در این مطلب، ویدئو سری پانداها و فریم های داده – تجزیه و تحلیل داده های پایتون شماره 4 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: 00:13:44
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:01,500
بچه ها جان الدر اینجا
2
00:00:01,500 –> 00:00:03,480
از Kona me.com و در این ویدیو ما
3
00:00:03,480 –> 00:00:05,580
پانداها را برای تجزیه و تحلیل داده ها
4
00:00:05,580 –> 00:00:08,240
با پایتون بررسی می کنیم،
5
00:00:13,519 –> 00:00:15,420
خوب بچه ها همانطور که در این ویدیو
6
00:00:15,420 –> 00:00:16,590
گفتم، پانداها را برای
7
00:00:16,590 –> 00:00:18,960
تجزیه و تحلیل داده ها با پایتون بررسی می کنیم، اما قبل از آن ما
8
00:00:18,960 –> 00:00:20,220
شروع می کنیم اگر این ویدیو را دوست دارید من می
9
00:00:20,220 –> 00:00:21,660
خواهم بیشتر شبیه آن را ببینم ، حتماً
10
00:00:21,660 –> 00:00:23,010
دکمه لایک زیر را فشار دهید مشترک کانال شوید.
11
00:00:23,010 –> 00:00:24,449
12
00:00:24,449 –> 00:00:26,130
13
00:00:26,130 –> 00:00:27,779
14
00:00:27,779 –> 00:00:28,980
با صدها
15
00:00:28,980 –> 00:00:30,779
ویدیو که به شما یاد می دهد کد نویسی کنید از کد کوپن
16
00:00:30,779 –> 00:00:32,850
یوتیوب یک استفاده کنید تا 30 دلار تخفیف
17
00:00:32,850 –> 00:00:34,140
عضویت بگیرید که تمام فیلم ها و کتاب های دوره های من
18
00:00:34,140 –> 00:00:36,540
با هزینه یک بار فقط 49 دلار است
19
00:00:36,540 –> 00:00:38,430
که بسیار ارزان است.
20
00:00:38,430 –> 00:00:41,190
21
00:00:41,190 –> 00:00:44,309
و من فکر
22
00:00:44,309 –> 00:00:45,390
کردم که آن را صرف انجام کمی
23
00:00:45,390 –> 00:00:47,399
تجزیه و تحلیل دادههای پایتون کنیم چه راهی بهتر برای
24
00:00:47,399 –> 00:00:48,750
گذراندن روز تولد و
25
00:00:48,750 –> 00:00:51,360
عاشقانهترین روز سال و انجام
26
00:00:51,360 –> 00:00:55,140
تجزیه و تحلیل دادهها درست است، بنابراین اگر
27
00:00:55,140 –> 00:00:56,489
فراموش کردید گل های دوست دخترت را بگیر
28
00:00:56,489 –> 00:00:59,760
فراموش نکن هنوز وقت داری، بنابراین
29
00:00:59,760 –> 00:01:02,219
ما
30
00:01:02,219 –> 00:01:04,739
در این لیست پخش در مورد تجزیه و تحلیل داده های کوچک صحبت
31
00:01:04,739 –> 00:01:05,880
کرده ایم اگر دو ویدیوی اول را ندیده اید،
32
00:01:05,880 –> 00:01:08,070
به عقب برگردید لینک موجود در
33
00:01:08,070 –> 00:01:09,990
نظرات را بررسی کنید. در زیر برای بررسی لیست
34
00:01:09,990 –> 00:01:12,600
پخشی که کمی به numpy نگاه کرده ایم
35
00:01:12,600 –> 00:01:13,860
، زمان زیادی را صرف آن
36
00:01:13,860 –> 00:01:15,119
نکرده ایم، زیرا ما از یک داور خیلی استفاده نمی کنیم،
37
00:01:15,119 –> 00:01:16,650
شما باید با آن آشنا
38
00:01:16,650 –> 00:01:18,600
باشید، اما شما این کار را انجام نمی دهید. لازم نیست واقعاً به آن تسلط
39
00:01:18,600 –> 00:01:20,670
داشته باشید، اما مجبور نیستید، بنابراین
40
00:01:20,670 –> 00:01:21,960
ما فقط می خواهیم پانداها را جلو ببریم
41
00:01:21,960 –> 00:01:24,119
زیرا اکنون بسیار سرگرم کننده است
42
00:01:24,119 –> 00:01:26,759
پانداها چیزی است که شما همیشه برای تجزیه و تحلیل داده ها از آن استفاده خواهید کرد
43
00:01:26,759 –> 00:01:29,460
و پانداها دو اسب کار واقعی دارند.
