מדריך פייתון אנקונדה: כל מה שאתה צריך לדעת

אנקונדה היא פלטפורמת מדעי הנתונים של מדעני נתונים, אנשי IT ומנהיגי עסקים של מחר. זו הפצה של פִּיתוֹן , ר וכו 'עם יותר מ -300 חבילות עבור , זה הופך לאחת הפלטפורמות הטובות ביותר עבור כל פרויקט. בזה הדרכת אנקונדה, נדון כיצד נוכל להשתמש באנקונדה לתכנות פיתון. להלן הנושאים הנדונים בבלוג זה:

• מבוא לאנקונדה
• התקנה והתקנה
• כיצד להתקין ספריות פיתון באנקונדה?
• אנקונדה נווט
• שימוש במקרה
  • יסודות פייתון
  • ניתוח
  • למידה מכונה ו- AI

מבוא לאנקונדה

אנקונדה היא הפצת קוד פתוח לפיתון ו- R. היא משמשת ל מדע נתונים , , למידה עמוקה וכו 'עם זמינות של יותר מ -300 ספריות למדעי הנתונים, זה הופך להיות אופטימלי למדי עבור כל מתכנת לעבוד על אנקונדה למדעי הנתונים.

אנקונדה מסייעת בניהול ופריסת חבילות פשוטים. אנקונדה מגיעה עם מגוון רחב של כלים לאיסוף נתונים ממקורות שונים באמצעות למידת מכונה ואלגוריתמי AI שונים. זה עוזר להשיג הגדרת סביבה הניתנת לניהול בקלות אשר יכולה לפרוס כל פרויקט בלחיצת כפתור אחת.

עכשיו, כשאנחנו יודעים מהי אנקונדה, בואו ננסה להבין כיצד אנו יכולים להתקין אנקונדה ולהקים סביבה לעבודה על המערכות שלנו.

התקנה והתקנה

להתקנת אנקונדה עבור אל https://www.anaconda.com/distribution/ .

בחר גרסה המתאימה לך ולחץ על הורד. לאחר שתסיים את ההורדה, פתח את ההתקנה.

בצע את ההוראות בהתקנה. אל תשכח ללחוץ על הוסף אנקונדה למשתנה סביבת הנתיב שלי. לאחר השלמת ההתקנה, תקבל חלון כמו שמוצג בתמונה למטה.

לאחר סיום ההתקנה, פתח את בקשת האנקונדה והקלד .

תראה חלון כמו שמוצג בתמונה למטה.

כעת, כשאנו יודעים כיצד להשתמש באנקונדה לפיתון, נוכל לבדוק כיצד אנו יכולים להתקין ספריות שונות באנקונדה לכל פרויקט.

כיצד להתקין ספריות פיתון באנקונדה?

פתח הנחיית אנקונדה ובדוק אם הספרייה כבר מותקנת או לא.

מכיוון שאין מודול בשם numpy, נפעיל את הפקודה הבאה להתקנת numpy.

לאחר שתסיים את ההתקנה, תקבל את החלון המוצג בתמונה.

לאחר שהתקנת ספרייה, פשוט נסה לייבא את המודול שוב ליתר ביטחון.

כפי שאתה יכול לראות, אין שום שגיאה שקיבלנו בהתחלה, אז ככה נוכל להתקין ספריות שונות באנקונדה.

אנקונדה נווט

Anaconda Navigator הוא ממשק משתמש שולחני המגיע עם הפצת האנקונדה. זה מאפשר לנו להפעיל יישומים ולנהל חבילות conda, סביבה וללא שימוש בפקודות שורת פקודה.

שימוש במקרה - יסודות פייתון

משתנים וסוגי נתונים

משתנים וסוגי נתונים הם אבני הבניין של כל שפת תכנות. לפייתון יש 6 סוגי נתונים בהתאם למאפיינים שיש להם. רשימה, מילון, סט, כפול, הם סוגי נתוני האוסף בשפת התכנות של פיתון.

להלן דוגמה להראות כיצד משתמשים במשתנים וסוגי נתונים בפייתון.

# שם הצהרה משתנה = 'אדוריקה' f = 1991 הדפסה ('פיתון נוסד בשנת', ו) סוגי נתונים a = [1,2,3,4,5,6,7] b = {1: 'edureka' , 2: 'פיתון'} c = (1,2,3,4,5) d = {1,2,3,4,5} הדפס ('הרשימה היא', א) הדפס ('המילון הוא' , ב) הדפס ('הטולפ הוא', ג) הדפס ('הסט הוא', ד)

מפעילים

מפעילים בפייתון משמשים לפעולות בין ערכים או משתנים. ישנם 7 סוגים של אופרטורים בפיתון.

• מפעיל מטלות
• מפעיל חשבון
• מפעיל לוגי
• מפעיל השוואה
• מפעיל קצת חכם
• מפעיל חברות
• מפעיל זהויות

להלן דוגמא לשימוש בכמה אופרטורים בפייתון.

a = 10 b = 15 # הדפסת אופרטור אריתמטי (a + b) הדפסה (a - b) הדפסה (a * b) # אופרטור הקצאה a + = 10 הדפסה (a) # מפעיל השוואה #a! = 10 #b == אופרטור # לוגי a> b ו- a> 10 # זה יחזיר אמת אם שתי ההצהרות נכונות.

הצהרות בקרה

הצהרות כמו , לשבור, להמשיך משמשים הצהרת בקרה להשגת שליטה על הביצוע לקבלת תוצאות מיטביות. אנו יכולים להשתמש באמירות אלה בלולאות שונות בפיתון לצורך בקרת התוצאה. להלן דוגמה להראות כיצד אנו יכולים לעבוד עם שליטה ואמירות מותנות.

