در این مطلب، ویدئو نحوه وارد کردن فایل CSV (مقدار جدا با کاما) در پایتون 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: 00:11:07
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,669
از این رو Zerby shake و از این
2
00:00:02,669 –> 00:00:05,580
ویدیو من یک سری آموزش در مورد لوله و پانداها را شروع می کنم،
3
00:00:05,580 –> 00:00:08,340
بنابراین احتمالاً اکثر شما
4
00:00:08,340 –> 00:00:11,639
از قبل در مورد عروسک های پایتون آگاه هستید، اما
5
00:00:11,639 –> 00:00:14,309
اگر از این موضوع آگاه نیستید،
6
00:00:14,309 –> 00:00:17,490
Python اساسا یک کتابخانه بسیار معروف برای
7
00:00:17,490 –> 00:00:19,890
انجام دستکاری داده ها است.
8
00:00:19,890 –> 00:00:22,100
وارد کردن دادههای خود از منابع مختلف
9
00:00:22,100 –> 00:00:24,930
10
00:00:24,930 –> 00:00:27,630
که به آنها کمک میکنند، میدانید که آنها را دستکاری کرده و آنها را در یک ساختار قرار میدهید تا
11
00:00:27,630 –> 00:00:30,570
بتوانید کار علم داده را بیشتر انجام دهید، بنابراین
12
00:00:30,570 –> 00:00:32,130
در اینجا ما با یک مقدمه
13
00:00:32,130 –> 00:00:35,760
در مورد اینکه چگونه میتوانید دادههای خود را
14
00:00:35,760 –> 00:00:39,870
به CSV وارد کنید شروع میکنیم. گام به گام در این
15
00:00:39,870 –> 00:00:42,090
مجموعه موضوع پیچیده تر را پوشش خواهیم داد،
16
00:00:42,090 –> 00:00:45,180
بنابراین اول از همه بیایید
17
00:00:45,180 –> 00:00:47,610
جلو برویم و در مورد نحوه وارد
18
00:00:47,610 –> 00:00:51,239
کردن داده های CSV به پایتون و
19
00:00:51,239 –> 00:00:53,910
کاوش چند گزینه در هنگام
20
00:00:53,910 –> 00:00:56,010
بارگیری داده ها صحبت کنیم، بنابراین اولین چیز این است که
21
00:00:56,010 –> 00:00:59,670
وارد کردن کتابخانههای پانداها، بنابراین
22
00:00:59,670 –> 00:01:02,789
پانداها را بهعنوان PD وارد کنید، بنابراین چیزی که من استفاده میکنم
23
00:01:02,789 –> 00:01:04,830
اساساً یک دفترچه یادداشت مشتری است که
24
00:01:04,830 –> 00:01:08,340
بخشی از توزیع آناکوندا است و به
25
00:01:08,340 –> 00:01:10,740
طور پیشفرض این کتابخانه کاخ
26
00:01:10,740 –> 00:01:13,070
با این کار عرضه میشود. اگر از
27
00:01:13,070 –> 00:01:15,390
توزیع آناکوندا استفاده می کنید،
28
00:01:15,390 –> 00:01:17,009
این را دریافت خواهید کرد و من به شدت توصیه می
29
00:01:17,009 –> 00:01:18,390
کنم که از آن استفاده کنید، یک نوت بوک دریافت کنید
30
00:01:18,390 –> 00:01:21,299
زیرا با تمام تنظیمات پیش فرض
31
00:01:21,299 –> 00:01:23,700
که احتمالاً شما به عنوان یک
32
00:01:23,700 –> 00:01:26,520
مبتدی بدون پرداختن
33
00:01:26,520 –> 00:01:28,200
به پیچیدگی در مورد همه چیز به آن نیاز دارید، ارائه می شود.
34
00:01:28,200 –> 00:01:32,189
کتابخانههایی را که نیاز دارید یا نمیخورید،
35
00:01:32,189 –> 00:01:35,369
بروید آناکوندا را بهعنوان یک عبارت جستجو
36
00:01:35,369 –> 00:01:38,280
در گوگل بشناسید و توزیع آناکوندا را
37
00:01:38,280 –> 00:01:40,320
برای پایتون پیدا کنید و فقط
38
00:01:40,320 –> 00:01:41,759
آن را نصب کنید و
39
00:01:41,759 –> 00:01:44,759
مشتری را به عنوان یک نماد در شروع خود پیدا کنید.
