„Python Anaconda“ mokymo programa: viskas, ką reikia žinoti

Šis straipsnis apie „python“ anakondos mokymo programą padės jums suprasti, kaip galite naudoti „python“ anakondoje su „python“ pagrindais, analitika, ML / AI ir kt.

„Anaconda“ yra duomenų mokslo platforma, skirta duomenų mokslininkams, IT specialistams ir rytojaus verslo lyderiams. Tai yra „Python“ , R ir tt Su daugiau nei 300 pakuočių , tai tampa viena geriausių bet kokio projekto platformų. Šiame „anakondos“ pamoką, aptarsime, kaip „anakondą“ galime naudoti „python“ programavimui. Toliau pateikiamos šiame tinklaraštyje aptariamos temos:

„Anaconda“ įvadas

„Anaconda“ yra atviro kodo python ir R. paskirstymas. Jis naudojamas duomenų mokslas , , gilus mokymasis ir kt. Turint daugiau nei 300 bibliotekų duomenų mokslui, bet kuriam programuotojui tampa gana optimalu dirbti su duomenų mokslo anakonda.





logo-python anaconda tutorial-edureka

„Anaconda“ padeda supaprastinti paketų valdymą ir diegimą. „Anaconda“ yra su įvairiausiais įrankiais, kad būtų galima lengvai surinkti duomenis iš įvairių šaltinių naudojant įvairius mašininio mokymosi ir dirbtinio intelekto algoritmus. Tai padeda nustatyti lengvai valdomą aplinkos sąranką, kuri vienu mygtuko paspaudimu gali įdiegti bet kurį projektą.



Dabar, kai žinome, kas yra anakonda, pabandykime suprasti, kaip mes galime įdiegti anakondą ir sukurti aplinką, veikiančią mūsų sistemose.

Diegimas ir sąranka

Norėdami įdiegti anakondą, eikite į https://www.anaconda.com/distribution/ .



Pasirinkite jums tinkamą versiją ir spustelėkite atsisiųsti. Baigę atsisiųsti, atidarykite sąranką.

Vykdykite sąrankoje pateiktas instrukcijas. Nepamirškite spustelėti pridėti anakondą į mano kelio aplinkos kintamąjį. Baigę diegti, gausite langą, kaip parodyta paveikslėlyje žemiau.

Baigę diegti atidarykite anakondos eilutę ir įveskite .

Pamatysite langą, kaip parodyta žemiau esančiame paveikslėlyje.

Dabar, kai mes žinome, kaip naudoti „anaconda“ „python“, galime pažvelgti, kaip mes galime įdiegti įvairias bibliotekas bet kuriame projekte.

Kaip įdiegti „Python“ bibliotekas „Anaconda“?

Atidarykite „anaconda“ raginimą ir patikrinkite, ar biblioteka jau įdiegta, ar ne.

Kadangi nėra modulio pavadinimu numpy, vykdysime šią komandą, kad įdiegtume numpy.

Baigę diegimą gausite paveikslėlyje rodomą langą.

Įdiegę biblioteką, pabandykite dar kartą importuoti modulį, kad užtikrintumėte.

Kaip matote, nėra klaidos, kurią gavome iš pradžių, todėl taip galime įdiegti įvairias bibliotekas anakondoje.

„Anaconda Navigator“

„cloudera“ sertifikuotas „Apache hadoop“ administratorius

„Anaconda Navigator“ yra darbalaukio GUI, pateikiama kartu su „anaconda“ paskirstymu. Tai leidžia mums paleisti programas ir tvarkyti „conda“ paketus, aplinką ir nenaudojant komandų eilutės komandų.

Naudojimo atvejis - „Python“ pagrindai

Kintamieji ir duomenų tipai

Kintamieji ir duomenų tipai yra bet kurios programavimo kalbos pagrindas. „Python“ turi 6 duomenų tipus, priklausomai nuo jų turimų savybių. Sąrašas, žodynas, rinkinys, paketas yra duomenų rinkimo python programavimo kalba tipai.

Toliau pateiktas pavyzdys, parodantis, kaip kintamieji ir duomenų tipai naudojami „Python“.

#variable deklaracijos pavadinimas = 'Edureka' f = 1991 spausdinimas ('python buvo įkurtas', f) # duomenų tipai a = [1,2,3,4,5,6,7] b = {1: 'edureka' , 2: 'python'} c = (1,2,3,4,5) d = {1,2,3,4,5} spausdinti ('sąrašas yra', a) spausdinti ('žodynas yra' , b) spausdinti („tuple is“, c) spausdinti („rinkinys yra“, d)

Operatoriai

Operatoriai „Python“ naudojami operacijoms tarp reikšmių ar kintamųjų. Python yra 7 tipų operatoriai.

  • Užduoties operatorius
  • Aritmetikos operatorius
  • Loginis operatorius
  • Palyginimo operatorius
  • Mažai išmintingas operatorius
  • Narystės operatorius
  • Tapatybės operatorius

Toliau pateikiamas pavyzdys, kai python'e naudojami keli operatoriai.

a = 10 b = 15 # aritmetinis operatorius spausdinti (a + b) spausdinti (a - b) spausdinti (a * b) # priskyrimo operatorius a + = 10 spausdinti (a) # palyginimo operatorius #a! = 10 #b == # loginis operatorius a> b ir a> 10 # tai grįš tiesa, jei abu teiginiai yra teisingi.

