در این مطلب، ویدئو پلات خط دریای | آموزش تجسم داده Python Seaborn برای مبتدیان 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: 00:11:35
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,129
سلام به
2
00:00:02,129 –> 00:00:05,430
آموزش بعدی در مورد آموزش دریایی برای
3
00:00:05,430 –> 00:00:07,710
مبتدیان خوش آمدید و اگر به خاطر دارید در ویدیوی قبلی که اولین
4
00:00:07,710 –> 00:00:10,590
مورد بود در مورد پراکندگی یا نمودار رابطه ای صحبت کردیم،
5
00:00:10,590 –> 00:00:12,809
6
00:00:12,809 –> 00:00:16,619
بنابراین در این آموزش Seabourn بعدی
7
00:00:16,619 –> 00:00:19,410
ما به این آموزش خواهیم پرداخت.
8
00:00:19,410 –> 00:00:22,710
نمودار خطی که نمودار بسیار رایجی است،
9
00:00:22,710 –> 00:00:26,699
اما خواهیم دید که چگونه میتوانیم آن را در کتابخانه Seabourn ایجاد کنیم، به
10
00:00:26,699 –> 00:00:29,490
همراه
11
00:00:29,490 –> 00:00:31,230
گزینههای مختلفی وجود دارد که برای زیباتر کردن آن در دسترس است.
12
00:00:31,230 –> 00:00:33,750
13
00:00:33,750 –> 00:00:36,719
14
00:00:36,719 –> 00:00:39,719
دادههایی که ما
15
00:00:39,719 –> 00:00:42,000
استفاده کردهایم و اینها چند قانون اولیه هستند
16
00:00:42,000 –> 00:00:45,680
که دارای اولویت سفارش فروش سود تخفیف هستند
17
00:00:45,680 –> 00:00:48,450
و همه چیزهایی که افتضاح است که
18
00:00:48,450 –> 00:00:51,629
چگونه یک داده واقعی
19
00:00:51,629 –> 00:00:54,840
شبیه به آن است و بیایید سعی کنیم
20
00:00:54,840 –> 00:00:58,020
یک نمودار خطی بسازیم تا بسازیم.
21
00:00:58,020 –> 00:01:01,140
نمودار خطی اگر کاری انجام ندهم چیزی که
22
00:01:01,140 –> 00:01:04,680
به دست میآورم به این صورت است، بنابراین بهعنوان یک
23
00:01:04,680 –> 00:01:08,070
نمودار L start L، ما فقط از
24
00:01:08,070 –> 00:01:10,590
نمودار رالف با استفاده از نوع پارامتر برای ایجاد نمودار خطی استفاده میکنیم،
25
00:01:10,590 –> 00:01:11,310
26
00:01:11,310 –> 00:01:15,330
بنابراین برای محور x میگوییم وا nt
27
00:01:15,330 –> 00:01:20,100
آن را برای محور y سفارش داد ما فروش می خواهیم ما داده هایی داریم که
28
00:01:20,100 –> 00:01:25,259
برابر با فروش و نوع برابر با خطوط است،
29
00:01:25,259 –> 00:01:27,509
بنابراین کاری که انجام می دهد این است که
30
00:01:27,509 –> 00:01:30,869
یک نمودار نمودار خطی برای ما ایجاد می کند و همانطور
31
00:01:30,869 –> 00:01:32,490
که می بینید کمی زمان می برد
32
00:01:32,490 –> 00:01:36,500
زیرا وجود دارد تقریباً مانند 10000
33
00:01:36,500 –> 00:01:39,360
مقداری هستند که در این مجموعه داده دارید،
34
00:01:39,360 –> 00:01:42,119
بنابراین سعی می کند با ترسیم فروش در بالای تاریخ سفارش، ارتباطی
35
00:01:42,119 –> 00:01:45,030
بین تمام آن 10000 خط برقرار کند،
36
00:01:45,030 –> 00:01:48,509
37
00:01:48,509 –> 00:01:52,470
بنابراین در اینجا نموداری است که
38
00:01:52,470 –> 00:01:56,219
برای ما ترسیم شده است و برخی هشدارها
