در این مطلب، ویدئو آموزش کامل Python Seaborn برای مبتدیان از ابتدا تا انتها 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: 1:36:26
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:02,580
سلام و خوش آمدید به این سری آموزشی جدید
2
00:00:02,580 –> 00:00:06,330
در مورد بسته تجسم داده های Seaborn
3
00:00:06,330 –> 00:00:09,809
پایتون و این
4
00:00:09,809 –> 00:00:12,719
سایت رسمی Seabourn dot pi data dot
5
00:00:12,719 –> 00:00:16,470
o-r-g است و چند متن مقدماتی
6
00:00:16,470 –> 00:00:18,960
نوشته شده است که این کتابخانه بر اساس
7
00:00:18,960 –> 00:00:21,240
matplotlib است و اگر ویدیوهای قبلی من را دیده اید
8
00:00:21,240 –> 00:00:23,580
من دارم در
9
00:00:23,580 –> 00:00:26,310
مورد کتابخانه کوچک matplotlib
10
00:00:26,310 –> 00:00:29,400
و تجسم مربوط به آن صحبت کردم،
11
00:00:29,400 –> 00:00:33,420
بنابراین در حالی که matplotlib عالی است، فکر می کنم
12
00:00:33,420 –> 00:00:36,170
Seabourn سطح بعدی
13
00:00:36,170 –> 00:00:39,480
تجسم است که مبتنی بر دوباره
14
00:00:39,480 –> 00:00:42,030
matplotlib است و همانطور
15
00:00:42,030 –> 00:00:43,710
که در اینجا ذکر شد یک رابط سطح بالا
16
00:00:43,710 –> 00:00:46,670
برای ترسیم جذاب و جذاب ارائه می دهد.
17
00:00:46,670 –> 00:00:50,879
نمودارهای آماری آموزنده، بنابراین دوباره
18
00:00:50,879 –> 00:00:54,600
درک آن بسیار آسان است و
19
00:00:54,600 –> 00:00:57,000
این صفحه را دارد، همانطور که می بینید،
20
00:00:57,000 –> 00:00:59,129
گالری آن آموزش بسیار دقیق
21
00:00:59,129 –> 00:01:01,890
آن، اطلاعات API در مورد
22
00:01:01,890 –> 00:01:05,159
طرف و صفحات مختلف است، بنابراین آنچه را که من
23
00:01:05,159 –> 00:01:07,680
در این جدید به شما نشان خواهم داد
24
00:01:07,680 –> 00:01:11,880
مجموعه آموزشی تجسم بر اساس
25
00:01:11,880 –> 00:01:14,850
مجموعه داده های واقعی است که به معنای نه
26
00:01:14,850 –> 00:01:17,189
با چیزی که داخلی است بلکه چیزی است.
27
00:01:17,189 –> 00:01:20,400
ng که واقعی است مانند اینکه من در
28
00:01:20,400 –> 00:01:22,830
مورد داده های سفارشات فروش
29
00:01:22,830 –> 00:01:26,610
از یک فروشگاه مواد غذایی به شما نشان داده ام، بنابراین در اینجا این
30
00:01:26,610 –> 00:01:30,990
چیزی است که ما به آن می رویم و
31
00:01:30,990 –> 00:01:33,270
به سرعت در مورد دستورات مختلفی
32
00:01:33,270 –> 00:01:36,979
که از طریق آنها می توانیم
33
00:01:36,979 –> 00:01:39,390
نمودار رابطه ایجاد کنیم، می پریم. بگوییم
34
00:01:39,390 –> 00:01:41,820
رابطه ای، مثل اینکه می دانید
35
00:01:41,820 –> 00:01:43,409
رابطه بین
36
00:01:43,409 –> 00:01:46,110
دو متغیر را درک می کنید و یکی از بهترین نمودارها
37
00:01:46,110 –> 00:01:48,720
