دستکاری داده ها در پایتون - استاد پایتون ، Numpy و Pandas

علم داده به سرعت به یکی از امیدوار کننده ترین مشاغل در قرن بیست و یکم تبدیل می شود. این خودکار ، برنامه محور و تحلیلی است. در نتیجه ، جای تعجب نیست که تقاضا برای دانشمندان داده طی چند سال گذشته در بازار کار گسترش یافته است.
ما با یک تازه کننده سریع در اصول پایتون برای مبتدیان در این دوره شروع خواهیم کرد. این اختیاری است ؛ اگر قبلاً با پایتون آشنا هستید ، به فصل بعدی بروید.
علم داده موضوع سه بخش بعدی خواهد بود. ما با کتابخانه های ضروری پایتون برای علوم داده شروع خواهیم کرد ، سپس به خصوصیات اساسی Numpy می رویم و در آخر با ریاضیات و نحوه استفاده از آن در علم داده شروع می کنیم. درباره علم داده. پس از آن ، ما به تجارت می رسیم و تمیز کردن داده ها را آغاز می کنیم. پس از آن ، ما یاد خواهیم گرفت که چگونه از پایتون برای تجسم داده ها و انجام تجزیه و تحلیل داده ها در برخی از مجموعه داده های نمونه استفاده کنیم. سرانجام ، ما سریال های زمانی را در پایتون پوشش خواهیم داد و یاد می گیریم که چگونه با مجموعه داده ها به سریال های زمانی کار کنیم و تبدیل به مجموعه های زمانی شود.
تمام منابع این دوره در: https://github.com/packtpublishing/data-manipulation-in-python ---master-python-numpy-and-pandas

عنوان اصلی : Data Manipulation in Python - Master Python, NumPy, and Pandas

سرفصل های دوره :

تازه سازی سریع پایتون (اختیاری):
به این دوره خوش آمدید!
مقدمه ای بر پایتون
تنظیم پایتون
مشتری چیست؟
نصب آناکوندا: ویندوز ، مک و اوبونتو
چگونه پایتون را در مشتری پیاده سازی کنیم؟
مدیریت دایرکتوری ها در نوت بوک Jupyter
ورودی/خروجی
کار با داده های مختلف
متغیرها
اپراتورهای حسابی
اپراتورهای مقایسه
اپراتورهای منطقی
اظهارات مشروط
حلقه ها
توالی: لیست ها
توالی: فرهنگ لغت
توالی: Tuples
توابع: توابع داخلی
توابع: توابع تعریف شده توسط کاربر
کتابخانه های ضروری پایتون برای علوم داده:
نصب کتابخانه ها
واردات کتابخانه ها
کتابخانه پانداس برای علوم داده
کتابخانه Numpy برای علوم داده
pandas در مقابل numpy
کتابخانه Matplotlib برای علوم داده
کتابخانه Seaborn برای علوم داده
خصوصیات بنیادی numpy:
مقدمه آرایه های Numpy
ایجاد آرایه های numpy
نمایه سازی آرایه های Numpy
شکل آرایه
تکرار بیش از آرایه های numpy
ریاضیات برای علوم داده:
آرایه های اساسی numpy: صفر ()
آرایه های اساسی Numpy: موارد ()
آرایه های اساسی Numpy: کامل ()
اضافه کردن یک مقیاس
کم کردن یک مقیاس
ضرب توسط یک مقیاس
تقسیم توسط یک مقیاس
افزایش به یک قدرت
انتقال
افزودنی عاقلانه
تفریق عاقلانه
ضرب عناصر عاقلانه
بخش عاقلانه
ضرب ماتریس
آمار
python pandas dataframes و سری:
DataFrame Python Pandas چیست؟
سری پایتون پانداس چیست؟
dataframe در مقابل سری
ایجاد یک DataFrame با استفاده از لیست ها
ایجاد یک DataFrame با استفاده از فرهنگ لغت
بارگیری داده های CSV به پایتون
تغییر ستون فهرست
در محل
بررسی DataFrame: Head and Tail
خلاصه آماری از dataframe
ردیف های برش با استفاده از اپراتورهای براکت
ستون های نمایه سازی با استفاده از اپراتورهای براکت
لیست بولی
ردیف های فیلتر
ردیف های فیلتر با استفاده از اپراتورهای ‘& 'و‘ |
فیلتر کردن داده ها با استفاده از LOC ()
داده های فیلتر با استفاده از ILOC ()
اضافه کردن و حذف ردیف ها و ستون ها
مرتب سازی مقادیر
صادرات و ذخیره DataFrames Pandas
هماهنگی DataFrames
Groupby ()
تمیز کردن داده ها:
مقدمه ای برای تمیز کردن داده ها
کیفیت داده ها
نمونه هایی از ناهنجاری ها
تشخیص ناهنجاری مبتنی بر میانه
تشخیص ناهنجاری مبتنی بر میانگین
تشخیص ناهنجاری مبتنی بر Z
دامنه بین کوارتیل برای تشخیص ناهنجاری
برخورد با مقادیر گمشده
عبارات منظم
مقیاس بندی ویژگی
تجسم داده با استفاده از پایتون:
مقدمه
تنظیم matplotlib
توطئه های خط توطئه با استفاده از matplotlib
عنوان ، برچسب ها و افسانه
ترسیم هیستوگرام
نمودارهای نوار نقشه
طرح نمودارهای پای
توطئه توطئه های پراکندگی
توطئه های نقشه برداری
توطئه توطئه های قطبی
تاریخ رسیدگی
ایجاد چندین زیر مجموعه در یک شکل
تجزیه و تحلیل داده های اکتشافی:
مقدمه
تجزیه و تحلیل داده های اکتشافی چیست؟
تجزیه و تحلیل تک متغیره
تجزیه و تحلیل تک متغیره: داده های مداوم
تجزیه و تحلیل تک متغیره: داده های طبقه بندی شده
تجزیه و تحلیل دو متغیره: مداوم و مداوم
تجزیه و تحلیل دو متغیره: طبقه بندی و طبقه بندی
تجزیه و تحلیل دو متغیره: مداوم و طبقه بندی
تشخیص دور دور
تحول متغیر طبقه بندی شده
سری زمانی در پایتون:
مقدمه ای به سری زمانی
دریافت داده های سهام با استفاده از yfinance
تبدیل یک مجموعه داده به سری زمانی
کار با سری زمانی
تجسم داده های سری زمانی با پایتون