آموزش تجزیه و تحلیل داده ها با پایتون: NumPy و Pandas Masterclass

Data Analysis with Python: NumPy & Pandas Masterclass

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: NumPy و Pandas را برای علم داده، تجزیه و تحلیل داده و هوش تجاری، با پروژه های عملی و عملی پایتون بیاموزید! تسلط بر ملزومات NumPy و Pandas، دو تا از قدرتمندترین بسته‌های تجزیه و تحلیل داده پایتون، نحوه کاوش، تبدیل، جمع‌آوری و پیوستن به آرایه‌های NumPy و Pandas DataFrames را بیاموزید. روش ها و گزینه های رایج نمودار مانند نمودار خطی، نمودار میله ای، نمودار پراکندگی و هیستوگرام وارد کردن و صادر کردن فایل های مسطح، کتاب های کار اکسل و جداول پایگاه داده SQL با استفاده از پانداها ساخت مهارت های قدرتمند و کاربردی برای تجزیه و تحلیل مدرن و هوش تجاری پیش نیازها: ما از Anaconda & استفاده خواهیم کرد. نوت بوک های Jupyter (محیط برنامه نویسی رایگان و کاربرپسند) آشنایی با پایتون پایه اکیداً توصیه می شود، اما یک پیش نیاز جدی نیست.

این یک دوره آموزشی عملی و مبتنی بر پروژه است که برای کمک به شما در تسلط بر دو مورد از محبوب ترین بسته های پایتون برای تجزیه و تحلیل داده ها طراحی شده است: NumPy و Pandas.


ما با یک پرایمر NumPy شروع می کنیم تا آرایه ها و ویژگی های آرایه را معرفی کنیم، عملیات های رایج مانند نمایه سازی، برش، فیلتر کردن و مرتب سازی را تمرین کنیم، و مفاهیم مهمی مانند برداری و پخش را بررسی کنیم.


از آنجا به سراغ پانداها می‌رویم و بر ابزارها و روش‌های ضروری برای کاوش، تحلیل، جمع‌آوری و تبدیل سری‌ها و چارچوب‌های داده تمرکز می‌کنیم. شما ترسیم قاب‌های داده با نمودارها و نمودارها، دستکاری داده‌های سری زمانی، وارد کردن و صادر کردن انواع فایل‌ها، و ترکیب قاب‌های داده با استفاده از روش‌های مشترک مشترک را تمرین خواهید کرد.


در طول دوره شما نقش تحلیلگر داده را برای Maven Mega Mart، یک شرکت بزرگ و چند ملیتی که زنجیره‌ای از فروشگاه‌های خرده‌فروشی و مواد غذایی را اداره می‌کند، بازی می‌کنید. با استفاده از مهارت‌های پایتون که در طول دوره یاد می‌گیرید، با اعضای تیم Maven Mega Mart برای تجزیه و تحلیل محصولات، قیمت‌گذاری، تراکنش‌ها و موارد دیگر کار خواهید کرد.


خلاصه دوره:


  • معرفی پانداهای NumPy

    • معرفی NumPy و Pandas، دو کتابخانه حیاتی پایتون که به ساختار داده‌ها در آرایه‌های DataFrames کمک می‌کنند و حاوی توابع داخلی برای تجزیه و تحلیل داده‌ها هستند


  • سری پانداها

    • سری Pandas، معادل پایتون ستونی از داده ها را معرفی کنید، و ویژگی های اساسی، ایجاد، دستکاری و توابع مفید برای تجزیه و تحلیل را پوشش دهید


  • معرفی DataFrames

    • با Pandas DataFrames، معادل پایتون جدول اکسل یا SQL کار کنید و از آنها برای ذخیره، دستکاری و تجزیه و تحلیل کارآمد داده ها استفاده کنید


  • دستکاری DataFrames

    • جمع آوری داده های تغییر شکل در DataFrames با گروه بندی ستون ها، انجام محاسبات تجمع، و چرخش داده های بدون محور


  • تجسم داده های پایه

    • اصول تجسم داده ها را در پانداها بیاموزید و از روش نمودار برای ایجاد نمودارهای خطی، نمودارهای میله ای، نمودارهای پراکنده و هیستوگرام ها استفاده کنید


  • پروژه میان دوره ای

    • مهارت‌های خود را با مجموعه داده‌ای کاملاً جدید آزمایش کنید و از مهارت‌های پایتون خود برای تجزیه و تحلیل و ارزیابی یک خرده‌فروش جدید به عنوان یک هدف بالقوه برای Maven MegaMart استفاده کنید


  • تجزیه و تحلیل زمان‌های تاریخ

    • نحوه کار با نوع داده تاریخ در پانداها برای استخراج اجزای تاریخ، گروه بندی بر اساس تاریخ و انجام محاسبات هوش زمانی مانند میانگین متحرک را بیاموزید


  • وارد کردن صادر کردن داده ها

    • خواندن داده‌ها از فایل‌های مسطح و اعمال مراحل پردازش در حین وارد کردن، ایجاد DataFrame با جستجو در جداول SQL، و بازنویسی داده‌ها در منبع آن


  • پیوستن به DataFrames

    • با پیوستن داده‌ها از فیلدهای مرتبط برای افزودن ستون‌های جدید، و افزودن داده‌ها با همان فیلدها برای افزودن ردیف‌های جدید، چندین DataFrame را ترکیب کنید


  • پروژه دوره نهایی

    • با پیوستن به یک جدول جدید، انجام تجزیه و تحلیل سری های زمانی، بهینه سازی گردش کار و نوشتن نتایج، کارهای نهایی را در پروژه خود انجام دهید


امروز بپیوندید و به موارد زیر دسترسی فوری و مادام العمر داشته باشید:


  • بیش از 13 ساعت ویدیو با کیفیت بالا

  • کتاب الکترونیکی Python Pandas PDF (بیش از 350 صفحه)

  • راه حل فایل های پروژه قابل دانلود

  • پشتیبانی تخصصی و انجمن پرسش و پاسخ

  • 30 روز ضمانت رضایت Udemy


اگر دانشمند داده، تحلیلگر BI یا مهندس داده هستید که به دنبال اضافه کردن پانداها به مجموعه مهارت های پایتون خود هستید، این دوره برای شما مناسب است.