برای درک آن نمودار پراکندگی است، بنابراین
38
00:01:48,720 –> 00:01:51,119
خواهیم دید که یک تابع چیست و
39
00:01:51,119 –> 00:01:53,430
چه پارامترهای مختلفی را می
40
00:01:53,430 –> 00:01:56,490
توانیم برای ایجاد نمودارهای پراکندگی خیره کننده
41
00:01:56,490 –> 00:01:59,909
ارائه کنیم. در اینجا من این
42
00:01:59,909 –> 00:02:04,939
کتابخانه ebon را وارد میکردم، بنابراین C متولد شده را بهعنوان SNS وارد کنید و
43
00:02:04,939 –> 00:02:08,848
پانداهای قدیمی را نیز بهبود
44
00:02:08,848 –> 00:02:11,909
میدهم زیرا آن مجموعه داده را وارد میکنم،
45
00:02:11,909 –> 00:02:15,700
بنابراین اکنون یک ثانیه طول میکشد
46
00:02:15,700 –> 00:02:18,459
تا آن را وارد کنم و
47
00:02:18,459 –> 00:02:22,030
مجموعه دادهای را که فروش است وارد میکنم. مجموعه دادهها به طوری که
48
00:02:22,030 –> 00:02:27,459
PD زیر خط محوری خوانده نشود همانطور که میتوانید
49
00:02:27,459 –> 00:02:30,940
این مورد را ببینید و در اینجا میگویم C
50
00:02:30,940 –> 00:02:31,989
در شروع اکسل ما،
51
00:02:31,989 –> 00:02:34,569
بنابراین این پارامتر پیشفرض به دنبال
52
00:02:34,569 –> 00:02:37,480
فایل فروش میگردد و به طور پیشفرض میرود.
53
00:02:37,480 –> 00:02:40,840
g برای انتخاب اولین برگه، اما
54
00:02:40,840 –> 00:02:43,060
اگر داده های شما در هر برگه دیگری است که می
55
00:02:43,060 –> 00:02:45,150
توانید پارامتر برگه را مشخص کنید که
56
00:02:45,150 –> 00:02:50,049
مانند این نام زیرخط
57
00:02:50,049 –> 00:02:52,420
برگه است، اگر می خواهید برگه دیگری را انتخاب کنید، می توانید یک نام برگه بدهید، بنابراین اگر می خواهید برگه دیگری را انتخاب کنید،
58
00:02:52,420 –> 00:02:56,980
فروش
59
00:02:56,980 –> 00:03:00,700
اینجا است. ما فقط به چند
60
00:03:00,700 –> 00:03:03,910
قانون اول با استفاده از همان کلاه شروع نگاه می کنیم که
61
00:03:03,910 –> 00:03:06,099
دارای شناسه سفارش تاریخ سفارش
62
00:03:06,099 –> 00:03:10,390
اولویت تعداد فروش و غیره و
63
00:03:10,390 –> 00:03:13,209
غیره متفاوت است، می دانید که مجموعه داده خوبی
64
00:03:13,209 –> 00:03:16,870
برای تجزیه و تحلیل است، به همین دلیل من
65
00:03:16,870 –> 00:03:19,359
فقط می خواستم به جای یک
66
00:03:19,359 –> 00:03:21,519
مجموعه داده بسیار ساده کوچک که مانند
67
00:03:21,519 –> 00:03:24,099
100 ردیف یا 200 رول است، بیایید
68
00:03:24,099 –> 00:03:27,060
چیزی را که به واقعیت نزدیکتر
69
00:03:27,060 –> 00:03:31,269
است، در نظر بگیریم، بنابراین مورد بعدی این است که فرض
70
00:03:31,269 –> 00:03:33,400
کنیم می خواهیم بفهمیم که
71
00:03:33,400 –> 00:03:35,380
رابطه بین دو متغیر چیست و
72
00:03:35,380 –> 00:03:38,049
شاید متغیر مورد علاقه ما
73
00:03:38,049 –> 00:03:42,750