44
00:01:29,460 –> 00:01:31,799
که قرار است از
45
00:01:31,799 –> 00:01:33,630
سری و قاب داده استفاده کنید و ما
46
00:01:33,630 –> 00:01:34,920
47
00:01:34,920 –> 00:01:36,900
در این ویدیو به سرعت هر دو مورد را بررسی خواهیم کرد، اکنون شما بیشتر
48
00:01:36,900 –> 00:01:38,670
از فریم های داده استفاده می کنید، این همان چیزی است که پانداها
49
00:01:38,670 –> 00:01:40,829
برای ما از داده استفاده می کنیم. فریم ها اما
50
00:01:40,829 –> 00:01:42,810
فریم های داده از سری تشکیل شده اند بنابراین
51
00:01:42,810 –> 00:01:45,479
باید با آنها آشنا باشید و
52
00:01:45,479 –> 00:01:46,770
حداقل بدانیم آنها چه هستند تا
53
00:01:46,770 –> 00:01:47,939
زمان زیادی را صرف صحبت کردن در مورد
54
00:01:47,939 –> 00:01:49,560
سریال نکنیم، اما من به شما نشان خواهم داد که آنها چه
55
00:01:49,560 –> 00:01:51,270
هستند، بنابراین ابتدا
56
00:01:51,270 –> 00:01:53,579
باید مطمئن شویم که پانداها نصب شده اند، بنابراین اگر
57
00:01:53,579 –> 00:01:55,170
به یاد دارید اگر تماشا می کنید ویدیوهای دیگری
58
00:01:55,170 –> 00:01:57,899
که من کنترل C را در دست دارم تا از
59
00:01:57,899 –> 00:02:00,060
خط فرمان Jupiter notebook خارج
60
00:02:00,060 –> 00:02:04,460
شوند، بیایید صفحه را پاک کنیم، C
61
00:02:04,460 –> 00:02:07,320
/da برای دایرکتوری تجزیه و تحلیل داده ها که در
62
00:02:07,320 –> 00:02:09,630
داخل محیط مجازی خود هستیم
63
00:02:09,630 –> 00:02:10,710
، جایی که در سراسر آن کار کرده ایم.
64
00:02:10,710 –> 00:02:12,900
این لیست پخش اکنون فقط باید
65
00:02:12,900 –> 00:02:16,080
پانداهای نصب را پیپ کنیم و آن جمع PA و
66
00:02:16,080 –> 00:02:18,930
EAS است و برخی چیزها را دانلود و نصب می
67
00:02:18,930 –> 00:02:22,620
کند و باید خوب پیش برود،
68
00:02:22,620 –> 00:02:25,410
بنابراین اکنون تمام شد، فقط می توانیم
69
00:02:25,410 –> 00:02:27,590
دستور نوت بوک Jupiter را دوباره اجرا کنیم تا نوت بوک مشتری خود را مجددا
70
00:02:27,590 –> 00:02:30,300
راه اندازی کنیم و بنابراین من
71
00:02:30,300 –> 00:02:31,170
فقط میخواهم به اینجا بیایم و
72
00:02:31,170 –> 00:02:33,620
بارگذاری مجدد را
73
00:02:34,340 –> 00:02:37,550
74
00:02:37,550 –> 00:02:38,840
بزنم و اگر نوتبوک مشتری را به خاطر بیاورید نام آن را آزمایش کردم
75
00:02:38,840 –> 00:02:40,370
روی هر چیزی که میخواهید واقعاً
76
00:02:40,370 –> 00:02:42,319
مهم نیست و اکنون میخواهیم واردات خود را
77
00:02:42,319 –> 00:02:45,260
به عنوان MP خالی نگه داریم زیرا پانداها از numpy استفاده
78
00:02:45,260 –> 00:02:47,500
میکنند اما اکنون ما نیز باید
79
00:02:47,500 –> 00:02:51,230
پانداها را بهعنوان PD وارد کنیم و این قرارداد است،
80
00:02:51,230 –> 00:02:53,959
بنابراین Shift-Enter برای اجرای آن و این
81
00:02:53,959 –> 00:02:56,540
تمام کاری است که برای وارد کردن پانداها باید انجام دهیم، من
82
00:02:56,540 –> 00:02:59,299
همچنین میخواهم برخی دادههای تصادفی ایجاد
83
00:02:59,299 –> 00:03:00,590
کنم، بنابراین همین الان میخواهم از آن خارج شوم.