یادگیری مبارک!

-Chris Bruehl (متخصص پایتون، مربی پایتون، Maven Analytics)

__________

به دنبال پشته کامل هوش تجاری ما هستید؟ برای مرور کتابخانه کامل دوره ما، از جمله دوره های Excel، Power BI، MySQL، Tableau و Machine Learning، «Maven Analytics» را جستجو کنید!


ببینید چرا دوره‌های ما جزو برترین‌ها در Udemy هستند:


"برخی از بهترین دوره هایی که تا به حال گذرانده ام. چندین زبان برنامه نویسی، Excel، VBA و توسعه دهنده وب را مطالعه کرده ام، و Maven یکی از بهترین دوره هایی است که دیده ام!" Russ C.


"این چهارمین دوره من از Maven Analytics و چهارمین بررسی 5 ستاره من است، بنابراین چیزهایی برای گفتن تمام شده است. کاش Maven زودتر در زندگی من بود!" تاتسیانا ام.


"Maven Analytics باید استاندارد جدیدی برای تمام دوره های آموزش داده شده در Udemy شود!" یونا م.


سرفصل ها و درس ها

شروع شدن Getting Started

  • ساختار و طرح کلی دوره Course Structure & Outline

  • ساختار و طرح کلی دوره Course Structure & Outline

  • مرا بخوانید: نکات مهم برای دانشجویان جدیدالورود READ ME: Important Notes for New Students

  • مرا بخوانید: نکات مهم برای دانشجویان جدیدالورود READ ME: Important Notes for New Students

  • دانلود: منابع دوره DOWNLOAD: Course Resources

  • دانلود: منابع دوره DOWNLOAD: Course Resources

  • معرفی پروژه دوره Introducing the Course Project

  • معرفی پروژه دوره Introducing the Course Project

  • تعیین انتظارات Setting Expectations

  • تعیین انتظارات Setting Expectations

  • نصب و راه اندازی Jupyter Jupyter Installation & Launch

شروع شدن Getting Started

  • نصب و راه اندازی Jupyter Jupyter Installation & Launch

NumPy Primer NumPy Primer

  • Pandas & NumPy Intro Pandas & NumPy Intro

  • Pandas & NumPy Intro Pandas & NumPy Intro

  • Numpy Arrays & Array Properties Numpy Arrays & Array Properties

  • تکلیف: مبانی آرایه ASSIGNMENT: Array Basics

  • ایجاد آرایه Array Creation

  • راه حل: مبانی آرایه SOLUTION: Array Basics

  • تولید اعداد تصادفی Random Number Generation

  • تکلیف: ایجاد آرایه ASSIGNMENT: Array Creation

  • راه حل: ایجاد آرایه SOLUTION: Array Creation

  • نمایه سازی و برش آرایه ها Indexing & Slicing Arrays

  • نمایه سازی و برش آرایه ها Indexing & Slicing Arrays

  • تکلیف: نمایه سازی و برش آرایه ها ASSIGNMENT: Indexing & Slicing Arrays

  • تکلیف: نمایه سازی و برش آرایه ها ASSIGNMENT: Indexing & Slicing Arrays

  • راه حل: نمایه سازی و برش آرایه ها SOLUTION: Indexing & Slicing Arrays

  • راه حل: نمایه سازی و برش آرایه ها SOLUTION: Indexing & Slicing Arrays

  • عملیات آرایه Array Operations

  • تکلیف: عملیات آرایه ASSIGNMENT: Array Operations

  • راه حل: عملیات آرایه SOLUTION: Array Operations

  • فیلتر کردن آرایه ها و اصلاح مقادیر آرایه Filtering Arrays & Modifying Array Values