فروش و سود باشد، بنابراین کاری که می توانیم انجام دهیم این است که
74
00:03:42,750 –> 00:03:46,329
SNS نام کتابخانه است همانطور که می بینید
75
00:03:46,329 –> 00:03:48,310
SNS چیزی است که ما یک
76
00:03:48,310 –> 00:03:50,530
نام مستعار برای ذخیره آنلاین دوستانه ایجاد
77
00:03:50,530 –> 00:03:52,239
کردیم تا مجبور نباشیم دوباره C یکی بنویسیم و
78
00:03:52,239 –> 00:03:57,099
دوباره پس SNS نقطه Arielle Arielle نمودار
79
00:03:57,099 –> 00:04:00,669
که نمودار رابطه ای است و
80
00:04:00,669 –> 00:04:04,060
به طور پیش فرض سه پارامتر را می گیرد، بنابراین
81
00:04:04,060 –> 00:04:07,919
اولی فروش است که ستون فروش است،
82
00:04:07,919 –> 00:04:11,199
دومی ستون
83
00:04:11,199 –> 00:04:15,539
سود است بنابراین سود y است و فروش بر روی محور x
84
00:04:15,539 –> 00:04:19,599
سود روی y خواهد بود. محور و سپس داده
85
00:04:19,599 –> 00:04:24,070
برابر با شیء فروش است که این است،
86
00:04:24,070 –> 00:04:26,320
بنابراین امیدوارم واضح باشد این
87
00:04:26,320 –> 00:04:28,660
حداقل پارامتری است که باید
88
00:04:28,660 –> 00:04:33,640
به نمودار خود ارائه دهیم و هنگامی که وارد شدیم
89
00:04:33,640 –> 00:04:36,280
یک shift enter را فشار می دهم و این
90
00:04:36,280 –> 00:04:38,500
نموداری است که ایجاد شده است و
91
00:04:38,500 –> 00:04:41,800
نشان می دهد که در برخی موارد سود زیر
92
00:04:41,800 –> 00:04:44,140
صفر است و R حتی به منهای ده
93
00:04:44,140 –> 00:04:45,700
هزار می رسد، بنابراین چیز بسیار جالبی است
94
00:04:45,700 –> 00:04:49,630
و سپس در برخی موارد همانطور که می
95
00:04:49,630 –> 00:04:51,580
بینید فروش در حال افزایش است سود در
96
00:04:51,580 –> 00:04:54,490
حال افزایش است و قطعاً این قطعه
97
00:04:54,490 –> 00:04:58,690
یک نقطه پرت است پس اکنون خواهیم کرد. به
98
00:04:58,690 –> 00:05:02,020
چیز متفاوتی بروید، به عنوان مثال،
99
00:05:02,020 –> 00:05:04,810
ما فروش و سود را داریم، اما همانطور که
100
00:05:04,810 –> 00:05:07,750
میبینید در اینجا در این مجموعه داده،
101
00:05:07,750 –> 00:05:10,480
متغیرهای مختلفی مانند اولویت سفارش داریم که متغیر طبقهای است
102
00:05:10,480 –> 00:05:13,840
که دارای
103
00:05:13,840 –> 00:05:17,080
مقدار کم و زیاد است، مشخص نشده است. و احتمالاً
104
00:05:17,080 –> 00:05:19,890
به دلیل اولویت سفارش نیز بسیار مهم است، به
105
00:05:19,890 –> 00:05:24,370
طور مشابه شما حالت
106
00:05:24,370 –> 00:05:26,440
حمل و نقل را به عنوان کامیون حمل هوایی معمولی دارید و من فکر می کنم یکی دیگر وجود دارد
107
00:05:26,440 –> 00:05:29,860
که در اینجا Express است، بنابراین شما
108
00:05:29,860 –> 00:05:31,150
انواع مختلفی از متغیرهای طبقه بندی را
109
00:05:31,150 –> 00:05:33,130
دارید، به طور مشابه شما دارای
110
