در این مطلب، ویدئو پایتون – Scatterplot با خط هویت 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: 00:03:13
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,960 –> 00:00:02,960
خوش آمدید در این ویدیو به
2
00:00:02,960 –> 00:00:05,680
شما نشان خواهم داد که چگونه می توانید یک نمودار پراکندگی
3
00:00:05,680 –> 00:00:08,080
با یک خط هویت یا گاهی اوقات به
4
00:00:08,080 –> 00:00:09,760
عنوان یک خط مرجع شناخته می شود ایجاد کنید که این
5
00:00:09,760 –> 00:00:11,200
یکی از صفر صفر
6
00:00:11,200 –> 00:00:14,400
تا صد در این مورد است، اما
7
00:00:14,400 –> 00:00:15,440
می تواند
8
00:00:15,440 –> 00:00:18,880
با استفاده از پایتون متفاوت باشد. 3 و به طور خاص من
9
00:00:18,880 –> 00:00:20,080
از اینجا در آزمایشگاه مشتری استفاده میکنم،
10
00:00:20,080 –> 00:00:22,400
بنابراین میخواهم تمام مسیر را به سمت بالا
11
00:00:22,400 –> 00:00:23,439
12
00:00:23,439 –> 00:00:25,680
13
00:00:25,680 –> 00:00:27,920
14
00:00:27,920 –> 00:00:28,480
15
00:00:28,480 –> 00:00:30,560
پیمایش کنم. یک
16
00:00:30,560 –> 00:00:32,719
نمودار پراکنده، بنابراین این فقط یک
17
00:00:32,719 –> 00:00:35,120
اضافه کوچک برای به دست آوردن آن خط هویت است،
18
00:00:35,120 –> 00:00:35,840
19
00:00:35,840 –> 00:00:38,399
من به یک داده نمونه نیاز دارم تا
20
00:00:38,399 –> 00:00:38,960
از
21
00:00:38,960 –> 00:00:41,760
پانداها برای بارگیری داده ها به عنوان
22
00:00:41,760 –> 00:00:42,960
قاب داده آپاندا استفاده کنم، بنابراین
23
00:00:42,960 –> 00:00:45,039
اگر هرگز از بسته استفاده نکرده اید، ابتدا پانداها را وارد می کنم.
24
00:00:45,039 –> 00:00:47,039
قبل از اینکه بتوانید معمولاً
25
00:00:47,039 –> 00:00:49,200
آن را با استفاده از نصب pip تعجب
26
00:00:49,200 –> 00:00:51,520
یا هر روش دیگری که
27
00:00:51,520 –> 00:00:54,000
دوست دارید برای نصب بسته ها استفاده کنید نصب کنید،
28
00:00:54,000 –> 00:00:57,440
سپس می توانم داده ها را با استفاده از خواندن csv بارگذاری کنم
29
00:00:57,440 –> 00:01:00,800
و head پنج رکورد اول را در آنجا به من نشان می دهد
30
00:01:00,800 –> 00:01:03,039
، بنابراین قبل و بعد و
31
00:01:03,039 –> 00:01:04,959
در واقع یک d وجود دارد که ساده است
32
00:01:04,959 –> 00:01:06,640
تفاوت بین این دو وجود دارد،
33
00:01:06,640 –> 00:01:10,080
اما من
34
00:01:10,080 –> 00:01:12,000
برای ایجاد نمودار فقط به قبل و بعد نیاز دارم، من به
35
00:01:12,000 –> 00:01:13,840
نمودار pi نیز نیاز دارم،
36
00:01:13,840 –> 00:01:16,240
بنابراین، آن را به صورت plt بارگیری می کنم
37
00:01:16,240 –> 00:01:17,280
که
38
00:01:17,280 –> 00:01:20,479
برای انجام نمودار پراکندگی معمولی کاملاً معمولی است.
39
00:01:20,479 –> 00:01:21,600
به
40
00:01:21,600 –> 00:01:24,159
سادگی با plt و سپس پراکندگی نقطه انجام شود و سپس
41
00:01:24,159 –> 00:01:27,520
دو فیلد مورد نظر من
42
00:01:27,520 –> 00:01:29,680
میتوانیم کمی آن را با
43
00:01:29,680 –> 00:01:32,720
اضافه کردن مقداری شفافیت
44
00:01:32,720 –> 00:01:34,720
برچسبگذاری محور انجام دهیم که معمولاً
45
00:01:34,720 –> 00