  • تابع کجا The Where Function

  • تابع کجا The Where Function

  • تکلیف: فیلتر کردن و اصلاح آرایه ها ASSIGNMENT: Filtering & Modifying Arrays

  • راه حل: فیلتر کردن و اصلاح آرایه ها SOLUTION: Filtering & Modifying Arrays

  • تجمع آرایه Array Aggregation

  • تجمع آرایه Array Aggregation

  • توابع آرایه Array Functions

  • توابع آرایه Array Functions

  • مرتب سازی آرایه ها Sorting Arrays

  • تکلیف: تجمیع و مرتب سازی ASSIGNMENT: Aggregation & Sorting

  • تکلیف: تجمیع و مرتب سازی ASSIGNMENT: Aggregation & Sorting

  • راه حل: تجمع و مرتب سازی SOLUTION: Aggregation & Sorting

  • راه حل: تجمع و مرتب سازی SOLUTION: Aggregation & Sorting

  • برداری Vectorization

  • برداری Vectorization

  • صدا و سیما Broadcasting

  • صدا و سیما Broadcasting

  • تکلیف: همه را جمع کنید ASSIGNMENT: Bringing it all together

  • تکلیف: همه را جمع کنید ASSIGNMENT: Bringing it all together

  • راه حل: همه را جمع کنید SOLUTION: Bringing it all together

  • خوراکی های کلیدی Key Takeaways

  • آزمون: NumPy Primer QUIZ: NumPy Primer

  • آزمون: NumPy Primer QUIZ: NumPy Primer

NumPy Primer NumPy Primer

  • Numpy Arrays & Array Properties Numpy Arrays & Array Properties

  • تکلیف: مبانی آرایه ASSIGNMENT: Array Basics

  • ایجاد آرایه Array Creation

  • راه حل: مبانی آرایه SOLUTION: Array Basics

  • تولید اعداد تصادفی Random Number Generation

  • تکلیف: ایجاد آرایه ASSIGNMENT: Array Creation

  • راه حل: ایجاد آرایه SOLUTION: Array Creation

  • عملیات آرایه Array Operations

  • تکلیف: عملیات آرایه ASSIGNMENT: Array Operations

  • راه حل: عملیات آرایه SOLUTION: Array Operations

  • فیلتر کردن آرایه ها و اصلاح مقادیر آرایه Filtering Arrays & Modifying Array Values

  • تکلیف: فیلتر کردن و اصلاح آرایه ها ASSIGNMENT: Filtering & Modifying Arrays

  • راه حل: فیلتر کردن و اصلاح آرایه ها SOLUTION: Filtering & Modifying Arrays

  • مرتب سازی آرایه ها Sorting Arrays

  • راه حل: همه را جمع کنید SOLUTION: Bringing it all together

  • خوراکی های کلیدی Key Takeaways

سری پانداها Pandas Series

  • مبانی سری Series Basics

  • پانداها انواع داده و تبدیل نوع Pandas Data Types & Type Conversion

  • پانداها انواع داده و تبدیل نوع Pandas Data Types & Type Conversion

  • تکلیف: انواع داده و تبدیل نوع ASSIGNMENT: Data Types & Type Conversion

  • راه حل: انواع داده و تبدیل نوع SOLUTION: Data Types & Type Conversion

  • راه حل: انواع داده و تبدیل نوع SOLUTION: Data Types & Type Conversion

  • فهرست سری و شاخص های سفارشی The Series Index & Custom Indices

  • iloc Accessor The .iloc Accessor

  • loc Accessor The .loc Accessor

  • loc Accessor The .loc Accessor

  • مقادیر تکراری ایندکس و بازنشانی ایندکس Duplicate Index Values & Resetting The Index

  • مقادیر تکراری ایندکس و بازنشانی ایندکس Duplicate Index Values & Resetting The Index

  • تکلیف: دسترسی به داده ها و تنظیم مجدد شاخص ASSIGNMENT: Accessing Data & Resetting The Index

  • راه حل: دسترسی به داده ها و بازنشانی شاخص SOLUTION: Accessing Data & Resetting The Index

  • راه حل: دسترسی به داده ها و بازنشانی شاخص SOLUTION: Accessing Data & Resetting The Index

  • فیلتر کردن سری و تست های منطقی Filtering Series & Logical Tests

  • مرتب سازی سری Sorting Series

  • مرتب سازی سری Sorting Series

  • تکلیف: مرتب سازی و فیلتر کردن سری ASSIGNMENT: Sorting & Filtering Series

  • تکلیف: مرتب سازی و فیلتر کردن سری ASSIGNMENT: Sorting & Filtering Series

  • راه حل: مرتب سازی و فیلتر کردن سری SOLUTION: Sorting & Filtering Series

  • عملیات سری عددی Numeric Series Operations

  • عملیات سری متن Text Series Operations

  • تکلیف: عملیات سری ASSIGNMENT: Series Operations

  • راه حل: عملیات سری SOLUTION: Series Operations

  • تجمیع سری های عددی Numerical Series Aggregation

  • تجمیع سری های عددی Numerical Series Aggregation

  • مجموعه دسته بندی سری Categorical Series Aggregation

  • تکلیف: تجمیع سری ASSIGNMENT: Series Aggregation

  • راه حل: تجمع سری SOLUTION: Series Aggregation

  • راه حل: تجمع سری SOLUTION: Series Aggregation

  • نمایش داده های از دست رفته در پانداها Missing Data Representation in Pandas

  • شناسایی داده های از دست رفته Identifying Missing Data

  • رفع داده های از دست رفته Fixing Missing Data

  • تکلیف: داده های از دست رفته ASSIGNMENT: Missing Data

  • راه حل: داده های از دست رفته SOLUTION: Missing Data

  • اعمال توابع سفارشی در سری Applying Custom Functions to Series

  • Pandas Where (در مقابل NumPy Where) Pandas Where (vs. NumPy Where)

  • تکلیف: درخواست و کجا ASSIGNMENT: Apply & Where

  • تکلیف: درخواست و کجا ASSIGNMENT: Apply & Where

  • راه حل: درخواست و کجا SOLUTION: Apply & Where

  • خوراکی های کلیدی Key Takeaways

  • آزمون: سری پانداها QUIZ: Pandas Series

سری پانداها Pandas Series

  • مبانی سری Series Basics

  • تکلیف: انواع داده و تبدیل نوع ASSIGNMENT: Data Types & Type Conversion

  • فهرست سری و شاخص های سفارشی The Series Index & Custom Indices

  • iloc Accessor The .iloc Accessor

  • تکلیف: دسترسی به داده ها و تنظیم مجدد شاخص ASSIGNMENT: Accessing Data & Resetting The Index