00:05:33,130 –> 00:05:36,220
بخش های مشتری هستید، شما دارای دسته بندی
111
00:05:36,220 –> 00:05:38,230
محصول زیر شاخه هستید که عبارت است از که
112
00:05:38,230 –> 00:05:43,390
حالت خوب متغیر طبقه بندی است، بنابراین
113
00:05:43,390 –> 00:05:46,300
کاری که می توانید انجام دهید این است که می توانید
114
00:05:46,300 –> 00:05:49,000
این نمودار را با کمک این
115
00:05:49,000 –> 00:05:52,090
متغیرهای طبقه بندی رنگ آمیزی کنید، بنابراین کاری که من انجام خواهم داد این
116
00:05:52,090 –> 00:05:56,680
است که من فقط این را کپی می کنم و
117
00:05:56,680 –> 00:05:59,280
از پارامتری استفاده می کنم که hue و
118
00:05:59,280 –> 00:06:03,610
درون است. که من می توانم اولویت سفارش را ذکر
119
00:06:03,610 –> 00:06:08,020
کنم اگر فقط اجرا کنم که اکنون می بینید
120
00:06:08,020 –> 00:06:10,480
نمودار بسیار تعاملی تر است، جایی که
121
00:06:10,480 –> 00:06:13,300
می توانید ببینید اولویت های مرتبه بالای من
122
00:06:13,300 –> 00:06:16,690
کجا هستند، اولویت متوسط من کجا او
123
00:06:16,690 –> 00:06:20,260
ویت پایین من است و اولویت های مهم من کجا هستند. این
124
00:06:20,260 –> 00:06:22,420
125
00:06:22,420 –> 00:06:25,930
یک اولویت حیاتی است اجازه دهید من
126
00:06:25,930 –> 00:06:27,880
این را کمی گسترش دهم تا بتوانید
127
00:06:27,880 –> 00:06:31,230
به وضوح متوجه شوید و من فقط
128
00:06:31,230 –> 00:06:36,680
هانا و شاید این نوار ابزار را پنهان کنم
129
00:06:36,680 –> 00:06:39,320
خیلی خوب است، بنابراین من فکر می کنم اینجا خیلی بهتر خواهد بود،
130
00:06:39,320 –> 00:06:42,919
بنابراین به وضوح می توانید
131
00:06:42,919 –> 00:06:45,560
ببینید که کجا کم است، جایی که شما
132
00:06:45,560 –> 00:06:49,039
انتقادی دارید، همه این موارد انتقادی هستند،
133
00:06:49,039 –> 00:06:51,110
متوسط است، مثل این متوسط است، اینجا متوسط است هر جا که خ
134
00:06:51,110 –> 00:06:53,000
انده اید، علامتی که زده اید. روشی که ش
135
00:06:53,000 –> 00:06:56,539
136
00:06:56,539 –> 00:07:01,660
کمی بیشتر در مورد مجموعه دادهها میشناسید، بنابراین این
137
00:07:01,660 –> 00:07:04,699
یکی از راههای افزودن تعامل است، بنابراین
138
00:07:04,699 –> 00:07:06,979
من یک کپی میکنم و
139
00:07:06,979 –> 00:07:10,150
راه دیگری را برای افزودن تعاملی به شما نشان میدهم، بنابراین
140
00:07:10,150 –> 00:07:14,120
اگر اکنون آن را اینجا بچسبانم،
141
00:07:14,120 –> 00:07:18,370
پارامتر بعدی، بنابراین هیو به ما کمک می کند
142
00:07:18,370 –> 00:07:22,400
تا کد رنگی ارزش را داشته باشیم، بنابراین
143
00:07:22,400 –> 00:07:24,169
شما گزینه ای دارید که می توانید اولویت سفارش را داشته باشید،
144
00:07:24,169 –> 00:07:27,500
اما به غیر از هیو،
145
00:07:27,500 –> 00:07:30,639
