Το Anaconda είναι η πλατφόρμα επιστήμης δεδομένων για επιστήμονες δεδομένων, επαγγελματίες πληροφορικής και ηγέτες επιχειρήσεων του αύριο. Είναι μια διανομή του Πύθων , Ρ , κ.λπ. Με περισσότερα από 300 πακέτα για , γίνεται μια από τις καλύτερες πλατφόρμες για κάθε έργο. Σε αυτό φροντιστήριο anaconda, θα συζητήσουμε πώς μπορούμε να χρησιμοποιήσουμε το anaconda για προγραμματισμό python. Ακολουθούν τα θέματα που συζητούνται σε αυτό το ιστολόγιο:
- Εισαγωγή στην Anaconda
- Εγκατάσταση και ρύθμιση
- Πώς να εγκαταστήσετε βιβλιοθήκες Python στο Anaconda;
- Πλοηγός Anaconda
- Χρήση θήκης
Εισαγωγή στην Anaconda
Το Anaconda είναι μια διανομή ανοιχτού κώδικα για python και R. Χρησιμοποιείται για επιστημονικά δεδομένα , , βαθιά μάθηση , κλπ. Με τη διαθεσιμότητα περισσότερων από 300 βιβλιοθηκών για την επιστήμη δεδομένων, καθίσταται αρκετά βέλτιστο για κάθε προγραμματιστή να εργάζεται στο anaconda για την επιστήμη των δεδομένων.
Το Anaconda βοηθά στην απλοποιημένη διαχείριση και ανάπτυξη πακέτων. Το Anaconda έρχεται με μια μεγάλη ποικιλία εργαλείων για τη συλλογή δεδομένων από διάφορες πηγές, χρησιμοποιώντας διάφορους αλγόριθμους μηχανικής μάθησης και AI. Βοηθά στη λήψη μιας εύχρηστης ρύθμισης περιβάλλοντος που μπορεί να αναπτύξει οποιοδήποτε έργο με το πάτημα ενός μόνο κουμπιού.
Τώρα που γνωρίζουμε τι είναι το anaconda, ας προσπαθήσουμε να καταλάβουμε πώς μπορούμε να εγκαταστήσουμε το anaconda και να δημιουργήσουμε ένα περιβάλλον για να λειτουργήσουμε στα συστήματά μας.
Εγκατάσταση και ρύθμιση
Για να εγκαταστήσετε το anaconda μεταβείτε στο https://www.anaconda.com/distribution/ .
διαφορά μεταξύ pass by value και pass by referensi στην Java
Επιλέξτε μια κατάλληλη έκδοση για εσάς και κάντε κλικ στη λήψη. Μόλις ολοκληρώσετε τη λήψη, ανοίξτε τη ρύθμιση.
Ακολουθήστε τις οδηγίες στη ρύθμιση. Μην ξεχάσετε να κάνετε κλικ στην προσθήκη anaconda στη μεταβλητή περιβάλλοντος διαδρομής μου. Αφού ολοκληρωθεί η εγκατάσταση, θα λάβετε ένα παράθυρο όπως φαίνεται στην παρακάτω εικόνα.
Μετά την ολοκλήρωση της εγκατάστασης, ανοίξτε το μήνυμα anaconda και πληκτρολογήστε .
Θα δείτε ένα παράθυρο όπως φαίνεται στην παρακάτω εικόνα.
Τώρα που ξέρουμε πώς να χρησιμοποιούμε το anaconda για το python ας ρίξουμε μια ματιά στο πώς μπορούμε να εγκαταστήσουμε διάφορες βιβλιοθήκες στο anaconda για οποιοδήποτε έργο.
Πώς να εγκαταστήσετε βιβλιοθήκες Python στο Anaconda;
Ανοίξτε το μήνυμα anaconda και ελέγξτε αν η βιβλιοθήκη είναι ήδη εγκατεστημένη ή όχι.
Δεδομένου ότι δεν υπάρχει μονάδα με το όνομα numpy, θα εκτελέσουμε την ακόλουθη εντολή για την εγκατάσταση του numpy.
ταξινόμηση πίνακα c ++
Θα λάβετε το παράθυρο που εμφανίζεται στην εικόνα μόλις ολοκληρώσετε την εγκατάσταση.
Μόλις εγκαταστήσετε μια βιβλιοθήκη, απλώς προσπαθήστε να εισαγάγετε ξανά τη λειτουργική μονάδα για βεβαιότητα.
Όπως μπορείτε να δείτε, στην αρχή δεν υπάρχει σφάλμα που έχουμε, έτσι μπορούμε να εγκαταστήσουμε διάφορες βιβλιοθήκες στο anaconda.
Πλοηγός Anaconda
Το Anaconda Navigator είναι ένα γραφικό περιβάλλον εργασίας γραφείου που συνοδεύεται από τη διανομή anaconda. Μας επιτρέπει να ξεκινήσουμε εφαρμογές και να διαχειριστούμε πακέτα conda, περιβάλλον και χωρίς τη χρήση εντολών γραμμής εντολών.