39
00:01:56,219 –> 00:01:58,890
در مورد برخی از ویژگیهایی که منسوخ خواهد شد،
40
00:01:58,890 –> 00:02:02,729
اما در حال حاضر این نموداری است
41
00:02:02,729 –> 00:02:04,649
که آن را ترسیم کرده است، اما همانطور که میبینید
42
00:02:04,649 –> 00:02:07,170
مانند بسیاری از تاریخهای سفارش وجود دارد، به
43
00:02:07,170 –> 00:02:08,940
همین دلیل است که آنها با یکدیگر همپوشانی دارند
44
00:02:08,940 –> 00:02:11,038
و در مورد این خطوط
45
00:02:11,038 –> 00:02:13,830
در اینجا نیز همینطور است. ما واقعاً
46
00:02:13,830 –> 00:02:18,630
در این موارد میتوانیم آن را
47
00:02:18,630 –> 00:02:23,130
با استخراج سال از اینجا ساده کنیم، بنابراین
48
00:02:23,130 –> 00:02:27,270
کاری که میتوانیم انجام دهیم این است که
49
00:02:27,270 –> 00:02:29,760
ابتدا
50
00:02:29,760 –> 00:02:32,280
اینجا را به عنوان ستونی ایجاد کنیم که در حال
51
00:02:32,280 –> 00:02:35,910
حاضر وجود ندارد. در اینجا ما را ببینید و ما سفارش داده
52
00:02:35,910 –> 00:02:41,540
ایم d it dot T dot در اینجا اگر این کار را انجام
53
00:02:41,540 –> 00:02:48,090
دهیم اگر فقط بگویم منحصر به فرد
54
00:02:48,090 –> 00:02:51,090
نیست این چهار سال را برای ما درست کرده است،
55
00:02:51,090 –> 00:02:53,340
بنابراین روش بسیار ساده است همانطور که می
56
00:02:53,340 –> 00:02:56,540
بینید آنها می گویند چارچوب داده پانل دارای
57
00:02:56,540 –> 00:02:59,940
این روش ها و ویژگی ها مانند DT dot است.
58
00:02:59,940 –> 00:03:03,210
نقطه DT اینجا را برای استخراج ارزش سال
59
00:03:03,210 –> 00:03:06,180
و سپس با استفاده از نقطه فروش 0 نقطه
60
00:03:06,180 –> 00:03:08,310
مقادیر منحصربهفرد که من به تازگی چسباندهام،
61
00:03:08,310 –> 00:03:10,230
تعداد مقادیر منحصربهفرد را چاپ کردهایم،
62
00:03:10,230 –> 00:03:10,800
63
00:03:10,800 –> 00:03:16,380
بنابراین اگر مجبور باشم دوباره آن را رسم کنم تا
64
00:03:16,380 –> 00:03:19,980
کاری که میتوانم انجام دهم به سادگی است. بگویید محور x در اینجا
65
00:03:19,980 –> 00:03:25,350
فروش محور y داشتن آن سرمایه است داده های S
66
00:03:25,350 –> 00:03:31,290
برابر است با Saints و مهربان او را به خط فرا می خواند،
67
00:03:31,290 –> 00:03:35,730
پس حالا اگر ببینید طرح ما به
68
00:03:35,730 –> 00:03:39,420
این شکل است که بسیار بهتر است و
69
00:03:39,420 –> 00:03:41,130
اگر دو هزار و نه دو هزار و
70
00:03:41,130 –> 00:03:42,600
نه نقطه پنج دو را ببینید. هزار ده دو
71
00:03:42,600 –> 00:03:45,060
هزار و نه نقطه پنج چون گوش
72
00:03:45,060 –> 00:03:47,910
آنچه را که به عنوان مقادیر عددی در نظر گرفته است
73
00:03:47,910 –> 00:03:50,060
بنابراین در یک پس زمینه و در
74
00:03:50,060 –> 00:03:53,340
مجموعه داده ها می توانیم گوش را تغییر دهیم که
75
00:03:53,340 –> 00:03:55,590
مشکلی نیست اما در حال حاضر می دانید
76
00:03:55,590 –> 00:03:57,930
نمودار خوبی که به ما داده است مقایسه کنید.