یک پارامتر دیگر دارید که سبک است و
146
00:07:30,639 –> 00:07:34,820
در آن دوباره اولویت سفارش را ذکر می کنم
147
00:07:34,820 –> 00:07:36,800
و شما در عمل ببینید
148
00:07:36,800 –> 00:07:41,150
واقعاً چه اتفاقی میافتد، بنابراین اگر میبینید که ما
149
00:07:41,150 –> 00:07:44,240
با رنگ کدگذاری شدهایم، اما
150
00:07:44,240 –> 00:07:48,470
علامتهای متفاوتی در اینجا داریم، بنابراین دایره
151
00:07:48,470 –> 00:07:51,979
نشاندهنده بدون دایره آبی نشاندهنده
152
00:07:51,979 –> 00:07:55,460
اولویت بدون ترتیب است، متقاطع نارنجی نشاندهنده
153
00:07:55,460 –> 00:07:58,789
اولویت مرتبه بالا مربع نشاندهنده
154
00:07:58,789 –> 00:08:01,550
مشخص نیست بنابراین واضح است
155
00:08:01,550 –> 00:08:04,010
که شما دید بسیار بیشتری دارید نه
156
00:08:04,010 –> 00:08:06,530
فقط رنگ، بلکه با کمک این
157
00:08:06,530 –> 00:08:09,560
اشکال می توانید خیلی بهتر درک کنید
158
00:08:09,560 –> 00:08:12,620
و سپس به علاوه قرمز به علاوه نشان دهنده متوسط است و ا
159
00:08:12,620 –> 00:08:17,479
ن نوع شکل ستاره ای از رن
160
00:08:17,479 –> 00:08:20,510
بنفش نشان دهنده بحرانی اس
161
00:08:20,510 –> 00:08:24,560
. اکنون کمی انعطافپذیری بیشتر برای
162
00:08:24,560 –> 00:08:27,470
چشمانتان اضافه کنید تا بهتر آن را درک کنید،
163
00:08:27,470 –> 00:08:31,099
این نیازی نیست که شما
164
00:08:31,099 –> 00:08:34,219
برای رنگ و استایل دارید، زیرا همان پارامتری
165
00:08:34,219 –> 00:08:38,539
که میتوانیم داشته باشیم این است که اگر من فقط بالا بروم
166
00:08:38,539 –> 00:08:41,089
تا بتوانیم اولویت سفارش را کم داشته باشیم، اما
167
00:08:41,089 –> 00:08:44,270
فرض کنید ما داریم میخواهم با استفاده از این حالت کشتی استایل
168
00:08:44,270 –> 00:08:50,240
بدهم، بنابراین اگر من به پایین بروم و آن را به صورت
169
00:08:50,240 –> 00:08:54,200
عجیب و غریب در اینجا بچسبانم، چه
170
00:08:54,200 –> 00:08:57,709
اتفاقی میافتد این است که Hugh را بهعنوان یک کد رنگی
171
00:08:57,709 –> 00:09:01,459
خواهید داشت، اما استایل
172
00:09:01,459 –> 00:09:04,339
نوع ارسال یا حالت حمل و نقل مربوطه را نشان میدهد، بنابراین اگر
173
00:09:04,339 –> 00:09:08,420
فقط آن را اجرا کنم و اکنون ما
174
00:09:08,420 –> 00:09:12,500
کدگذاری رنگ را در تمام دایره داریم، اما این
175
00:09:12,500 –> 00:09:14,660
نشان دهنده منظم است در اینجا هر کجا
176
00:09:14,660 –> 00:09:17,930
که دایره داشته باشید نشان می دهد که در اینجا منظم
177
00:09:17,930 –> 00:09:20,420
هستید هر کجا که علامت ضربدری داشته باشید
178
00:09:20,420 –> 00:09:23,690
مانند این شما هستید
179
00:09:23,690 –> 00:09:27,140
آنچه دارید هر کامیون و
180
00:09:27,140 –> 00:09:31,130
اسکوایر اکسپرس را در اینجا نشان میدهند، بنابراین هر جا که شما
