دستکاری داده ها در پایتون - Master Python، NumPy و Pandas [ویدئو]

Data Manipulation in Python - Master Python, NumPy, and Pandas [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: علم داده به سرعت در حال تبدیل شدن به یکی از امیدوار کننده ترین مشاغل در قرن بیست و یکم است. خودکار، برنامه محور و تحلیلی است. در نتیجه، جای تعجب نیست که تقاضا برای دانشمندان داده در بازار کار در چند سال گذشته در حال گسترش بوده است. ما در این دوره با یک تازه‌سازی سریع درباره اصول پایتون برای مبتدیان شروع می‌کنیم. این اختیاری است. اگر قبلاً با پایتون آشنایی دارید، به فصل بعدی بروید. علم داده موضوع سه بخش بعدی خواهد بود. ما با کتابخانه‌های ضروری پایتون برای علم داده شروع می‌کنیم، سپس به ویژگی‌های اساسی NumPy می‌پردازیم و در آخر با ریاضیات و نحوه استفاده از آن در علم داده شروع می‌کنیم. پس از آشنایی با علم داده، با DataFrames و سری های پایتون پاندا آشنا خواهید شد. پس از آن، ما وارد کار می شویم و پاکسازی داده ها را آغاز می کنیم. پس از آن، ما یاد خواهیم گرفت که چگونه از پایتون برای تجسم داده ها و انجام تجزیه و تحلیل داده ها در برخی از مجموعه داده های نمونه استفاده کنیم. در نهایت، سری‌های زمانی را در پایتون پوشش می‌دهیم و نحوه کار و تبدیل مجموعه داده‌ها به سری‌های زمانی را یاد می‌گیریم. در پایان این دوره، شما قادر خواهید بود به راحتی دستکاری داده ها را برای علم داده در پایتون اجرا کنید. همه منابع برای این دوره در دسترس هستند: https://github.com/PacktPublishing/Data-Manipulation-in-Python---Master-Python-NumPy-and-Pandas یک تجدید سریع به اصول پایتون یاد بگیرید که از پانداها برای تجزیه و تحلیل داده ها استفاده کنید آموزش کار با داده های عددی در پایتون آمار و ریاضی را با پایتون بیاموزید آموزش کدنویسی در نوت بوک Jupyter آموزش نصب بسته ها در پایتون این دوره برای دانش آموزان در تمام سطوح مهارت آزاد است و حتی اگر هیچ دانش برنامه نویسی یا آماری قبلی نداشته باشید، می توانید موفق شوید. اصول برنامه نویسی پایتون را کشف کنید * مهم ترین کتابخانه های پایتون برای علم داده * یاد بگیرید چگونه از پایتون برای تمیز کردن، تجسم و تجزیه و تحلیل داده ها استفاده کنید.

سرفصل ها و درس ها

رفرش سریع پایتون (اختیاری) Python Quick Refresher (Optional)

  • به دوره خوش آمدید! Welcome to the course!

  • مقدمه ای بر پایتون Introduction to Python

  • راه اندازی پایتون Setting up Python

  • ژوپیتر چیست؟ What is Jupyter?

  • نصب آناکوندا: ویندوز، مک و اوبونتو Anaconda Installation: Windows, Mac, and Ubuntu

  • چگونه پایتون را در Jupyter پیاده سازی کنیم؟ How to Implement Python in Jupyter?

  • مدیریت دایرکتوری ها در نوت بوک Jupyter Managing Directories in Jupyter Notebook

  • ورودی خروجی Input/Output

  • کار با انواع داده های مختلف Working with Different Datatypes

  • متغیرها Variables

  • عملگرهای حسابی Arithmetic Operators

  • اپراتورهای مقایسه Comparison Operators

  • عملگرهای منطقی Logical Operators

  • اظهارات مشروط Conditional Statements

  • حلقه ها Loops

  • دنباله ها: فهرست ها Sequences: Lists

  • توالی: فرهنگ لغت Sequences: Dictionaries

  • سکانس: تاپل Sequences: Tuples

  • توابع: توابع داخلی Functions: Built-in Functions

  • توابع: توابع تعریف شده توسط کاربر Functions: User-Defined Functions

کتابخانه های ضروری پایتون برای علم داده Essential Python Libraries for Data Science

