در این مطلب، ویدئو ایجاد متغیرهای ساختگی (دسته ای) با پانداها در پایتون (بدون sklearn) با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:09:26
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:02,970
اوه بچه ها تماشای ویدیو را رها کنید و در این
2
00:00:02,970 –> 00:00:04,410
ویدیو به شما نشان می دهم که چگونه نام را
3
00:00:04,410 –> 00:00:07,230
مدیریت کنید، بگذارید از
4
00:00:07,230 –> 00:00:11,940
داده های خام چه چیزی بود و بیایید به مثال برویم
5
00:00:11,940 –> 00:00:14,790
و به عنوان مثال برای این نوع
6
00:00:14,790 –> 00:00:19,590
قاب کوچک داریم و داریم مجموعه داده و همانطور
7
00:00:19,590 –> 00:00:22,140
که می بینید ما یک دو سه چهار
8
00:00:22,140 –> 00:00:25,080
پنج شش هفت ستون داریم و از این
9
00:00:25,080 –> 00:00:27,599
تاریخ و نیم ستون اول
10
00:00:27,599 –> 00:00:29,429
داده های پزشکی است دومی
11
00:00:29,429 –> 00:00:31,969
داده های طبقه بندی شده معجزه معجزه
12
00:00:31,969 –> 00:00:36,329
دسته بندی در آمریکا و همچنین
13
00:00:36,329 –> 00:00:42,120
طبقه بندی است و وظیفه ما ایجاد است
14
00:00:42,120 –> 00:00:44,760
آنها را با متغیرهایی از داده های Oracle اتاق زیر شیروانی
15
00:00:44,760 –> 00:00:48,230
و برای ایجاد آنها در دسترس برای
16
00:00:48,230 –> 00:00:54,239
نوع برای رنگ و برای شاد و در
17
00:00:54,239 –> 00:00:57,020
نتیجه بیش از هفت ستون خواهد داشت
18
00:00:57,020 –> 00:01:02,010
زیرا ما برای
19
00:01:02,010 –> 00:01:04,650
هر دسته از نوع نمونه قدرت های مختلفی داریم،
20
00:01:04,650 –> 00:01:11,340
ساعت ها و کتاب های فناوری مواد غذایی داریم و این
21
00:01:11,340 –> 00:01:17,990
ستون ما باید یک دو سه و
22
00:01:17,990 –> 00:01:21,760
چهار اگزوکامپ داشته باشیم، پس
23
00:01:21,760 –> 00:01:25,900
بیایید این کار را انجام دهیم و برای این
24
00:01:25,900 –> 00:01:28,990
کار از تمام کتابخانه pans استفاده میکنیم بدون راز
25
00:01:28,990 –> 00:01:32,980
26
00:01:32,980 –> 00:01:37,680
27
00:01:37,680 –> 00:01:41,470
کتابخانه tant و همانطور که
28
00:01:41,470 –> 00:01:43,780
موافقت کردید مجموعه داده ما را از
29
00:01:43,780 –> 00:01:45,790
فایل CSV دریافت کنید، بیایید این کار را انجام
30
00:01:45,790 –> 00:01:48,640
دهیم بله، همان چیزی است که exhale
31
00:01:48,640 –> 00:01:54,160
را تا کنون دیده بودیم خیلی خوب بود و اکنون حقیقت
32
00:01:54,160 –> 00:02:00,100
را ترک کنید، اینجاست که آنها قصد دارند
33
00:02:00,100 –> 00:02:02,650
یک تابع ویژه بنویسند که
34
00:02:02,650 –> 00:02:07,360
ما را که میخواهد گربه ما را
35
00:02:07,360 –> 00:02:12,010
به نام دادههای دستهبندی اداره کند و
36
00:02:12,010 –> 00:02:15,340
این تابع را بنویسد
37
00:02:15,340 –> 00:02:18,960
تا با حداقل کار دستی، عملکرد خود را به هر فریم داده بپذیرد،
38
00:02:18,960 –> 00:02:23,350
بنابراین بیایید این کار را انجام دهیم و ایده به این صورت
39
00:02:23,350 –> 00:02:27,070
است که فریم دادهمان را وارد میکنیم
40
00:02:27,070 –> 00:02:30,160
و زیر مجموعههای متفاوتی ایجاد میکنیم. برای
41
00:02:30,160 –> 00:02:41,010
dummies نمونه dummies نوع برابر است،
42
00:02:41,010 –> 00:02:45,310
ما یک نوع ساختگی برای این فراخوانی ایجاد می کنیم،
43
00:02:45,310 –> 00:02:54,180
بنابراین این نوع ما از این با پانداها استفاده می کنیم
44
00:02:54,180 –> 00:03:03,340
و متد dummies را دریافت می کنیم
45
00:03:03,340 –> 00:03:10,620
و ما و آرگومان یک نوع ستونی خواهد بود.
46
00:03:10,620 –> 00:03:20,620
آرگومان دوم reflux است،
47
00:03:20,620 –> 00:03:27,220
فرض کنید بیایید بگوییم این است. دوباره تایپ کنید و
48
00:03:27,220 –> 00:03:31,630
آرگومان سوم این یک درخواست برای
49
00:03:31,630 –> 00:03:36,910
رها کردن ستون اول خواهد بود، ابتدا برابر
50
00:03:36,910 –> 00:03:40,360
با true است زیرا بعد از بزرگتر شدن آنها
51
00:03:40,360 –> 00:03:43,750
در متغیرها، این من هستم که
52
00:03:43,750 –> 00:03:46,930
برای هر نوع ستون های اضافی برای
53
00:03:46,930 –> 00:03:49,989
e ایجاد می کنیم. هر دسته ای باید
54
00:03:49,989 –> 00:03:53,680
یکی اصلی را حذف کنیم زیرا لازم نیست زیرا
55
00:03:53,680 –> 00:03:59,980
این ستون را برای هر دسته دو ستون مختلف استخراج می کنیم بنابراین ستون
56
00:03:59,980 –> 00:04:04,090
57
00:04:04,090 –> 00:04:07,450
اصلی مهم نیست و
58
00:04:07,450 –> 00:04:09,250
برای هدف یادگیری ماشینی
59
00:04:09,250 –> 00:04:11,530
که داریم بسیار مفید است زیرا باید فقط
60
00:04:11,530 –> 00:04:15,519
نمایش داده شده باشد. و چه فریم داده های مربی
61
00:04:15,519 –> 00:04:21,660
یا محل اقامت و نزدیک شدن