  • فیلتر کردن سری و تست های منطقی Filtering Series & Logical Tests

  • راه حل: مرتب سازی و فیلتر کردن سری SOLUTION: Sorting & Filtering Series

  • عملیات سری عددی Numeric Series Operations

  • عملیات سری متن Text Series Operations

  • تکلیف: عملیات سری ASSIGNMENT: Series Operations

  • راه حل: عملیات سری SOLUTION: Series Operations

  • مجموعه دسته بندی سری Categorical Series Aggregation

  • تکلیف: تجمیع سری ASSIGNMENT: Series Aggregation

  • نمایش داده های از دست رفته در پانداها Missing Data Representation in Pandas

  • شناسایی داده های از دست رفته Identifying Missing Data

  • رفع داده های از دست رفته Fixing Missing Data

  • اعمال توابع سفارشی در سری Applying Custom Functions to Series

  • Pandas Where (در مقابل NumPy Where) Pandas Where (vs. NumPy Where)

  • راه حل: درخواست و کجا SOLUTION: Apply & Where

  • خوراکی های کلیدی Key Takeaways

  • آزمون: سری پانداها QUIZ: Pandas Series

مقدمه ای بر DataFrames Intro to DataFrames

  • مبانی DataFrame DataFrame Basics

  • ایجاد یک DataFrame Creating a DataFrame

  • تکلیف: مبانی DataFrame ASSIGNMENT: DataFrame Basics

  • تکلیف: مبانی DataFrame ASSIGNMENT: DataFrame Basics

  • راه حل: مبانی DataFrame SOLUTION: DataFrame Basics

  • کاوش DataFrames: Heads، Tails & Sample Exploring DataFrames: Heads, Tails & Sample

  • کاوش DataFrames: Heads، Tails & Sample Exploring DataFrames: Heads, Tails & Sample

  • کاوش در DataFrames: اطلاعات و توصیف Exploring DataFrames: Info & Describe

  • تکلیف: کاوش در یک DataFrame ASSIGNMENT: Exploring a DataFrame

  • تکلیف: کاوش در یک DataFrame ASSIGNMENT: Exploring a DataFrame

  • راه حل: کاوش یک DataFrame SOLUTION: Exploring a DataFrame

  • دسترسی به ستون های DataFrame Accessing DataFrame Columns

  • دسترسی به ستون های DataFrame Accessing DataFrame Columns

  • دسترسی به داده های DataFrame با .iloc و .loc Accessing DataFrame Data with .iloc & .loc

  • ASIGNMENT: دسترسی به داده های DataFrame ASSIGNMENT: Accessing DataFrame Data

  • ASIGNMENT: دسترسی به داده های DataFrame ASSIGNMENT: Accessing DataFrame Data

  • راه حل: دسترسی به داده های DataFrame SOLUTION: Accessing DataFrame Data

  • راه حل: دسترسی به داده های DataFrame SOLUTION: Accessing DataFrame Data

  • رها کردن ستون ها و ردیف ها Dropping Columns & Rows

  • شناسایی و حذف موارد تکراری Identifying & Dropping Duplicates

  • تکلیف: حذف داده ها ASSIGNMENT: Dropping Data

  • راه حل: حذف داده ها SOLUTION: Dropping Data

  • داده های از دست رفته Missing Data

  • تکلیف: داده های از دست رفته ASSIGNMENT: Missing Data

  • تکلیف: داده های از دست رفته ASSIGNMENT: Missing Data

  • راه حل: داده های از دست رفته SOLUTION: Missing Data

  • راه حل: داده های از دست رفته SOLUTION: Missing Data

  • فیلتر کردن DataFrames Filtering DataFrames

  • نکته حرفه ای: روش پرس و جو PRO TIP: The Query Method

  • نکته حرفه ای: روش پرس و جو PRO TIP: The Query Method

  • تکلیف: فیلتر کردن DataFrame ASSIGNMENT: Filtering DataFrames

  • راه حل: فیلتر کردن DataFrame SOLUTION: Filtering DataFrames

  • مرتب سازی DataFrames Sorting DataFrames

  • مرتب سازی DataFrames Sorting DataFrames

  • تکلیف: مرتب سازی DataFrames ASSIGNMENT: Sorting DataFrames

  • راه حل: مرتب سازی DataFrames SOLUTION: Sorting DataFrames

  • راه حل: مرتب سازی DataFrames SOLUTION: Sorting DataFrames

  • تغییر نام و ترتیب مجدد ستون ها Renaming & Reordering Columns

  • تکلیف: تغییر نام و ترتیب مجدد ستون ها ASSIGNMENT: Renaming & Reordering Columns

  • راه حل: تغییر نام و ترتیب مجدد ستون ها SOLUTION: Renaming & Reordering Columns

  • ایجاد ستون حسابی و بولی Arithmetic & Boolean Column Creation

  • ایجاد ستون حسابی و بولی Arithmetic & Boolean Column Creation

  • تکلیف: ستون های حسابی و بولی ASSIGNMENT: Arithmetic & Boolean Columns

  • راه حل: ستون های حسابی و بولی SOLUTION: Arithmetic & Boolean Columns

  • راه حل: ستون های حسابی و بولی SOLUTION: Arithmetic & Boolean Columns

  • نکته حرفه ای: ستون های شرطی پیشرفته با انتخاب PRO TIP: Advanced Conditional Columns with Select

  • نکته حرفه ای: ستون های شرطی پیشرفته با انتخاب PRO TIP: Advanced Conditional Columns with Select

