand and n Parameters of the split Method

  • متد explode The explode Method

اندیس چندگانه (MultiIndex) MultiIndex

  • مقدمه‌ای بر بخش MultiIndex Intro to the MultiIndex Module

  • استخراج و تغییر نام مقادیر سطح اندیس Extract and Rename Index Level Values

  • استخراج ردیف‌ها از یک دیتا‌فریم MultiIndex Extract Rows from a MultiIndex DataFrame

  • متد xs The xs Method

  • متد swaplevel The swaplevel Method

  • متد transpose The transpose Method

  • متد stack The stack Method

  • متد unstack The unstack Method

  • متد pivot The pivot Method

  • متد melt The melt Method

  • متد pivot_table The pivot_table Method

گروه‌بندی (GroupBy) GroupBy

  • شیء GroupBy The GroupBy Object

  • بازیابی گروه‌ها و ردیف‌ها Retrieve Groups and Rows

  • متدهای روی شیء GroupBy Methods on the GroupBy Object

  • متد agg The agg Method

  • گروه‌بندی بر اساس چندین ستون Grouping by Multiple Columns

  • پیمایش روی گروه‌ها Iterating over Groups

ادغام دیتا‌فریم‌ها Merging DataFrames

  • مقدمه‌ای بر بخش ادغام دیتا‌فریم‌ها Intro to the Merging DataFrames Module

  • تابع pd.concat (بخش اول) The pd.concat Function I

  • تابع pd.concat (بخش دوم) The pd.concat Function II

  • اتصال‌های چپ (Left Joins) Left Joins

  • پارامترهای left_on و right_on The left_on and right_on Parameters

  • اتصال‌های داخلی (Inner Joins) Inner Joins

  • تطبیق بر اساس چندین ستون Matching across Multiple Columns

  • اتصال‌های کامل/خارجی (Full/Outer Joins) Full/Outer Joins

  • ادغام بر اساس اندیس‌ها با پارامترهای left_index و right_index Merging by Indexes with the left_index and right_index Parameters

  • متد join The join Method

کار با تاریخ و زمان Working with Dates and Times

  • مقدمه‌ای بر بخش کار با تاریخ و زمان و مرور datetime پایتون Intro to the Working with Dates and Times Module and Review of Python's datetime

  • ویژگی dt The dt Attribute

  • نوع Timestamp The Timestamp Type

  • استخراج ردیف‌های تاریخ و زمان از یک دیتا‌فریم Extracting Datetime Rows from a DataFrame

  • شیء DateOffset The DateOffset Object

  • تابع date_range The date_range Function

  • جابجایی‌های تاریخ تخصصی (Specialized Date Offsets) Specialized Date Offsets

  • تایم‌دلتاها (Timedeltas) Timedeltas

ورودی و خروجی Input and Output

  • مقدمه‌ای بر بخش ورودی و خروجی Intro to the Input and Output Module

  • صادر کردن دیتا‌فریم به فایل CSV Export DataFrame to CSV File

  • وارد کردن فایل اکسل به پانداز Import Excel Workbook into pandas

  • صادر کردن فایل اکسل از پانداز Export Excel Workbook from pandas

بصری‌سازی Visualization

  • متد plot The plot Method

  • تغییر زیبایی‌شناسی نمودار با قالب‌ها Modifying Plot Aesthetics with Templates

  • نمودارهای میله‌ای (Bar Charts) Bar Charts

  • نمودارهای میله‌ای انباشته (Stacked Bar Charts) Stacked Bar Charts

  • نمودارهای دایره‌ای (Pie Charts) Pie Charts

  • نمودارهای ناحیه‌ای (Area Charts) Area Charts

  • هیستوگرام‌ها Histograms

  • نمودارهای پراکندگی (Scatter Plots) Scatter Plots

  • سفارشی‌سازی نمودارها با پارامترها Customizing Plots with Parameters

استایل‌دهی به جداول Table Styling

  • شیء Styler The Styler Object

  • مخفی کردن برچسب‌های اندیس یا ستون Hide Index or Column Labels

  • برجسته کردن مقادیر Highlighting Values

  • استفاده از طیف‌های رنگی (Color Gradients) Using Color Gradients

  • نمودارهای میله‌ای درون سلولی In-Cell Bar Charts

تنظیمات و گزینه‌ها Options and Settings

  • تغییر گزینه‌ها با استفاده از ویژگی‌ها Changing Options with Attributes

  • تغییر گزینه‌ها با استفاده از توابع Changing Options with Functions

  • گزینه precision (دقت) The precision Option

  • گزینه‌های موقت با option_context Temporary Options with option_context

جمع‌بندی Conclusion

  • تبریکات! Congratulations!

نمایش نظرات

آموزش تجزیه و تحلیل داده‌ها با Pandas و Python - ویرایش دوم [ویدئویی]
جزییات دوره
17h 44m
154
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Boris Paskhaver Boris Paskhaver

مهندس نرم افزار | مشاور | نویسنده سلام من یک مهندس ، نویسنده و مشاور نرم افزار ساکن شهر نیویورک هستم که از سال 2016 در Udemy تدریس می کنم. من مانند بسیاری از همتایانم رویکرد متعارفی را برای نقش فعلی خود به عنوان یک توسعه دهنده وب دنبال نکردم. پس از فارغ التحصیلی از دانشگاه نیویورک در سال 2013 در رشته اقتصاد بازاریابی و بازاریابی ، من به عنوان تحلیلگر بازرگانی ، مدیر سیستم ها و تحلیلگر داده در شرکت های مختلف از جمله آژانس بازاریابی دیجیتال ، یک شرکت خدمات مالی و یک فناوری بین المللی کار کردم. نیروگاه در یکی از آن نقش ها ، من آنقدر خوش شانس بودم که برای ساخت چندین پروژه با پایتون و جاوا اسکریپت به چالش کشیده شدم. هیچ آموزش رسمی علوم کامپیوتر برای من وجود نداشت. من کاملاً تصادفی کدگذاری را کشف کردم. یک علاقه کاری کوچک به سرعت به یک سرگرمی پرشور آخر هفته تبدیل شد. سرانجام ، من نقش سابق خود را برای اتمام برنامه آکادمی ، یک بوتکمپ سخت افزاری توسعه وب در NYC ، ترک کردم. بقیه تاریخ است. من همیشه مجذوب تقاطع فناوری و آموزش بوده ام ، خصوصاً اینکه با بسیاری از منابع سنتی که مردم برای یادگیری نحوه برنامه نویسی از آنها استفاده می کنند دست و پنجه نرم می کردم. که جزئیات پیچیده را به قطعات کوچک و قابل هضم تقسیم می کند. من دوست دارم بسازم.