181
00:09:31,130 –> 00:09:33,800
Squire مانند این داشته باشید، میتوانم اینجا را ببینم، اما
182
00:09:33,800 –> 00:09:35,120
آنها مانند همپوشانی
183
00:09:35,120 –> 00:09:37,399
هستند، این نقاط دادهای
184
00:09:37,399 –> 00:09:39,350
همپوشانی دارند که با یکدیگر همپوشانی دارند، به همین دلیل
185
00:09:39,350 –> 00:09:42,230
قادر به دیدن تعداد زیادی عکس نیستیم اما
186
00:09:42,230 –> 00:09:44,270
به وضوح مشاهده میشود. به همراه
187
00:09:44,270 –> 00:09:46,279
اولویت سفارش، حالتهای ارسالی را
188
00:09:46,279 –> 00:09:51,709
که با این دارید نشان میدهد، بنابراین اکنون که
189
00:09:51,709 –> 00:09:54,620
دارید، نه تنها میتوانید با کمک کد رنگ
190
00:09:54,620 –> 00:09:56,480
اولویت سفارش را تفسیر کنید،
191
00:09:56,480 –> 00:09:58,040
بلکه میتوانید
192
00:09:58,040 –> 00:09:59,209
موارد مربوطه را نیز تفسیر کنید.
193
00:09:59,209 –> 00:10:01,370
نوع ارسال برای
194
00:10:01,370 –> 00:10:03,980
تجزیه و تحلیل شما جدا از این
195
00:10:03,980 –> 00:10:06,200
، یک ویژگی بسیار جالب دیگر وجود دارد
196
00:10:06,200 –> 00:10:11,089
که آن را دارد اندازه است، بنابراین اگر من
197
00:10:11,089 –> 00:10:16,720
فقط این را کپی کنم و آن را در اینجا
198
00:10:16,720 –> 00:10:21,410
بچسبانم، رنگ و این را حذف می کنم و اگر فقط
199
00:10:21,410 –> 00:10:24,470
بگویم اندازه و فرض کنید اندازه را می خواهم
200
00:10:24,470 –> 00:10:27,310
تخفیف پس از اینجا اگر من فقط بالا بروم
201
00:10:27,310 –> 00:10:30,950
ستون تخفیف را دارید که در آن
202
00:10:30,950 –> 00:10:33,950
مانند 4 درصد تخفیف 7 درصد تخفیف
203
00:10:33,950 –> 00:10:35,990
1 درصد 8 درصد دارید، بنابراین بر اساس
204
00:10:35,990 –> 00:10:38,390
تخفیفی که داده اید، ما می خواهیم
205
00:10:38,390 –> 00:10:40,279
o را افزایش دهیم. سایز این شکل ها را کم
206
00:10:40,279 –> 00:10:44,120
کنید خوب پس بیایید سعی کنیم آن را اجرا
207
00:10:44,120 –> 00:10:49,520
کنیم و اکنون در مورد
208
00:10:49,520 –> 00:10:51,560
تخفیف های متفاوتی که داده شده است
209
00:10:51,560 –> 00:10:55,520
و اندازه های مربوط به آنها را
210
00:10:55,520 –> 00:10:57,170
می بینید اگرچه این اندازه ها همانطور که می بینید کوچکترین
211
00:10:57,170 –> 00:10:59,180
است این کوچکترین است بنابراین آخرین
212
00:10:59,180 –> 00:11:01,880
تخفیف داده شده است که این مقدار کمی
213
00:11:01,880 –> 00:11:04,459
بالاتر است، اما دوباره این به
214
00:11:04,459 –> 00:11:06,680
وضوح قابل مشاهده نیست، بنابراین کاری که می توانیم انجام دهیم این است که
215
00:11:06,680 –> 00:11:10,339
می توانیم پارامتر اندازه را تنظیم کنیم
216
00:11:10,339 –> 00:11:12,770
تا نوع مختلف اندازه های مختلف غیر
217
00:11:12,770 –> 00:11:15,199
