در این مطلب، ویدئو طرح ویولن Seaborn | تفسیر طرح ویولن دریایی Python Seaborn 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: 00:06:28
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,790
سلام به ویدیوی بعدی
2
00:00:02,790 –> 00:00:06,089
در مورد این آموزش پیوند C خوش آمدید و در این
3
00:00:06,089 –> 00:00:08,039
آموزش ویدیویی در
4
00:00:08,039 –> 00:00:11,219
مورد نمودار خشونت آمیز صحبت خواهم کرد که یک
5
00:00:11,219 –> 00:00:13,950
نوع نمودار بسیار خاص و ترکیبی
6
00:00:13,950 –> 00:00:15,960
از KDE است
7
00:00:15,960 –> 00:00:18,690
که یک هسته تخمینی چگالی دارد
8
00:00:18,690 –> 00:00:22,230
و نمودار جعبه نمودار برای نشان دادن
9
00:00:22,230 –> 00:00:24,720
توزیع غنیتر دادهها به
10
00:00:24,720 –> 00:00:27,480
همراه اطلاعات سبیل و هسته،
11
00:00:27,480 –> 00:00:31,500
بنابراین بیایید ببینیم چگونه میتوانیم نمودار ویولن ایجاد کنیم
12
00:00:31,500 –> 00:00:34,260
و قبل از انجام این کار،
13
00:00:34,260 –> 00:00:37,079
اگر میخواهید چیز دیگری غیر از آنچه
14
00:00:37,079 –> 00:00:39,960
که مربوط به آموزش c1 است
15
00:00:39,960 –> 00:00:43,219
را ببینید، به من اطلاع دهید. آموزشها قبلاً به اشتراک گذاشته شدهاند
16
00:00:43,219 –> 00:00:45,989
و در نظرات درباره چیزهای
17
00:00:45,989 –> 00:00:48,329
دیگری که دوست دارید از دیدگاه تجسم دادههای Seabourn ببینید، به
18
00:00:48,329 –> 00:00:50,520
19
00:00:50,520 –> 00:00:51,989
من اطلاع دهید و من سعی کردهام نموداری برای
20
00:00:51,989 –> 00:00:55,860
آن درست کنم تا
21
00:00:55,860 –> 00:00:58,609
اگر ویدیوی قبلی من را تماشا میکنید از دادههایی استفاده میکنم. یا
22
00:00:58,609 –> 00:01:00,809
دنبال کردن ویدیوهایی
23
00:01:00,809 –> 00:01:04,290
که قبلاً ارسال کردهام، مربوط به
24
00:01:04,290 –> 00:01:07,500
مجموعه دادههای فروش است، بنابراین فقط برای اینکه شروع CL را به شما نشان دهم
25
00:01:07,500 –> 00:01:10,950
و این مجموعه دادهای است که ما
26
00:01:10,950 –> 00:01:15,119
از آن استفاده کردهایم. به
27
00:01:15,119 –> 00:01:17,790
داده های واقعی می رسد، اما باز هم یکی از
28
00:01:17,790 –> 00:01:20,330
داده های ساختگی است که ارائه شده است
29
00:01:20,330 –> 00:01:24,540
و حدود 10000 ردیف دارد که
30
00:01:24,540 –> 00:01:27,140
عملیات واقعی یک شرکت را تقلید می کند،
31
00:01:27,140 –> 00:01:30,180
شامل اولویت سفارش
32
00:01:30,180 –> 00:01:33,200
تخفیف فروش چیزهای بیشتری از این قبیل است و
33
00:01:33,200 –> 00:01:35,549
فرض کنید می خواهیم ایجاد کنیم. یک نمودار ویولن،
34
00:01:35,549 –> 00:01:38,520
پس آنچه میخواهیم SNS است SNS
35
00:01:38,520 –> 00:01:41,640
چیزی نیست جز نام مستعار was he born
36
00:01:41,640 –> 00:01:43,860
library که قبلاً Seabourn
37
00:01:43,860 –> 00:01:50,009
dot cap loti ایجاد کردم و در محور x از
38
00:01:50,009 –> 00:01:51,810
همان مثالی استفاده میکنم که در ویدیوی قبلی نشان دادم.
39
00:01:51,810 –> 00:01:54,030
به طوری که
40
00:01:54,030 –> 00:01:56,219
یک رابطه وجود دارد که می توانید
41
00:01:56,219 –> 00:01:58,500
آن را پیدا کنید و درک آن
42
00:01:58,500 –> 00:02:01,079
نیز برای یک چشم انداز نمودار جدید آسان خواهد بود، بنابراین
43
00:02:01,079 –> 00:02:07,250
دسته محصول و سپس در محور y
44
00:02:07,250 –> 00:02:12,230
فرض کنید هزینه حمل و نقل را می خواهید و
45
00:02:12,230 –> 00:02:13,920
آنچه را که من نمی توانم
46
00:02:13,920 –> 00:02:16,560
آنچه را که باید انجام دهم. مشخص کنید برای ویولن
47
00:02:16,560 –> 00:02:20,870
نوع است وای
48
00:02:20,870 –> 00:02:24,270
خوب اجازه دهید ببینم آیا انجام دادهام نمیتوانم
49
00:02:24,270 –> 00:02:28,500
دسته محصول را وارد کنم،
50
00:02:28,500 –> 00:02:36,000
بسیار خوب است، بنابراین یک پرداخت دیگر
51
00:02:36,000 –> 00:02:40,410
که دادهها است، ابتدا فروش کاملاً درست است، بنابراین
52
00:02:40,410 –> 00:02:43,830
در اینجا ما یک نمودار داریم و این همانطور که
53
00:02:43,830 –> 00:02:47,010
میبینید نشان میدهد در وسط
54
00:02:47,010 –> 00:02:49,770
نمایش نمودار جعبه در اینجا
55
00:02:49,770 –> 00:02:52,830
نمودار جعبه همانطور که می بینید دارای عرض وسیع تری
56
00:02:52,830 –> 00:02:56,730
از نظر طول است و این
57
00:02:56,730 –> 00:02:58,920
اساساً نشان می دهد که بیشتر
58
00:02:58,920 –> 00:03:00,989
تجمع داده ها کجاست و سپس در
59
00:03:00,989 –> 00:03:03,269
اینجا اکنون در اینجا، بنابراین همانطور که می توانید
60
00:03:03,269 –> 00:03:06,380
ببینید مانند نمایش بسیار بهتری از
61
00:03:06,380 –> 00:03:10,230
نحوه توزیع دادهها و
62
00:03:10,230 –> 00:03:12,769
محل فشردهتر شدن آنها همراه با
63
00:03:12,769 –> 00:03:15,870
دادههای طبقهبندی برای مشاهده
64
00:03:15,870 –> 00:03:18,600
گسترش دادهها نیز