40
00:01:44,759 –> 00:01:47,250
اگر از ویندوز استفاده می کنید برنامه ای خوب است،
41
00:01:47,250 –> 00:01:49,680
بنابراین اولین چیزی که وارد کردن پانداها می شود، دارای
42
00:01:49,680 –> 00:01:51,840
PD است، پس بیایید ادامه دهیم و این را اجرا کنیم
43
00:01:51,840 –> 00:01:57,240
و زمانی که این را اجرا کردید، باید
44
00:01:57,240 –> 00:01:59,100
بدانید که از تابع خواندن underscore
45
00:01:59,100 –> 00:02:02,549
CSV استفاده کنید، بنابراین همانطور که دیدید
46
00:02:02,549 –> 00:02:05,460
، پانداها را به عنوان PD وارد کرده ایم. بنابراین از آنجایی که T اساساً
47
00:02:05,460 –> 00:02:08,639
یک نام مستعار به کتابخانه مهار می دهد تا
48
00:02:08,639 –> 00:02:10,560
مجبور نباشیم یک نام طولانی
49
00:02:10,560 –> 00:02:11,819
به عنوان پاندا
50
00:02:11,819 –> 00:02:13,680
بنویسیم و در اینجا در عبارت دوم ما
51
00:02:13,680 –> 00:02:17,099
یک شی nifty ایجاد می کنیم که
52
00:02:17,099 –> 00:02:19,890
نمایه تجارت CR در اینجا است. n هند که
53
00:02:19,890 –> 00:02:23,189
شامل 50 سهام برتر است و چیزی که ما
54
00:02:23,189 –> 00:02:25,620
میخواهیم اساساً خواندن یک فایل از
55
00:02:25,620 –> 00:02:29,610
متن مکان ما است، بنابراین PD نقطه خواندن
56
00:02:29,610 –> 00:02:33,090
زیرخط CSV تابعی است که
57
00:02:33,090 –> 00:02:35,849
بخشی از کتابخانه پانل است و سپس ما
58
00:02:35,849 –> 00:02:38,489
به سادگی مسیر را میدهیم اگر T data dot
59
00:02:38,489 –> 00:02:41,189
CSV بنابراین این فایل قبلاً روی
60
00:02:41,189 –> 00:02:43,470
دسکتاپ من است و من پیوند
61
00:02:43,470 –> 00:02:45,239
را در توضیحات مربوط به این
62
00:02:45,239 –> 00:02:48,780
فایل خاص با شما به اشتراک میگذارم و سپس
63
00:02:48,780 –> 00:02:51,060
عبارت بعدی که در اینجا استفاده میکنیم
64
00:02:51,060 –> 00:02:54,090
سر نقطه بسیار خوبی است، بنابراین کلاه چیزی نیست، اما
65
00:02:54,090 –> 00:02:55,950
اولین مشاهده اولیه را نشان میدهد. حدود
66
00:02:55,950 –> 00:02:58,319
پنج یا شش مشاهده در مورد
67
00:02:58,319 –> 00:03:00,659
کل مجموعه دادهها، تا بتوانید
68
00:03:00,659 –> 00:03:02,760
ایدهای در مورد آنچه بارگذاری کردهاید به دست آورید و
69
00:03:02,760 –> 00:03:05,370
بررسی کنید که آیا همه چیز برای
70
00:03:05,370 –> 00:03:06,870
همه چیز است، اما حداقل همه ستونها
71
00:03:06,870 –> 00:03:09,450
به درستی بارگذاری شدهاند، بنابراین
72
00:03:09,450 –> 00:03:12,629
بیایید ادامه دهیم و این را اجرا کنیم. اگر
73
00:03:12,629 –> 00:03:14,159
این را اجرا کنید همانطور که می بینید
74
00:03:14,159 –> 00:03:16,410
بسیار سریع است حتی اگر اندازه فایل
75
00:03:16,410 –> 00:03:20,099
کوچک است بنابراین باید سریع باشد بنابراین در اینجا ما
76
00:03:20,099 –> 00:03:22,949
داده ها را با کمک
77
00:03:22,949 –> 00:03:25,260
این دستور بارگذاری کرده ایم و به نام فایل
78
00:03:25,260 –> 00:03:28,500
nifty data یا CSV می دهیم. و سپس nifty dot داشت
79
00:03:28,500 –> 00:03:31,049