از اندازه پیش فرض را نشان دهیم، بنابراین آنچه که داریم این
218
00:11:15,199 –> 00:11:18,560
است که من فقط دارم کپی می کنم و چسباندن و من می
219
00:11:18,560 –> 00:11:23,150
گویم اندازه ها برابر با دو است، باید
220
00:11:23,150 –> 00:11:27,500
از 25 شروع شود و فرض کنید روی 200 این
221
00:11:27,500 –> 00:11:31,430
اطمینان حاصل می کند که اندازه ها برای چشم انداز مقایسه بسیار
222
00:11:31,430 –> 00:11:34,520
بهتر به نظر می رسند و به وضوح در چشم ما قابل مشاهده هستند،
223
00:11:34,520 –> 00:11:38,060
بنابراین اگر من فقط
224
00:11:38,060 –> 00:11:41,750
آن را ادامه دهم و آن را اجرا کنم، شما آن را اجرا کنید. می بینیم
225
00:11:41,750 –> 00:11:44,720
که اندازه نسبت به این یکی افزایش یافته است،
226
00:11:44,720 –> 00:11:49,670
اکنون بسیار بیشتر دیده می شود
227
00:11:49,670 –> 00:11:52,100
یا برای چشمان ما بسیار بهتر قابل مشاهده است و
228
00:11:52,100 –> 00:11:53,839
ما به وضوح می توانیم تفاوت
229
00:11:53,839 –> 00:11:57,050
بین این و این و این را
230
00:11:57,050 –> 00:11:58,790
ببینیم. شما به وضوح می توانید ببینید در این سه تا
231
00:11:58,790 –> 00:12:02,180
اندازه های مشابه دارند در حالی که این اندازه کوچک
232
00:12:02,180 –> 00:12:04,760
است و این اندازه کوچک است که با
233
00:12:04,760 –> 00:12:07,760
تخفیف صفر است، به نظر می رسد یک
234
00:12:07,760 –> 00:12:09,920
درصد تخفیف است، به نظر می رسد متأسفم
235
00:12:09,920 –> 00:12:12,050
10 درصد این به نظر می رسد 20 درصد
236
00:12:12,050 –> 00:12:15,440
تخفیف و غیره و غیره بنابراین این
237
00:12:15,440 –> 00:12:18,620
شما می توانید چندین گزینه را داشته باشید که با استفاده از
238
00:12:18,620 –> 00:12:21,529
آن می توانید اساساً مشخص کنید
239
00:12:21,529 –> 00:12:26,540
که از چه نوع پارامتری می توانید برای
240
00:12:26,540 –> 00:12:29,120
تفسیر بهتر داده ها استفاده کنید، بنابراین
241
00:12:29,120 –> 00:12:31,640
این فقط شروع کار است تا شما
242
00:12:31,640 –> 00:12:34,490
را با پارامتری که
243
00:12:34,490 –> 00:12:37,760
باید منتقل کنید و حداقل آن را بشناسید. تنظیماتی
244
00:12:37,760 –> 00:12:41,149
که باید انجام دهید تا نمودار خود را
245
00:12:41,149 –> 00:12:43,670
برای ارائه
246
00:12:43,670 –> 00:12:46,310
و دیدگاه اکتشاف داده خود بسیار تعاملی کنید، اما
247
00:12:46,310 –> 00:12:49,459
248
00:12:49,459 –> 00:12:52,730
نمودارهای زیادی وجود خواهد داشت که در مورد آنها بحث خواهیم
249
00:12:52,730 –> 00:12:54,320
کرد و از آنها عبور خواهیم کرد، بنابراین پیشنهاد می کنم در این زمینه با
250
00:12:54,320 –> 00:12:57,680
ما همراه باشید. و ما
251
00:12:57,680 –> 00:13:00,649
به استفاده از این مجموعه داده یا در هر سناریوی خاصی ادامه خواهیم داد در
252
00:13:00,649 –> 00:13:02,390