  • نصب کتابخانه ها Installing Libraries

  • واردات کتابخانه ها Importing Libraries

  • کتابخانه پاندا برای علم داده Pandas Library for Data Science

  • کتابخانه NumPy برای علم داده NumPy Library for Data Science

  • پانداها در مقابل NumPy Pandas versus NumPy

  • کتابخانه Matplotlib برای علوم داده Matplotlib Library for Data Science

  • کتابخانه Seaborn برای علوم داده Seaborn Library for Data Science

ویژگی های بنیادی NumPy Fundamental NumPy Properties

  • آشنایی با آرایه های NumPy Introduction to NumPy Arrays

  • ایجاد آرایه های NumPy Creating NumPy Arrays

  • نمایه سازی آرایه های NumPy Indexing NumPy Arrays

  • شکل آرایه Array Shape

  • تکرار بر روی آرایه های NumPy Iterating Over NumPy Arrays

ریاضیات برای علم داده Mathematics for Data Science

  • آرایه های اصلی NumPy: zeros() Basic NumPy Arrays: zeros()

  • آرایه های پایه NumPy: ones() Basic NumPy Arrays: ones()

  • آرایه های پایه NumPy: full() Basic NumPy Arrays: full()

  • افزودن اسکالر Adding a Scalar

  • تفریق یک اسکالر Subtracting a Scalar

  • ضرب در اسکالر Multiplying by a Scalar

  • تقسیم بر اسکالر Dividing by a Scalar

  • بالا بردن به یک قدرت Raise to a Power

  • جابجا شود Transpose

  • عنصر عاقلانه اضافه Element-Wise Addition

  • تفریق المان Element-Wise Subtraction

  • ضرب عنصر عاقلانه Element-Wise Multiplication

  • بخش عاقلانه Element-Wise Division

  • ضرب ماتریس Matrix Multiplication

  • آمار Statistics

دیتا فریم ها و سری های پایتون پانداها Python Pandas DataFrames and Series

  • دیتا فریم پایتون پاندا چیست؟ What is a Python Pandas DataFrame?

  • سری پانداهای پایتون چیست؟ What is a Python Pandas Series?

  • DataFrame در مقابل Series DataFrame versus Series

  • ایجاد یک DataFrame با استفاده از لیست ها Creating a DataFrame Using Lists

  • ایجاد دیتا فریم با استفاده از دیکشنری Creating a DataFrame Using a Dictionary

  • بارگیری داده های CSV در پایتون Loading CSV Data into Python

  • تغییر ستون شاخص Changing the Index Column

  • درجا Inplace

  • بررسی DataFrame: Head and Tail Examining the DataFrame: Head and Tail

  • خلاصه آماری DataFrame Statistical Summary of the DataFrame

  • برش سطرها با استفاده از عملگرهای براکت Slicing Rows Using Bracket Operators

  • نمایه سازی ستون ها با استفاده از عملگرهای براکت Indexing Columns Using Bracket Operators

  • لیست بولی Boolean List

  • فیلتر کردن ردیف ها Filtering Rows

  • فیلتر کردن ردیف ها با استفاده از عملگرهای «&» و «|». Filtering rows using ‘&’ and ‘|’ Operators

  • فیلتر کردن داده ها با استفاده از loc() Filtering Data Using loc()

  • فیلتر کردن داده ها با استفاده از iloc() Filtering Data Using iloc()

  • افزودن و حذف سطرها و ستون ها Adding and Deleting Rows and Columns

  • مرتب سازی مقادیر Sorting Values

  • صادرات و ذخیره پانداس دیتا فریم Exporting and Saving Pandas DataFrames

  • الحاق DataFrames Concatenating DataFrames

  • دسته بندی بر اساس() Groupby()

