پیش نیازهای علوم داده - Numpy - Pandas- Seaborn

تجزیه و تحلیل داده ها و تجسم داده ها در Python - Numpy ، Pandas ، Seaborn برای مبتدی مطلق.

عنوان اصلی : Data Science Prerequisites - Numpy - Pandas- Seaborn

سرفصل های دوره :

مقدمه:
مقدمه
numpy و برنامه های آن:
تبریک می گویم
numpy و برنامه های آن
اولیه سازی یک آرایه:
اولیه سازی یک آرایه
داده های numpy
دسترسی/تغییر عناصر خاص ، ردیف ها ، ستون ها و غیره:
دسترسی/تغییر عناصر خاص
اولیه سازی آرایه های مختلف (1s ، 0s ، کامل ، تصادفی و غیره):
اولیه سازی آرایه های مختلف (1S ، 0 ، کامل ، تصادفی و غیره)
ریاضیات اساسی (حسابی ، مثلثات و غیره):
ریاضیات اساسی (حسابی ، مثلثات و غیره)
جبر خطی و آمار:
جبر خطی و آمار
آرایه های سازماندهی مجدد:
سازماندهی مجدد
داده ها را از یک پرونده بارگیری کنید:
داده ها را با استفاده از numpy بارگذاری کنید
نمایه سازی پیشرفته و ماسک های بولی:
نمایه سازی پیشرفته و ماسک های بولی
معرفی پاندا:
معرفی پاندا
توضیحات داده
وارد کردن داده ها
ایجاد یک dataframe:
سری
ایجاد یک DataFrame
تکالیف
تمیز کردن داده ها:
تمیز کردن داده ها
برخورد با سلولهای خالی:
میانگین حالت متوسط
سلولهای خالی
برخورد با داده های اشتباه:
داده های اشتباه
برخورد با نوع داده اشتباه:
داده های اشتباه
برخورد با داده های تکراری:
کپی ها
همبستگی:
مقدمه همبستگی
همبستگی
Seaborn:
وارد کردن داده ها
طرح توزیع:
Ralvot
استفاده از طرح توزیع
طرح KDE:
مقدمه KDE
قطعه KDE قسمت 1
طرح KDE قسمت 2
طرح پراکندگی:
طرح پراکندگی
طرح فرش:
طرح فرش
طرح مشترک:
طرح مشترک
طرح جفت:
طرح جفت
طرح نوار:
طرح نوار
طرح شمارش:
طرح شمارش
طرح جعبه:
طرح جعبه
طرح ویولن:
طرح ویولن
طرح نوار:
طرح نوار
طرح swarm:
طرح swarm
نقشه گرما:
نقشه گرما
شبکه جفت:
شبکه جفت
Sub Plots:
Sub Plots
گواهی:
گواهی