84
00:03:00,590 –> 00:03:08,599
وارد کردن تصادفی numpy خوب است به طوری
85
00:03:08,599 –> 00:03:10,010
که فقط به ما اجازه می دهد تا تعدادی
86
00:03:10,010 –> 00:03:11,840
اعداد تصادفی ایجاد کنیم، بنابراین خوب است
87
00:03:11,840 –> 00:03:13,280
ابتدا اجازه دهید کمی در مورد سری صحبت کنیم
88
00:03:13,280 –> 00:03:15,769
و یک سری بسیار شبیه یک
89
00:03:15,769 –> 00:03:18,380
آرایه numpy است، تنها تفاوت واقعی این است
90
00:03:18,380 –> 00:03:22,640
که می تواند برچسب ها و شاخص داشته باشد. بنابراین بیایید
91
00:03:22,640 –> 00:03:23,900
فقط به این سریع نگاه کنیم، اجازه دهید
92
00:03:23,900 –> 00:03:27,440
ایجاد کنیم، اجازه دهید مقداری داده ایجاد کنیم و
93
00:03:27,440 –> 00:03:29,450
این را برابر قرار دهیم، فقط یک لیست
94
00:03:29,450 –> 00:03:33,610
در اینجا ایجاد می کنیم و فقط تعدادی اعداد می خواهیم 41 12
95
00:03:33,610 –> 00:03:36,110
62 واقعاً مهم نیست حالا بیایید
96
00:03:36,110 –> 00:03:37,640
یک آرایه numpy ایجاد کنیم. از این
97
00:03:37,640 –> 00:03:39,950
کار، قبلاً این کار را انجام دادهایم، من فقط
98
00:03:39,950 –> 00:03:43,850
آن را numpy مینامم – آرایه و ما
99
00:03:43,850 –> 00:03:47,660
میخواهیم این یک آرایه numpy باشد و فقط میخواهیم
100
00:03:47,660 –> 00:03:49,940
دادهها را منتقل کنیم، بنابراین Shift enter را برای اجرای این کار
101
00:03:49,940 –> 00:03:51,680
اکنون میتوانیم به این نگاه کنیم. ما
102
00:03:51,680 –> 00:03:55,280
آرایه زیرخط numpy می خواهیم و فقط
103
00:03:55,280 –> 00:03:58,819
این آرایه 41 12 و است 16 و
104
00:03:58,819 –> 00:04:00,440
اگر میخواهیم
105
00:04:00,440 –> 00:04:03,739
مطمئن شویم که این در واقع یک آرایه داور است، یک نوع اجرا
106
00:04:03,739 –> 00:04:06,650
میکنیم و بله، آرایهای ناچیز است، بنابراین
107
00:04:06,650 –> 00:04:08,540
ما قبلاً میدانیم چگونه این کار را انجام دهیم، مشکل مهمی نیست،
108
00:04:08,540 –> 00:04:12,049
حالا بیایید یک سری نیز ایجاد کنیم
109
00:04:12,049 –> 00:04:13,609
و ما میتوانیم این کار را به روشهای مختلف انجام
110
00:04:13,609 –> 00:04:14,690
دهیم، ما به چند روش مختلف
111
00:04:14,690 –> 00:04:16,488
برای انجام آن نگاه خواهیم کرد و حداقل چند تا
112
00:04:16,488 –> 00:04:18,560
از اینها، بیایید برخی برچسبها را نیز ایجاد کنیم،
113
00:04:18,560 –> 00:04:21,858
زیرا به یاد داشته باشید که یک سری دارای یک
114
00:04:21,858 –> 00:04:25,160
سیستم برچسب شاخص است که ما خواهیم دید، پس
115
00:04:25,160 –> 00:04:28,910
بیایید فقط برو جان و من سالی آن را نمی شناسم،
116
00:04:28,910 –> 00:04:34,610
بیا بریم تیم خوب، پس حالا برای
117
00:04:34,610 –> 00:04:37,370
ساختن سریال ما فقط می توانیم
118
00:04:37,370 –> 00:04:38,930
اسم آن را بگذاریم، من فقط سریالم را صدا می کنم
119
00:04:38,930 –> 00:04:41,690
و برای ساختن این سریال PD می رویم
120
00:04:41,690 –> 00:04:44,210
زیرا این سریال پاندا است و ما
121
00:04:44,210 –> 00:04:46,520
فقط میخواهیم دادهها و برچسبها
122
00:04:46,520 –> 00:04:47,900
را منتقل کنیم و در مورد دادههایمان اجازه دهید
123
00:04:47,900 –> 00:04:50,419
در این آرایه کمرنگ که
124
00:04:50,419 –> 00:04:53,630