שם = 'edureka' עבור i בשם: אם i == 'a': הפסקה אחרת: הדפס (i)

פונקציות

לספק שימוש חוזר בקוד בצורה יעילה, שם נוכל לכתוב את ההיגיון להצהרת בעיה ולהריץ כמה טיעונים כדי לקבל את הפתרונות האופטימליים. להלן דוגמה כיצד אנו יכולים להשתמש בפונקציות בפייתון.

def func (a): להחזיר a ** a res = func (10) הדפס (res)

חוגים וחפצים

מכיוון שפייתון תומך בתכנות מונחה עצמים, אנו יכולים לעבוד איתו שיעורים וחפצים גם כן. להלן דוגמה כיצד אנו יכולים לעבוד עם מחלקות ואובייקטים בפייתון.

כיתה הורה: def func (עצמי): הדפס ('זה הורה') כיתה ילד (הורה): def func1 (עצמי): הדפס ('זה ילד') ob = ילד חדש () ob.func ()

אלה כמה מושגים בסיסיים בפיתון מלכתחילה. עכשיו מדברים על תמיכה גדולה יותר בחבילה באנקונדה, אנחנו יכולים לעבוד עם הרבה ספריות. בואו נסתכל כיצד אנו יכולים להשתמש בפיתון אנקונדה לניתוח נתונים.

השתמש במקרה - אנליטיקס

אלה צעדים מסוימים שמעורבים בהם . בואו נסתכל על האופן שבו ניתוח נתונים עובד באנקונדה ובספריות שונות בהן אנו יכולים להשתמש.

מה שקורה בג'אווה

איסוף מידע

ה אוסף נתונים פשוט כמו טעינת קובץ CSV בתוכנית. אז נוכל להשתמש בנתונים הרלוונטיים כדי לנתח מקרים או ערכים מסוימים בנתונים. להלן הקוד לטעינת נתוני CSV בתוכנית.

ייבוא ​​פנדות כ- pd ייבוא ​​numpy כ- np יבוא matplotlib.pyplot כ- plt ייבוא ​​seaborn כמו sns df = pd.read_csv ('filename.csv') הדפס (df.head (5))

חיתוך וקוביות

לאחר נטען את מערך הנתונים בתוכנית, עלינו לסנן את הנתונים בכמה שינויים כמו ביטול ערכי ה- null והשדות המיותרים העלולים לגרום לעמימות בניתוח.

להלן דוגמה כיצד אנו יכולים לסנן את הנתונים בהתאם לדרישות.

הדפס (df.isnull (). sum ()) # זה ייתן את הסכום של כל ערכי ה- null במערך הנתונים. df1 = df.dropna (axis = 0, how = 'any') # זה יפיל שורות עם ערכי null.

אנחנו יכולים להוריד גם את ערכי האפס.

BoxPlot

sns.boxplot (x = df ['טווח שכר מ-']) sns.boxplot (x = df ['טווח שכר ל-'])

גרף פיזור

ייבא matplotlib.pyplot כ- plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['טווח שכר מ-'], df ['טווח שכר ל']) ax.set_xlabel ('שכר טווח מ- ') ax.set_ylabel (' טווח שכר ל- ') plt.show ()

רְאִיָה

לאחר ששינינו את הנתונים בהתאם לדרישות, יש צורך לנתח את הנתונים הללו. דרך אחת כזו לעשות זאת היא באמצעות הדמיה של התוצאות. טוב יותר מסייע בניתוח מיטבי של תחזיות הנתונים.

להלן דוגמה להמחשת הנתונים.

sns.countplot (x = 'מחוון משרה מלאה / משרה חלקית', נתונים = df) sns.countplot (x = 'מחוון משרה מלאה / משרה חלקית', גוון = 'תדירות שכר', נתונים = df) sns .countplot (hue = 'מחוון משרה מלאה / משרה חלקית', x = 'סוג פרסום', נתונים = df) df ['טווח שכר מ-']. plot.hist () df ['טווח שכר עד']. plot.hist ()

ייבא matplotlib.pyplot כ- plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. כותרת ('מתאם', פונט גודל = 5) plt.show ()

אָנָלִיזָה

לאחר ההדמיה נוכל לבצע את הניתוח שלנו על ידי העלילות והגרפים השונים. נניח שאנחנו עובדים על נתוני משרה, על ידי התבוננות בייצוג הוויזואלי של משרה מסוימת באזור נוכל להבין את מספר המשרות בתחום מסוים.

מהניתוח לעיל אנו יכולים להניח את התוצאות הבאות

• מספר המשרות החלקיות במערך הנתונים הוא פחות מאוד בהשוואה למשרות במשרה מלאה.
• בעוד שמשרות חלקיות עומדות על פחות מ -500, משרות מלאות הן יותר מ 2500.
• בהתבסס על ניתוח זה, אנו יכולים לבנות מודל חיזוי.

במדריך זה של אנקונדה של פיתון, הבנו כיצד אנו יכולים להגדיר אנקונדה לפיתון בעזרת מקרי שימוש שכיסו את יסודות הפיתון, ניתוח נתונים ולמידת מכונה. עם למעלה מ -300 חבילות למדעי הנתונים, אנקונדה מספקת תמיכה אופטימלית עם תוצאות יעילות. כדי לשלוט בכישוריך בפייתון, הירשם לאדוריקה ולהתחיל את הלמידה שלך.

יש איזה שהן שאלות? הזכיר אותם בהערות מאמר זה על 'הדרכת פיתון אנקונדה', ונחזור אליך בהקדם האפשרי.