توابع پایتون برای علم داده

مدرس Madecraft

انتشار 2020/10/02

مدت زمان 1h 30m

سطح متوسط

فایل تمرینی دارد

آموزش Python Functions for Data Science

توابع بلوک اصلی برنامه‌نویسی و کار با داده‌ها و یک رویکرد ضروری برای خوانایی و استفاده مجدد کد هستند. در این دوره آموزشی، نحوه صرفه جویی در زمان و بهبود کد خود را با استفاده از توابع رایج برای پروژه های علم داده کشف کنید. توابع اساسی داخلی پایتون برای علم داده و همچنین توابع داخلی پیشرفته تری مانند تابع فیلتر در پایتون را کاوش کنید. یاد بگیرید که چگونه از توابع کتابخانه های NumPy و SciPy برای دستکاری داده های عددی و انجام عملیات آماری استفاده کنید. یاد بگیرید چگونه با استفاده از توابع کتابخانه پانداها، داده ها را به طور کارآمد ذخیره، اصلاح و گروه بندی کنید. نکاتی در مورد استفاده از توابع از کتابخانه های Matplotlib و Seaborn برای تجسم داده ها دریافت کنید. به‌علاوه، درباره مشکلات و اشتباهات رایج توسعه‌دهندگان در هنگام استفاده از توابع به عنوان بخشی از ابتکار عمل علم داده، اطلاعاتی کسب کنید.

Data Analysis Python (Programming Language)

Introduction

Python functions you should know ()

Getting the most from this course ()

1. Fundamental Built-In Python Functions for Data Science

Python print() function ()

Python input() function ()

Python abs() function ()

Python round() function ()

Python min() function ()

Python max() function ()

Python sorted() function ()

Python sum() function ()

Python len() function ()

Python type() function ()

2. Advanced Built-In Python Functions for Data Science

Python map() function ()

Python zip() function ()

Python filter() function ()

3. Functions from NumPy Library for Manipulation of Numerical Data

Create NumPy arrays in Python ()

Minimum and maximum values in NumPy arrays ()

Indices of min and max values in NumPy arrays ()

Find shapes of NumPy arrays and reshape ()

Select items or groups of items from NumPy arrays ()

Arithmetic operations on NumPy arrays ()

Scalar operations on NumPy arrays ()

Statistical operations on NumPy arrays ()

Other operations on NumPy arrays ()

4. Functions from SciPy Library for Scientific Computing

Linear algebra operations with SciPy ()

Statistical functions with SciPy ()

5. Functions from pandas Library for Data Manipulation and Data Analysis

Create a pandas series ()

Create a pandas DataFrame ()

Select data subsets from pandas objects ()

Modify pandas objects ()

Combine data from pandas objects ()

Group data from pandas objects ()

6. Functions from Matplotlib for Data Visualization

Matplotlib line plots ()

Matplotlib scatter plots ()

Matplotlib bar plots ()

Matplotlib pie charts ()

Matplotlib histograms ()

Matplotlib subplots ()

7. Functions from Seaborn for Data Visualization

Seaborn box plots ()

Seaborn kernel density estimate plots ()

Seaborn violin plots ()

Seaborn heatmaps ()

Conclusion

Get started using Python functions ()

Ex_Files_Python_Data_Functions.zip (37 KB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش توابع پایتون برای علم داده

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Python Functions for Data Science در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

آیا شما یک تحلیلگر داده هستید که می خواهید به عنوان یک دانشمند داده به یک شغل جدید توجه کنید؟ این مسیر یادگیری کمک ارزشمندی در انتقال مهارت های شما می کند. شما مهارت های موجود در زبان های برنامه نویسی مانند Python، SQL، DAX و R را خواهید آموخت و سپس یاد خواهید گرفت که چگونه از آنها در یک زمینه توسعه یافته استفاده کنید. همچنین مهارت‌های قدرت را در ابزارهای اصلی مانند Tableau، Spark و KNIME توسعه می‌دهید و در مهارت‌های آماری پایه قوی خواهید داشت.

آموزش توابع پایتون برای علم داده ، ایستگاه شماره 3 در مسیر یادگیری حرکت از تحلیلگر داده به دانشمند داده ، است.