  • ASIGNMENT: تابع انتخاب ASSIGNMENT: The Select Function

  • راه حل: تابع انتخاب SOLUTION: The Select Function

  • روش نقشه The Map Method

  • روش نقشه The Map Method

  • نکته حرفه ای: ایجاد چندین ستون با Assign PRO TIP: Multiple Column Creation with Assign

  • تکلیف: نقشه و تخصیص ASSIGNMENT: Map & Assign

  • تکلیف: نقشه و تخصیص ASSIGNMENT: Map & Assign

  • راه حل: نقشه و تخصیص SOLUTION: Map & Assign

  • نوع داده طبقه بندی شده The Categorical Data Type

  • تبدیل نوع Type Conversion

  • نکته حرفه ای: استفاده از حافظه و انواع داده PRO TIP: Memory Usage & DataTypes

  • نکته حرفه ای: حذف انواع داده های عددی PRO TIP: Downcasting Numeric Data Types

  • تکلیف: DataFrame Types ASSIGNMENT: DataFrame DataTypes

  • تکلیف: DataFrame Types ASSIGNMENT: DataFrame DataTypes

  • راه حل: DataFrame DataTypes SOLUTION: DataFrame DataTypes

  • نکات کلیدی Key Takeways

  • آزمون: مقدمه ای بر DataFrames QUIZ: Intro to DataFrames

  • آزمون: مقدمه ای بر DataFrames QUIZ: Intro to DataFrames

مقدمه ای بر DataFrames Intro to DataFrames

  • مبانی DataFrame DataFrame Basics

  • ایجاد یک DataFrame Creating a DataFrame

  • راه حل: مبانی DataFrame SOLUTION: DataFrame Basics

  • کاوش در DataFrames: اطلاعات و توصیف Exploring DataFrames: Info & Describe

  • راه حل: کاوش یک DataFrame SOLUTION: Exploring a DataFrame

  • دسترسی به داده های DataFrame با .iloc و .loc Accessing DataFrame Data with .iloc & .loc

  • رها کردن ستون ها و ردیف ها Dropping Columns & Rows

  • شناسایی و حذف موارد تکراری Identifying & Dropping Duplicates

  • تکلیف: حذف داده ها ASSIGNMENT: Dropping Data

  • راه حل: حذف داده ها SOLUTION: Dropping Data

  • داده های از دست رفته Missing Data

  • تکلیف: داده های از دست رفته ASSIGNMENT: Missing Data

  • راه حل: داده های از دست رفته SOLUTION: Missing Data

  • فیلتر کردن DataFrames Filtering DataFrames

  • تکلیف: فیلتر کردن DataFrame ASSIGNMENT: Filtering DataFrames

  • راه حل: فیلتر کردن DataFrame SOLUTION: Filtering DataFrames

  • تکلیف: مرتب سازی DataFrames ASSIGNMENT: Sorting DataFrames

  • تغییر نام و ترتیب مجدد ستون ها Renaming & Reordering Columns

  • تکلیف: تغییر نام و ترتیب مجدد ستون ها ASSIGNMENT: Renaming & Reordering Columns

  • راه حل: تغییر نام و ترتیب مجدد ستون ها SOLUTION: Renaming & Reordering Columns

  • تکلیف: ستون های حسابی و بولی ASSIGNMENT: Arithmetic & Boolean Columns

  • ASIGNMENT: تابع انتخاب ASSIGNMENT: The Select Function

  • راه حل: تابع انتخاب SOLUTION: The Select Function

  • نکته حرفه ای: ایجاد چندین ستون با Assign PRO TIP: Multiple Column Creation with Assign