Kontrolės pareiškimai

Tokie teiginiai kaip , pertrauka, tęsti yra naudojami kaip kontrolinis sakinys, kad būtų galima kontroliuoti vykdymą, kad būtų pasiekti optimalūs rezultatai. Šiuos teiginius galime naudoti įvairiose python kilpose rezultatui kontroliuoti. Toliau pateikiamas pavyzdys, parodantis, kaip mes galime dirbti su kontrolės ir sąlyginiais teiginiais.

name = 'edureka' i vardui: jei i == 'a': pertrauka kita: spausdinti (i)

Funkcijos

efektyviai pateikti kodo pakartotinį naudojimą, kur mes galime parašyti problemos teiginio logiką ir paleisti keletą argumentų, kad gautume optimalius sprendimus. Toliau pateikiamas pavyzdys, kaip galime naudoti funkcijas „Python“.

def func (a): grąžinti ** a res = func (10) spausdinti (res)

Klasės ir daiktai

Kadangi pitonas palaiko į objektą orientuotą programavimą, mes galime su juo dirbti klasės ir daiktai taip pat. Toliau pateikiamas pavyzdys, kaip mes galime dirbti su „Python“ klasėmis ir objektais.

klasės tėvai: def func (savarankiškai): spausdinti („tai yra tėvai“) klasė vaikas (tėvai): def func1 (savarankiškai): spausdinti („tai yra vaikas“) ob = naujas vaikas () ob.func ()

Pirmiausia tai yra kelios pagrindinės pitono sąvokos. Dabar kalbėdami apie didesnę „anaconda“ paketo paramą, galime dirbti su daugeliu bibliotekų. Pažvelkime, kaip duomenų analizei galime naudoti „python“ anakondą.

Naudokite atvejį - „Analytics“

Tai yra tam tikri veiksmai, susiję su . Pažvelkime, kaip duomenų analizė veikia anakondoje ir įvairiose bibliotekose, kurias galime naudoti.

Duomenų rinkimas

duomenų rinkimas yra taip paprasta, kaip įkelti CSV failą į programą. Tada mes galime panaudoti atitinkamus duomenis, kad išanalizuotume konkrečius duomenų egzempliorius ar įrašus. Toliau pateikiamas kodas, skirtas įkelti CSV duomenis į programą.

importuoti pandas kaip pd importo numerį kaip np importuoti matplotlib.pyplot kaip plt importuoti jūros giminę kaip sns df = pd.read_csv ('filename.csv') spausdinti (df.head (5))

Pjaustymas ir supjaustymas

Įkėlę duomenų rinkinį į programą, turime filtruoti duomenis atlikdami keletą pakeitimų, pvz., Pašalindami nulines reikšmes ir nereikalingus laukus, kurie gali sukelti neaiškumų analizėje.

Toliau pateikiamas pavyzdys, kaip galime filtruoti duomenis pagal reikalavimus.

spausdinti (df.isnull (). sum ()) # tai suteiks visų duomenų rinkinio nulinių verčių sumą. df1 = df.dropna (ašis = 0, kaip = 'bet koks') #tai numes eilutes su nulinėmis reikšmėmis.

Mes taip pat galime atsisakyti nulinių verčių.

php print_r į eilutę

„BoxPlot“

sns.boxplot (x = df ['atlyginimo diapazonas nuo']) sns.boxplot (x = df ['atlyginimo diapazonas iki'])

„ScatterPlot“

importuoti matplotlib.pyplot kaip plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Salary Range From'], df ['Salary Range To']) ax.set_xlabel ('Alga Diapazonas Nuo ') ax.set_ylabel (' Atlyginimo diapazonas TO ') plt.show ()

Vizualizacija

Kai pakeisime duomenis pagal reikalavimus, būtina šiuos duomenis išanalizuoti. Vienas iš tokių būdų yra vizualizuoti rezultatus. Geresnis padeda optimaliai analizuoti duomenų projekcijas.

Toliau pateikiamas duomenų vizualizavimo pavyzdys.

sns.countplot (x = „Visą darbo dieną / Ne visą darbo laiką rodantis rodiklis“, duomenys = df) .countplot (hue = 'Visą darbo dieną / Ne visą darbo laiką rodantis rodiklis', x = 'Skelbimo tipas', duomenys = df) df ['Atlyginimo diapazonas nuo']. plot.hist () df ['Atlyginimo diapazonas iki']. plot.hist ()

importuoti matplotlib.pyplot kaip plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. title ('Koreliacija', fontsize = 5) plt.show ()

Analizė

Po vizualizacijos galime atlikti analizę, žiūrėdami į įvairius brėžinius ir grafikus. Tarkime, kad dirbame su darbo duomenimis, žiūrėdami į vizualų tam tikro darbo vaizdavimą regione, galime nustatyti darbo vietų skaičių tam tikroje srityje.

Remdamiesi pirmiau pateikta analize, galime manyti šiuos rezultatus

  • Ne visą darbo dieną darbo vietų skaičius duomenų rinkinyje yra labai mažas, palyginti su visą darbo dieną.
  • nors ne visą darbo dieną yra mažiau nei 500, visą darbo dieną - daugiau nei 2500.
  • Remdamiesi šia analize, galime sukurti a prognozavimo modelis.

Šioje „python“ anakondos mokymo programoje mes supratome, kaip mes galime nustatyti „python“ anakondą naudodami atvejus, apimančius pitono pagrindus, duomenų analizę ir mašininį mokymąsi. Turėdama daugiau nei 300 duomenų mokslui skirtų paketų, „anaconda“ teikia optimalią paramą ir efektyvius rezultatus. Norėdami įvaldyti savo pitono įgūdžius, užsirašykite į „Edureka“ ir pradėkite mokytis.

Turite klausimų? paminėkite juos šio straipsnio „python anaconda tutorial“ komentaruose, ir mes kuo greičiau susisieksime su jumis.