و شما می توانید مشاهده پنج را ببینید، بنابراین
80
00:03:31,049 –> 00:03:35,790
این شاخص این 0 1 2 3 و 4 است
81
00:03:35,790 –> 00:03:39,090
که به طور پیش فرض داده می شود زیرا ما
82
00:03:39,090 –> 00:03:41,310
چیزی را به عنوان شاخص مشخص نکرده ایم
83
00:03:41,310 –> 00:03:44,040
بنابراین شماره گذاری به شما داده شده است
84
00:03:44,040 –> 00:03:46,290
و سپس ستون تاریخ و ستون بستن
85
00:03:46,290 –> 00:03:48,930
که بخشی از این فایل
86
00:03:48,930 –> 00:03:50,549
است به این معنی که در این حالت این قیمت بسته شدن
87
00:03:50,549 –> 00:03:54,949
این شاخص بود درست مورد بعدی
88
00:03:54,949 –> 00:03:57,359
معمولاً یک فایل CSV یک
89
00:03:57,359 –> 00:04:00,659
فایل مقدار جدا شده با کاما است زیرا
90
00:04:00,659 –> 00:04:02,310
نام مخفف مقدار جدا شده با کاما است.
91
00:04:02,310 –> 00:04:05,069
اما می توانید از گزینه یا
92
00:04:05,069 –> 00:04:09,419
پارامتر read underscore CSV همراه
93
00:04:09,419 –> 00:04:11,010
با نام مسیر خود استفاده کنید، می توانید از این
94
00:04:11,010 –> 00:04:14,190
پارامتر EP استفاده کنید که چیزی جز
95
00:04:14,190 –> 00:04:16,858
جداکننده نیست، بنابراین جداکننده می تواند کاما باشد
96
00:04:16,858 –> 00:04:20,250
که یک انتخاب پیش فرض است، اما اگر
97
00:04:20,250 –> 00:04:22,650
به فایل خود نگاه می کنید و شما فکر می
98
00:04:22,650 –> 00:04:25,020
کنید که می بینید که کاما نیست بلکه یک لوله است
99
00:04:25,020 –> 00:04:26,550
، فرض کنید می توانید حتی
100
00:04:26,550 –> 00:04:29,699
پیپ یا شیب یا هر چیز دیگری را که می دانید
101
00:04:29,699 –> 00:04:32,639
مقادیر شما را از هم جدا می کند به شما بدهید، بنابراین می
102
00:04:32,639 –> 00:04:35,699
توانید از SVP آرگومان جداکننده
103
00:04:35,699 –> 00:04:38,789
این تابع استفاده کنید و داده های خود را دریافت کنید. در
104
00:04:38,789 –> 00:04:40,680
فرمت مناسب اگر فقط
105
00:04:40,680 –> 00:04:43,319
کاما نیست، بیایید ادامه دهیم و این را اجرا کنیم
106
00:04:43,319 –> 00:04:46,319
و همانطور که می بینید دوباره خروجی
107
00:04:46,319 –> 00:04:51,900
با دستور head یکسان خواهد بود، بنابراین بیایید
108
00:04:51,900 –> 00:04:54,780
جلو برویم و پارامتر دیگری را ببینیم
109
00:04:54,780 –> 00:04:58,409
که n roll’s Andrews است که اساسا
110
00:04:58,409 –> 00:05:01,409
مفید است. فرض کنید
111
00:05:01,409 –> 00:05:05,069
فایلی دارید که یک گیگابایت یا چند گیگابایت را می شناسید، بنابراین
112
00:05:05,069 –> 00:05:08,159
من فایل 5 گیگابایتی 3 گیگابایتی را دوست دارم
113
00:05:08,159 –> 00:05:09,780
و زمان زیادی می برد و در حین بارگذاری می دانید
114
00:05:09,780 –> 00:05:12,270
که متوجه می شوید که
115
00:05:12,270 –> 00:05:14,819
مشکلاتی در یک فایل وجود دارد. فایل بنابراین کاری که می توانید انجام دهید این است
116
00:05:14,819 –> 00:05:17,099
که می توانید برخی از مشاهدات اولیه
117
00:05:17,099 –> 00:05:19,169
مانند هزار مشاهده یا ده
118
00:05:1