قبلاً ایجاد کردیم و همچنین برچسبهایی را میخواهیم، بنابراین همین ال
125
00:04:53,630 –> 00:04:56,030
ن در برچسبهای خود ارسال میکنیم، بنابراین اگر ای
126
00:04:56,030 –> 00:04:59,620
سری زیرخط را اجرا کنیم، Shift
127
00:04:59,620 –> 00:05:03,350
enter را انجام دهیم. ما این را دریافت می کنیم و
128
00:05:03,350 –> 00:05:05,389
اگر آرایه numpy aga را صدا کنیم، بسیار شبیه آرایه numpy ما است
129
00:05:05,389 –> 00:05:10,580
در سمت راست به جز این
130
00:05:10,580 –> 00:05:14,389
دارای شاخص هایی است که این شاخص ها درست با برچسب ها افزایش می یابد
131
00:05:14,389 –> 00:05:16,600
132
00:05:16,600 –> 00:05:17,680
که واقعاً تنها تفاوت بزرگ است
133
00:05:17,680 –> 00:05:22,140
و ما می توانیم تأیید کنیم که می توانیم ببینیم نوع
134
00:05:22,140 –> 00:05:25,720
برابر با سری من است و بله در واقع این
135
00:05:25,720 –> 00:05:29,770
یک سری است درست است بنابراین خیلی خوب است که اکنون
136
00:05:29,770 –> 00:05:32,380
آرایه numpy را به عنوان رد کردیم دادهها
137
00:05:32,380 –> 00:05:34,660
را نیز میتوانیم فقط دادههای خود را قرار دهیم و اگر این
138
00:05:34,660 –> 00:05:38,740
کار را انجام دهیم، واقعاً هیچ تغییری نمیکند و در
139
00:05:38,740 –> 00:05:42,220
واقع میتوانیم بدانید که یک نوع را اجرا کنید تا
140
00:05:42,220 –> 00:05:45,340
مطمئن شوید که هنوز یک سری است و
141
00:05:45,340 –> 00:05:49,900
بنابراین خیلی جالب است تا بتوانیم
142
00:05:49,900 –> 00:05:51,880
برچسبها را کنار بگذاریم. لازم نیست برچسب داشته باشید
143
00:05:51,880 –> 00:05:55,120
در این مورد ایندکس ها
144
00:05:55,120 –> 00:05:56,920
عددی می شوند و اینها همان نوع
145
00:05:56,920 –> 00:05:58,450
سیستم شماره گذاری هستند که
146
00:05:58,450 –> 00:06:00,550
در لیست پایتون دارید، اولین مورد
147
00:06:00,550 –> 00:06:02,770
صفرمین مورد در سمت راست است، مورد دوم یک مورد است
148
00:06:02,770 –> 00:06:05,110
و سومین مورد سه است. سومی
149
00:06:05,110 –> 00:06:08,860
دو تا درست است، خیلی خوب است، حالا
150
00:06:08,860 –> 00:06:10,750
ما دادههایمان را ارسال کردیم که آنها اعداد بودند،
151
00:06:10,750 –> 00:06:12,610
میتوانیم به جای آن برچسبهایمان را هم بفرستیم و
152
00:06:12,610 –> 00:06:14,410
میتوانیم یک سری از برچسبهایمان بسازیم
153
00:06:14,410 –> 00:06:17,020
و حالا دادهها تبدیل به جان سالی و
154
00:06:17,020 –> 00:06:19,360
تیم میشود و هنوز یک سری است. خیلی نوع
155
00:06:19,360 –> 00:06:21,280
من جالب است، بنابراین آنها سریالهایی هستند که
156
00:06:21,280 –> 00:06:22,540
یک راه برای انجام آن هستند، راه دیگری وجود دارد که میتوانید
157
00:06:22,540 –> 00:06:23,590
آن را انجام دهید، فقط میتوانید یک
158
00:06:23,590 –> 00:06:25,870
فرهنگ لغت یک فرهنگ لغت پایتون ایجاد کنید، بنابراین
159
00:06:25,870 –> 00:06:28,510
بیایید آن را سریع انجام دهیم و
160
00:06:28,510 –> 00:06:31,780
همان دادهها را منتقل میکنیم تا جان را بخواهیم و بیایید
161
00:06:31,780 –> 00:06:36,540
جان را ببینیم 41 ساله بودیم و بعد
162
00:06:36,540 –> 00:06:41,970
سالی 12 ساله داشتیم و بعد تیم تیم
163
00:06:41,970 –> 00:06:46,180
62 ساله بود، بنابراین اکنون ما این ف