  • راه حل: نقشه و تخصیص SOLUTION: Map & Assign

  • نوع داده طبقه بندی شده The Categorical Data Type

  • تبدیل نوع Type Conversion

  • نکته حرفه ای: استفاده از حافظه و انواع داده PRO TIP: Memory Usage & DataTypes

  • نکته حرفه ای: حذف انواع داده های عددی PRO TIP: Downcasting Numeric Data Types

  • راه حل: DataFrame DataTypes SOLUTION: DataFrame DataTypes

  • نکات کلیدی Key Takeways

جمع‌آوری و تغییر شکل DataFrame Aggregating & Reshaping DataFrames

  • تجمعات اساسی Basic Aggregations

  • روش Groupby The Groupby Method

  • تکلیف: Groupby ASSIGNMENT: Groupby

  • راه حل: Groupby SOLUTION: Groupby

  • گروه بندی بر اساس چند ستون Grouping By Multiple Columns

  • تکلیف: گروه بندی بر اساس چند ستون ASSIGNMENT: Grouping By Multiple Columns

  • تکلیف: گروه بندی بر اساس چند ستون ASSIGNMENT: Grouping By Multiple Columns

  • راه حل: گروه بندی بر اساس چند ستون SOLUTION: Grouping By Multiple Columns

  • راه حل: گروه بندی بر اساس چند ستون SOLUTION: Grouping By Multiple Columns

  • DataFrames چند شاخصه Multi-Index DataFrames

  • اصلاح چند شاخص Modifying Multi-Indices

  • اصلاح چند شاخص Modifying Multi-Indices

  • تکلیف: قاب های داده چند شاخصی ASSIGNMENT: Multi-Index DataFrames

  • تکلیف: قاب های داده چند شاخصی ASSIGNMENT: Multi-Index DataFrames

  • راه حل: DataFrames چند شاخصه SOLUTION: Multi-Index DataFrames

  • راه حل: DataFrames چند شاخصه SOLUTION: Multi-Index DataFrames

  • روش Agg و تجمعات نامگذاری شده The Agg Method & Named Aggregations

  • تکلیف: روش Agg ASSIGNMENT: The Agg Method

  • تکلیف: روش Agg ASSIGNMENT: The Agg Method

  • راه حل: روش Agg SOLUTION: The Agg Method

  • راه حل: روش Agg SOLUTION: The Agg Method

  • نکته حرفه ای: تبدیل DataFrame PRO TIP: Transforming DataFrames

  • نکته حرفه ای: تبدیل DataFrame PRO TIP: Transforming DataFrames

  • تکلیف: تبدیل یک DataFrame ASSIGNMENT: Transforming a DataFrame

  • راه حل: تبدیل یک DataFrame SOLUTION: Transforming a DataFrame

  • راه حل: تبدیل یک DataFrame SOLUTION: Transforming a DataFrame

  • میزهای محوری در پانداها Pivot Tables in Pandas

  • جداول محوری تجمع چندگانه Multiple Aggregation Pivot Tables

  • نکته حرفه ای: نقشه های حرارتی جدول محوری PRO TIP: Pivot Table Heatmaps

  • نکته حرفه ای: نقشه های حرارتی جدول محوری PRO TIP: Pivot Table Heatmaps

  • ذوب DataFrames Melting DataFrames

  • تکلیف: Pivot & Melt ASSIGNMENT: Pivot & Melt

  • تکلیف: Pivot & Melt ASSIGNMENT: Pivot & Melt

  • راه حل: Pivot & Melt SOLUTION: Pivot & Melt

  • خوراکی های کلیدی Key Takeaways

  • آزمون: جمع‌آوری و شکل‌دهی مجدد قاب‌های داده QUIZ: Aggregating & Reshaping DataFrames

  • آزمون: جمع‌آوری و شکل‌دهی مجدد قاب‌های داده QUIZ: Aggregating & Reshaping DataFrames