77
00:03:57,930 –> 00:04:02,000
به این یکی و ما همچنین می توانیم مانند
78
00:04:02,000 –> 00:04:05,100
ear qu داشته باشیم نمودار سهماهه یا ماهانه
79
00:04:05,100 –> 00:04:07,260
براساس ویژگیهایی که استفاده کردهایم،
80
00:04:07,260 –> 00:04:10,440
اما برای سادگی، اینجا را انتخاب کردهایم
81
00:04:10,440 –> 00:04:14,370
، بنابراین اگر
82
00:04:14,370 –> 00:04:17,880
میپرسید این ناحیه سایهدار در
83
00:04:17,880 –> 00:04:20,430
اینجا چیست، بنابراین چه کاری انجام داده است،
84
00:04:20,430 –> 00:04:23,400
این مقدار را به عنوان میانگین محاسبه کرده است. و
85
00:04:23,400 –> 00:04:27,240
این ناحیه سایه دار فاصله اطمینان 95 درصد
86
00:04:27,240 –> 00:04:29,669
مثبت و منفی 90 درصد است
87
00:04:29,669 –> 00:04:34,560
برای این به این معنی است که اگر می خواهید
88
00:04:34,560 –> 00:04:38,340
می توانید این را تغییر دهید بنابراین اگر من فقط
89
00:04:38,340 –> 00:04:42,870
این را کپی کنم و این را پیست کنم و پارامتری اضافه کنم
90
00:04:42,870 –> 00:04:46,650
که فاصله اطمینان CI برابر
91
00:04:46,650 –> 00:04:51,630
با هیچ باشد. در این صورت فاصله اطمینان
92
00:04:51,630 –> 00:04:54,259
اکنون حذف شده است، همانطور که می بینید
93
00:04:54,259 –> 00:04:57,650
جدا از این، گزینه دیگری وجود دارد
94
00:04:57,650 –> 00:05:01,400
که فاصله اطمینان را به عنوان
95
00:05:01,400 –> 00:05:04,110
انحراف معیار قرار دهید، اگر این چیزی است که
96
00:05:04,110 –> 00:05:07,409
شما علاقه مند هستید بدانید که
97
00:05:07,409 –> 00:05:09,479
فاصله اطمینان از منظر
98
00:05:09,479 –> 00:05:12,030
انحراف معیار چقدر است.
99
00:05:12,030 –> 00:05:14,840
مقادیر، بنابراین این عمدتا برای
100
00:05:14,840 –> 00:05:18,870
ویژگی تجزیه و تحلیل آماری صرف است که
101
00:05:18,870 –> 00:05:20,550
شما فاصله اطمینان را به عنوان
102
00:05:20,550 –> 00:05:23,669
منطقه احاطه شده می خواهید یا انحراف استاندارد را می خواهید
103
00:05:23,669 –> 00:05:26,370
که می توانیم بر اساس آن بدست آوریم.
104
00:05:26,370 –> 00:05:28,770
اگر شما علاقه بیشتری به انجام این تحلیل های آماری دارید، اینها را بیشتر بررسی کنید،
105
00:05:28,770 –> 00:05:30,810
106
00:05:30,810 –> 00:05:34,409
بنابراین چیز بعدی که
107
00:05:34,409 –> 00:05:38,430
می توانم به شما نشان دهم این است که همانطور که ذکر
108
00:05:38,430 –> 00:05:43,080
کردم میانگین را در اینجا گرفته است، اما اگر بخواهم
109
00:05:43,080 –> 00:05:46,259
مقادیر درست یا مقادیر واقعی را ترسیم
110
00:05:46,259