پاکسازی داده ها Data Cleaning

  • مقدمه ای بر پاکسازی داده ها Introduction to Data Cleaning

  • کیفیت داده ها Quality of Data

  • نمونه هایی از ناهنجاری ها Examples of Anomalies

  • تشخیص ناهنجاری مبتنی بر میانه Median-based Anomaly Detection

  • تشخیص ناهنجاری مبتنی بر میانگین Mean-Based Anomaly Detection

  • تشخیص ناهنجاری مبتنی بر Z-Score Z-Score-Based Anomaly Detection

  • محدوده بین چارکی برای تشخیص ناهنجاری Interquartile Range for Anomaly Detection

  • مقابله با ارزش های گمشده Dealing with Missing Values

  • عبارات با قاعده Regular Expressions

  • مقیاس بندی ویژگی ها Feature Scaling

تجسم داده ها با استفاده از پایتون Data Visualization using Python

  • معرفی Introduction

  • راه اندازی Matplotlib Setting Up Matplotlib

  • رسم نمودارهای خط با استفاده از Matplotlib Plotting Line Plots using Matplotlib

  • عنوان، برچسب‌ها و افسانه Title, Labels, and Legend

  • ترسیم هیستوگرام ها Plotting Histograms

  • ترسیم نمودارهای میله ای Plotting Bar Charts

  • ترسیم نمودارهای پای Plotting Pie Charts

  • ترسیم پلات های پراکنده Plotting Scatter Plots

  • توطئه های ورود به سیستم Plotting Log Plots

  • ترسیم توطئه های قطبی Plotting Polar Plots

  • رسیدگی به تاریخ ها Handling Dates

  • ایجاد چندین طرح فرعی در یک شکل Creating Multiple Subplots in One Figure

تجزیه و تحلیل داده های اکتشافی Exploratory Data Analysis

  • معرفی Introduction

  • تجزیه و تحلیل داده های اکتشافی چیست؟ What is Exploratory Data Analysis?

  • تحلیل تک متغیره Univariate Analysis

  • تحلیل تک متغیره: داده های پیوسته Univariate Analysis: Continuous Data

  • تجزیه و تحلیل تک متغیره: داده های طبقه ای Univariate Analysis: Categorical Data

  • تجزیه و تحلیل دو متغیره: پیوسته و پیوسته Bivariate Analysis: Continuous and Continuous

  • تجزیه و تحلیل دو متغیره: مقوله ای و مقوله ای Bivariate Analysis: Categorical and Categorical

  • تحلیل دو متغیره: مستمر و مقوله ای Bivariate Analysis: Continuous and Categorical

  • تشخیص نقاط پرت Detecting Outliers

  • تبدیل متغیر طبقه ای Categorical Variable Transformation

سری زمانی در پایتون Time Series in Python

  • مقدمه ای بر سری زمانی Introduction to Time Series

  • دریافت اطلاعات سهام با استفاده از yfinance Getting Stock Data Using yfinance

  • تبدیل یک مجموعه داده به سری زمانی Converting a Dataset into Time Series

  • کار با سری زمانی Working with Time Series

  • تجسم داده های سری زمانی با پایتون Time Series Data Visualization with Python

نمایش نظرات

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.

دستکاری داده ها در پایتون - Master Python، NumPy و Pandas [ویدئو]
جزییات دوره
3 h 47 m
106
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Meta Brains
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Meta Brains Meta Brains

بیایید با هم ابر جهان را کدنویسی و بسازیم! Meta Brains یک برند آموزشی حرفه ای است که توسط تیمی از توسعه دهندگان نرم افزار و متخصصان امور مالی که به امور مالی، کدنویسی و اکسل علاقه دارند، توسعه یافته است. ما تجارب حرفه‌ای و آموزشی را برای ایجاد برنامه‌های آموزشی در سطح جهانی که برای همه قابل دسترسی است، گرد هم می‌آوریم. در حال حاضر، ما بر انقلاب بزرگ بعدی در محاسبات متمرکز هستیم: متاورس. هدف نهایی ما این است که نسل بعدی استعدادها را آموزش دهیم تا بتوانیم با هم متاورز را کدنویسی و بسازیم!