جمع‌آوری و تغییر شکل DataFrame Aggregating & Reshaping DataFrames

  • تجمعات اساسی Basic Aggregations

  • روش Groupby The Groupby Method

  • تکلیف: Groupby ASSIGNMENT: Groupby

  • راه حل: Groupby SOLUTION: Groupby

  • گروه بندی بر اساس چند ستون Grouping By Multiple Columns

  • DataFrames چند شاخصه Multi-Index DataFrames

  • روش Agg و تجمعات نامگذاری شده The Agg Method & Named Aggregations

  • تکلیف: تبدیل یک DataFrame ASSIGNMENT: Transforming a DataFrame

  • میزهای محوری در پانداها Pivot Tables in Pandas

  • جداول محوری تجمع چندگانه Multiple Aggregation Pivot Tables

  • ذوب DataFrames Melting DataFrames

  • راه حل: Pivot & Melt SOLUTION: Pivot & Melt

  • خوراکی های کلیدی Key Takeaways

بصری سازی داده های پایه در پایتون Basic Data Visualization in Python

  • متد matplotlib API و .plot(). The matplotlib API & The .plot() Method

  • تکلیف: نمودار خط اصلی ASSIGNMENT: Basic Line Chart

  • راه حل: نمودار خط اصلی SOLUTION: Basic Line Chart

  • راه حل: نمودار خط اصلی SOLUTION: Basic Line Chart

  • عناوین نمودار Chart Titles

  • عناوین نمودار Chart Titles

  • رنگ های نمودار Chart Colors

  • رنگ های نمودار Chart Colors

  • سبک های خط Line Styles

  • افسانه های نمودار و خطوط شبکه Chart Legends & Gridlines

  • افسانه های نمودار و خطوط شبکه Chart Legends & Gridlines

  • سبک های نمودار Chart Styles

  • سبک های نمودار Chart Styles

  • تکلیف: نمودار خطی تلطیف شده ASSIGNMENT: Stylized Line Chart

  • راه حل: نمودار خطی تلطیف شده SOLUTION: Stylized Line Chart

  • راه حل: نمودار خطی تلطیف شده SOLUTION: Stylized Line Chart

  • طرح های فرعی و اندازه شکل Subplots & Figure Size

  • طرح های فرعی و اندازه شکل Subplots & Figure Size

  • تکلیف: طرح های فرعی ASSIGNMENT: Subplots

  • تکلیف: طرح های فرعی ASSIGNMENT: Subplots

  • راه حل: طرح های فرعی SOLUTION: Subplots

  • نمودار میله Bar Charts

  • نمودارهای میله ای گروه بندی و انباشته Grouped & Stacked Bar Charts

  • تکلیف: نمودارهای میله ای ASSIGNMENT: Bar Charts

  • راه حل: نمودار میله ای SOLUTION: Bar Charts

  • نمودارهای دایره ای و نمودارهای پراکنده Pie Charts & Scatterplots

  • نمودارهای دایره ای و نمودارهای پراکنده Pie Charts & Scatterplots

  • تکلیف: نمودارهای پراکنده ASSIGNMENT: Scatterplots

  • تکلیف: نمودارهای پراکنده ASSIGNMENT: Scatterplots

  • راه حل: نمودارهای پراکنده SOLUTION: Scatterplots

  • هیستوگرام ها Histograms

  • تکلیف: هیستوگرام ASSIGNMENT: Histograms

  • تکلیف: هیستوگرام ASSIGNMENT: Histograms

  • راه حل: هیستوگرام SOLUTION: Histograms

  • ذخیره توطئه ها و اکتشاف بیشتر Saving Plots & Further Exploration

  • ذخیره توطئه ها و اکتشاف بیشتر Saving Plots & Further Exploration

  • خوراکی های کلیدی Key Takeaways

  • آزمون: تجسم داده های پایه در پایتون QUIZ: Basic Data Visualization in Python

بصری سازی داده های پایه در پایتون Basic Data Visualization in Python

  • متد matplotlib API و .plot(). The matplotlib API & The .plot() Method

  • تکلیف: نمودار خط اصلی ASSIGNMENT: Basic Line Chart

  • سبک های خط Line Styles

  • تکلیف: نمودار خطی تلطیف شده ASSIGNMENT: Stylized Line Chart

  • راه حل: طرح های فرعی SOLUTION: Subplots

  • نمودار میله Bar Charts

  • نمودارهای میله ای گروه بندی و انباشته Grouped & Stacked Bar Charts

  • تکلیف: نمودارهای میله ای ASSIGNMENT: Bar Charts

  • راه حل: نمودار میله ای SOLUTION: Bar Charts

  • راه حل: نمودارهای پراکنده SOLUTION: Scatterplots

  • هیستوگرام ها Histograms

  • راه حل: هیستوگرام SOLUTION: Histograms

  • خوراکی های کلیدی Key Takeaways

  • آزمون: تجسم داده های پایه در پایتون QUIZ: Basic Data Visualization in Python

پروژه میانه دوره MID-COURSE PROJECT

  • معرفی پروژه میان دوره Mid-Course Project Intro

  • معرفی پروژه میان دوره Mid-Course Project Intro

  • راه حل: پروژه میان دوره SOLUTION: Mid-Course Project

پروژه میانه دوره MID-COURSE PROJECT

  • راه حل: پروژه میان دوره SOLUTION: Mid-Course Project

تجزیه و تحلیل تاریخ و زمان Analyzing Dates & Times

  • Times در پایتون و پانداها Times in Python and Pandas

  • Times در پایتون و پانداها Times in Python and Pandas

  • تبدیل به Datetimes Converting To Datetimes

  • قالب بندی تاریخ ها Formatting Dates

  • قالب بندی تاریخ ها Formatting Dates

  • تاریخ و زمان قطعات Date & Time Parts

  • تاریخ و زمان قطعات Date & Time Parts

  • تکلیف: اصول اولیه تاریخ پانداها ASSIGNMENT: Pandas Datetime Basics

  • تکلیف: اصول اولیه تاریخ پانداها ASSIGNMENT: Pandas Datetime Basics

  • راه حل: مبانی تاریخ پانداها SOLUTION: Pandas Datetime Basics

  • دلتاهای زمان و حساب Time Deltas & Arithmetic

  • دلتاهای زمان و حساب Time Deltas & Arithmetic

  • تکلیف: دلتاهای زمانی ASSIGNMENT: Time Deltas

  • راه حل: Time Deltas SOLUTION: Time Deltas

  • راه حل: Time Deltas SOLUTION: Time Deltas

  • شاخص های سری زمانی Time Series Indices

  • شاخص های سری زمانی Time Series Indices

  • داده‌های سری زمانی وجود ندارد Missing Time Series Data

  • داده‌های سری زمانی وجود ندارد Missing Time Series Data

  • تکلیف: داده های سری زمانی وجود ندارد ASSIGNMENT: Missing Time Series Data

  • تکلیف: داده های سری زمانی وجود ندارد ASSIGNMENT: Missing Time Series Data

  • راه حل: داده های سری زمانی از دست رفته است SOLUTION: Missing Time Series Data

  • تغییر سری زمانی Shifting Time Series

  • نکته حرفه ای: DIFF() PRO TIP: DIFF()

  • نکته حرفه ای: DIFF() PRO TIP: DIFF()