Use Case - Python Fundamentals
Μεταβλητές και τύποι δεδομένων
Μεταβλητές και τύποι δεδομένων είναι τα δομικά στοιχεία οποιασδήποτε γλώσσας προγραμματισμού. Η Python έχει 6 τύπους δεδομένων ανάλογα με τις ιδιότητες που κατέχουν. Λίστα, λεξικό, σύνολο, tuple, είναι οι τύποι δεδομένων συλλογής στη γλώσσα προγραμματισμού python.
Ακολουθεί ένα παράδειγμα για να δείξετε πώς χρησιμοποιούνται μεταβλητές και τύποι δεδομένων στο python.
#variable δήλωσης όνομα = 'Edureka' f = 1991 print ('python ιδρύθηκε στο', f) #data types 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} εκτύπωση ('η λίστα είναι', α) εκτύπωση ('το λεξικό είναι' , b) εκτύπωση («η πλειάδα είναι», γ) εκτύπωση («το σετ είναι», δ)Χειριστές
Χειριστές στο Python χρησιμοποιούνται για λειτουργίες μεταξύ τιμών ή μεταβλητών. Υπάρχουν 7 τύποι τελεστών στο python.
- Διαχειριστής ανάθεσης
- Αριθμητικός χειριστής
- Λογικός χειριστής
- Διαχειριστής σύγκρισης
- Bit-σοφός χειριστής
- Διαχειριστής ιδιότητας μέλους
- Διαχειριστής ταυτότητας
Ακολουθεί ένα παράδειγμα με τη χρήση μερικών χειριστών στο python.
a = 10 b = 15 # αριθμητική εκτύπωση χειριστή (a + b) εκτύπωση (a - b) εκτύπωση (a * b) # χειριστής εκχώρησης a + = 10 εκτύπωση (α) # χειριστής σύγκρισης #a! = 10 #b == a # λογικός τελεστής a> b και a> 10 # αυτό θα επιστρέψει αληθινό εάν και οι δύο δηλώσεις είναι αληθείς.
Δηλώσεις ελέγχου
Δηλώσεις όπως , break, Continue χρησιμοποιούνται ως δήλωση ελέγχου για τον έλεγχο της εκτέλεσης για βέλτιστα αποτελέσματα. Μπορούμε να χρησιμοποιήσουμε αυτές τις δηλώσεις σε διάφορους βρόχους στο python για τον έλεγχο του αποτελέσματος. Ακολουθεί ένα παράδειγμα για να δείξουμε πώς μπορούμε να εργαστούμε με δηλώσεις ελέγχου και υπό όρους.
name = 'edureka' για i in name: if i == 'a': break another: print (i)
Λειτουργίες
παρέχουμε επαναχρησιμοποίηση κώδικα με αποτελεσματικό τρόπο, όπου μπορούμε να γράψουμε τη λογική για μια δήλωση προβλήματος και να εκτελέσουμε μερικά επιχειρήματα για να βρούμε τις βέλτιστες λύσεις. Ακολουθεί ένα παράδειγμα για το πώς μπορούμε να χρησιμοποιήσουμε συναρτήσεις στο python.
def func (a): επιστροφή a ** a res = func (10) print (res)
Μαθήματα και αντικείμενα
Δεδομένου ότι το python υποστηρίζει αντικειμενοστρεφή προγραμματισμό, μπορούμε να συνεργαστούμε τάξεις και αντικείμενα επισης. Ακολουθεί ένα παράδειγμα για το πώς μπορούμε να εργαστούμε με τάξεις και αντικείμενα στο python.
class Parent: def func (self): print ('this is parent') class Child (Parent): def func1 (self): print ('this is child') ob = νέο παιδί () ob.func ()Αυτές είναι μερικές από τις θεμελιώδεις έννοιες στο python. Τώρα μιλώντας για τη μεγαλύτερη υποστήριξη πακέτων στο anaconda, μπορούμε να εργαστούμε με πολλές βιβλιοθήκες. Ας ρίξουμε μια ματιά στο πώς μπορούμε να χρησιμοποιήσουμε το python anaconda για την ανάλυση δεδομένων.
Χρήση περίπτωσης - Analytics
Αυτά είναι ορισμένα βήματα που εμπλέκονται . Ας ρίξουμε μια ματιά στο πώς λειτουργεί η ανάλυση δεδομένων σε anaconda και σε διάφορες βιβλιοθήκες που μπορούμε να χρησιμοποιήσουμε.
Συλλογή δεδομένων
ο συλλογή δεδομένων είναι τόσο απλή όσο η φόρτωση ενός αρχείου CSV στο πρόγραμμα. Στη συνέχεια, μπορούμε να χρησιμοποιήσουμε τα σχετικά δεδομένα για να αναλύσουμε συγκεκριμένες περιπτώσεις ή καταχωρίσεις στα δεδομένα. Ακολουθεί ο κώδικας για τη φόρτωση των δεδομένων CSV στο πρόγραμμα.
εισαγωγή panda ως pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns df = pd.read_csv ('filename.csv') print (df.head (5))Τεμαχισμός και χωρισμός σε τετράγωνα
Αφού φορτώσουμε το σύνολο δεδομένων στο πρόγραμμα, πρέπει να φιλτράρουμε τα δεδομένα με μερικές αλλαγές, όπως η εξάλειψη των μηδενικών τιμών και των περιττών πεδίων που μπορεί να προκαλέσουν αμφισημία στην ανάλυση.
Ακολουθεί ένα παράδειγμα για το πώς μπορούμε να φιλτράρουμε τα δεδομένα σύμφωνα με τις απαιτήσεις.
print (df.isnull (). sum ()) # αυτό θα δώσει το άθροισμα όλων των μηδενικών τιμών στο σύνολο δεδομένων. df1 = df.dropna (άξονας = 0, πώς = 'οποιοδήποτε') # αυτό θα ρίξει σειρές με μηδενικές τιμές.
μετατροπή δεκαδικού σε δυαδικό σε python
Μπορούμε επίσης να μειώσουμε τις μηδενικές τιμές.
Πλαίσιο
sns.boxplot (x = df ['Εύρος μισθών από']) sns.boxplot (x = df ['Εύρος μισθών έως'])
Διάγραμμα διασποράς
εισαγωγή matplotlib.pyplot ως plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Salary Range From'], df ['Salary Range To']) ax.set_xlabel ('Salary Range From ') ax.set_ylabel (' Salary Range TO ') plt.show ()
Οραματισμός
Μόλις αλλάξουμε τα δεδομένα σύμφωνα με τις απαιτήσεις, είναι απαραίτητο να αναλύσουμε αυτά τα δεδομένα. Ένας τέτοιος τρόπος για να γίνει αυτό είναι με οπτικοποίηση των αποτελεσμάτων. Ενα καλύτερο βοηθά στη βέλτιστη ανάλυση των προβολών δεδομένων.
Ακολουθεί ένα παράδειγμα για την οπτικοποίηση των δεδομένων.
sns.countplot (x = 'Ένδειξη πλήρους απασχόλησης / μερικής απασχόλησης', δεδομένα = df) sns.countplot (x = 'Ένδειξη πλήρους απασχόλησης / μερικής απασχόλησης', απόχρωση = 'Συχνότητα μισθού', δεδομένα = df) sns .countplot (hue = 'Ένδειξη πλήρους απασχόλησης / μερικής απασχόλησης', x = 'Τύπος δημοσίευσης', δεδομένα = df) df ['Εύρος μισθών από']. plot.hist () df ['Εύρος μισθών προς']. plot.hist ()
εισαγωγή matplotlib.pyplot ως plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. τίτλος ('Correlation', fontsize = 5) plt.show ()Ανάλυση
Μετά την οπτικοποίηση, μπορούμε να κάνουμε την ανάλυσή μας εξετάζοντας τις διάφορες γραφικές παραστάσεις και γραφήματα. Ας υποθέσουμε ότι εργαζόμαστε για δεδομένα εργασίας, εξετάζοντας την οπτική αναπαράσταση μιας συγκεκριμένης εργασίας σε μια περιοχή που μπορούμε να προσδιορίσουμε τον αριθμό των θέσεων εργασίας σε έναν συγκεκριμένο τομέα.
Από την παραπάνω ανάλυση, μπορούμε να υποθέσουμε τα ακόλουθα αποτελέσματα
- Ο αριθμός των θέσεων εργασίας μερικής απασχόλησης στο σύνολο δεδομένων είναι πολύ μικρότερος σε σύγκριση με τις εργασίες πλήρους απασχόλησης.
- ενώ οι θέσεις μερικής απασχόλησης ανέρχονται σε λιγότερες από 500, οι θέσεις πλήρους απασχόλησης υπερβαίνουν τις 2500.
- Με βάση αυτήν την ανάλυση, μπορούμε να δημιουργήσουμε ένα μοντέλο πρόβλεψης.
Σε αυτό το σεμινάριο python anaconda, καταλάβαμε πώς μπορούμε να ρυθμίσουμε το anaconda για το python με περιπτώσεις χρήσης που κάλυπταν τις βασικές αρχές του python, την ανάλυση δεδομένων και τη μηχανική μάθηση. Με περισσότερα από 300 πακέτα για την επιστήμη των δεδομένων, το anaconda παρέχει τη βέλτιστη υποστήριξη με αποτελεσματικά αποτελέσματα. Για να μάθετε τις δεξιότητές σας στο python εγγραφείτε στο Edureka's και ξεκινήστε τη μάθησή σας.
Έχετε απορίες; τα αναφέρετε στα σχόλια αυτού του άρθρου σχετικά με το «φροντιστήριο python anaconda» και θα επικοινωνήσουμε μαζί σας το συντομότερο δυνατό.