  • تکلیف: Shift & Diff ASSIGNMENT: Shift & Diff

  • تکلیف: Shift & Diff ASSIGNMENT: Shift & Diff

  • راه حل: Shift & Diff SOLUTION: Shift & Diff

  • راه حل: Shift & Diff SOLUTION: Shift & Diff

  • تجمیع و نمونه گیری مجدد Aggregation & Resampling

  • تکلیف: نمونه گیری مجدد ASSIGNMENT: Resampling

  • راه حل: نمونه برداری مجدد SOLUTION: Resampling

  • راه حل: نمونه برداری مجدد SOLUTION: Resampling

  • تجمعات نورد Rolling Aggregations

  • تکلیف: تجمعات چرخشی ASSIGNMENT: Rolling Aggregations

  • تکلیف: تجمعات چرخشی ASSIGNMENT: Rolling Aggregations

  • راه حل: تجمعات نورد SOLUTION: Rolling Aggregations

  • خوراکی های کلیدی Key Takeaways

  • آزمون: تجزیه و تحلیل تاریخ و زمان QUIZ: Analyzing Dates & Times

تجزیه و تحلیل تاریخ و زمان Analyzing Dates & Times

  • تبدیل به Datetimes Converting To Datetimes

  • راه حل: مبانی تاریخ پانداها SOLUTION: Pandas Datetime Basics

  • تکلیف: دلتاهای زمانی ASSIGNMENT: Time Deltas

  • راه حل: داده های سری زمانی از دست رفته است SOLUTION: Missing Time Series Data

  • تغییر سری زمانی Shifting Time Series

  • تجمیع و نمونه گیری مجدد Aggregation & Resampling

  • تکلیف: نمونه گیری مجدد ASSIGNMENT: Resampling

  • تجمعات نورد Rolling Aggregations

  • راه حل: تجمعات نورد SOLUTION: Rolling Aggregations

  • خوراکی های کلیدی Key Takeaways

  • آزمون: تجزیه و تحلیل تاریخ و زمان QUIZ: Analyzing Dates & Times

واردات و صادرات داده ها Importing & Exporting Data

  • پیش پردازش با read_csv Preprocessing with read_csv

  • پیش پردازش با read_csv Preprocessing with read_csv

  • انتخاب ستون Column Selection

  • انتخاب ستون Column Selection

  • انتخاب ردیف و مقادیر از دست رفته Row Selection & Missing Values

  • تجزیه تاریخ و انواع داده ها Parsing Dates & Data Types

  • تجزیه تاریخ و انواع داده ها Parsing Dates & Data Types

  • نکته حرفه ای: مبدل ها PRO TIP: Converters

  • نکته حرفه ای: مبدل ها PRO TIP: Converters

  • تکلیف: وارد کردن داده ها ASSIGNMENT: Importing Data

  • راه حل: وارد کردن داده ها SOLUTION: Importing Data

  • وارد کردن از فایل های متن و اکسل Importing from Text & Excel Files

  • وارد کردن از فایل های متن و اکسل Importing from Text & Excel Files

  • صادرات به فایل های Flat Exporting to Flat Files

  • تکلیف: واردات و صادرات داده های اکسل ASSIGNMENT: Importing & Exporting Excel Data

  • تکلیف: واردات و صادرات داده های اکسل ASSIGNMENT: Importing & Exporting Excel Data

  • راه حل: واردات و صادرات داده های اکسل SOLUTION: Importing & Exporting Excel Data

  • راه حل: واردات و صادرات داده های اکسل SOLUTION: Importing & Exporting Excel Data

  • کار با پایگاه های داده SQL Working With SQL Databases

  • سایر فرمت های فایل پشتیبانی شده Other Supported File Formats

  • خوراکی های کلیدی Key Takeaways

  • آزمون: واردات و صادرات داده ها QUIZ: Importing & Exporting Data

  • آزمون: واردات و صادرات داده ها QUIZ: Importing & Exporting Data

واردات و صادرات داده ها Importing & Exporting Data

  • انتخاب ردیف و مقادیر از دست رفته Row Selection & Missing Values

  • تکلیف: وارد کردن داده ها ASSIGNMENT: Importing Data

  • راه حل: وارد کردن داده ها SOLUTION: Importing Data

  • صادرات به فایل های Flat Exporting to Flat Files

  • کار با پایگاه های داده SQL Working With SQL Databases

  • سایر فرمت های فایل پشتیبانی شده Other Supported File Formats

  • خوراکی های کلیدی Key Takeaways

پیوستن به DataFrames Joining DataFrames

  • چرا جداول متعدد Why Multiple Tables

  • افزودن DataFrames Appending DataFrames

  • تکلیف: افزودن DataFrames ASSIGNMENT: Appending DataFrames

  • راه حل: افزودن DataFrames SOLUTION: Appending DataFrames

  • راه حل: افزودن DataFrames SOLUTION: Appending DataFrames

  • پیوستن به DataFrames Joining DataFrames

  • پیوستن به DataFrames Joining DataFrames

  • Join Types Join Types

  • Join Types Join Types

  • اتصالات داخلی Inner Joins

  • چپ پیوستن Left Joins

  • چپ پیوستن Left Joins

  • تکلیف: پیوستن به DataFrames ASSIGNMENT: Joining DataFrames

  • راه حل: پیوستن به DataFrames SOLUTION: Joining DataFrames

  • راه حل: پیوستن به DataFrames SOLUTION: Joining DataFrames

  • روش عضویت The Join Method

  • خوراکی های کلیدی Key Takeaways

  • خوراکی های کلیدی Key Takeaways

  • QUIZ: پیوستن به DataFrames QUIZ: Joining DataFrames

پیوستن به DataFrames Joining DataFrames

  • چرا جداول متعدد Why Multiple Tables

  • افزودن DataFrames Appending DataFrames

  • تکلیف: افزودن DataFrames ASSIGNMENT: Appending DataFrames

  • اتصالات داخلی Inner Joins

  • تکلیف: پیوستن به DataFrames ASSIGNMENT: Joining DataFrames

  • روش عضویت The Join Method

  • QUIZ: پیوستن به DataFrames QUIZ: Joining DataFrames

پروژه دوره نهایی FINAL COURSE PROJECT

  • معرفی نهایی پروژه Final Project Intro

  • راه حل: پروژه نهایی SOLUTION: Final Project

  • راه حل: پروژه نهایی SOLUTION: Final Project

پروژه دوره نهایی FINAL COURSE PROJECT

  • معرفی نهایی پروژه Final Project Intro

درس جایزه BONUS LESSON

  • درس جایزه BONUS LESSON

درس جایزه BONUS LESSON

  • درس جایزه BONUS LESSON

نمایش نظرات

نظری ارسال نشده است.

آموزش تجزیه و تحلیل داده ها با پایتون: NumPy و Pandas Masterclass
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
13.5 hours
216
Udemy (یودمی) udemy-small
02 آذر 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
5,421
4.7 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Maven Analytics Maven Analytics

برنده جایزه تجزیه و تحلیل و آموزش هوش تجاری

Maven Analytics Maven Analytics

برنده جایزه تجزیه و تحلیل و آموزش هوش تجاری

Chris Bruehl Chris Bruehl

مربی اصلی پایتون در Maven Analytics

Chris Bruehl Chris Bruehl

مربی اصلی پایتون در Maven Analytics

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.