نهایت اگر
253
00:13:02,390 –> 00:13:04,670
مجموعه داده دیگری از آن استفاده خواهیم کرد و
254
00:13:04,670 –> 00:13:07,819
پیوند آن مجموعه داده را در
255
00:13:07,819 –> 00:13:10,459
توضیحات پیدا خواهید کرد و شما برای اینکه بتوانید
256
00:13:10,459 –> 00:13:12,800
با من تمرین کنید تا
257
00:13:12,800 –> 00:13:13,520
258
00:13:13,520 –> 00:13:16,250
در این اولین آموزش مقدماتی
259
00:13:16,250 –> 00:13:18,080
این کار را انجام دهید، در ویدیوی بعدی با یک موضوع جدید با شما آشنا خواهم شد
260
00:13:18,080 –> 00:13:21,620
سلام خوش آمدید
261
00:13:21,620 –> 00:13:24,650
به آموزش بعدی در مورد آموزش Seabourn
262
00:13:24,650 –> 00:13:26,720
برای مبتدیان و اگر
263
00:13:26,720 –> 00:13:29,870
به خاطر دارید در مورد آن صحبت کردیم نمودار پراکندگی
264
00:13:29,870 –> 00:13:32,150
یا رابطه ای در ویدیوی قبلی
265
00:13:32,150 –> 00:13:35,090
که اولین بود، بنابراین در این
266
00:13:35,090 –> 00:13:38,480
آموزش Seabourn بعدی
267
00:13:38,480 –> 00:13:41,930
ما به نمودار خطی که نمودار بسیار
268
00:13:41,930 –> 00:13:46,070
رایج است نگاه می کنیم اما خواهیم دید که چگونه می
269
00:13:46,070 –> 00:13:48,710
توانیم آن را در کتابخانه Seabourn ایجاد کنیم.
270
00:13:48,710 –> 00:13:50,750
گزینههای مختلفی
271
00:13:50,750 –> 00:13:52,490
برای زیباتر کردن آن در دسترس ما است،
272
00:13:52,490 –> 00:13:55,520
بنابراین چه داریم این است که
273
00:13:55,520 –> 00:13:58,190
اگر به یاد داشته باشید دادههای فروش را
274
00:13:58,190 –> 00:14:01,220
داریم که استفاده میکردیم و اینها
275
00:14:01,220 –> 00:14:04,340
چند قانون اولیه هستند که دارای اولویت سفارش فروش
276
00:14:04,340 –> 00:14:07,190
سود تخفیف هستند و همه موارد دیگر.
277
00:14:07,190 –> 00:14:10,370
که شبیه این است که
278
00:14:10,370 –> 00:14:12,170
داده های زندگی واقعی ما شباهت نزدیکی
279
00:14:12,170 –> 00:14:16,160
به آن دارند و بیایید سعی کنیم یک
280
00:14:16,160 –> 00:14:19,340
نمودار خطی بسازیم تا اگر کاری انجام ندهم، نمودار خطی را بسازیم
281
00:14:19,340 –> 00:14:22,160
.
282
00:14:22,160 –> 00:14:25,130
s به این صورت است، بنابراین همانطور که من اکنون
283
00:14:25,130 –> 00:14:28,100
طرح رالف را شروع می کنم، فقط از یک
284
00:14:28,100 –> 00:14:30,589
نمودار رالف با استفاده از نوع پارامتر برای
285
00:14:30,589 –> 00:14:31,310
ایجاد نمودار خطی استفاده می کنیم،
286
00:14:31,310 –> 00:14:35,330
بنابراین برای محور x، فرض می کنیم خواسته
287
00:14:35,330 –> 00:14:40,100
آن را برای محور y سفارش داده است، ما فروش می خواهیم، داده هایی بر
288
00:14:40,100 –> 00:14:45,260
بر داریم با فروش و نوع برابر با خطوط است،
289
00:14:45,260 –> 00:14:47,510
بنابراین کاری که انجام می دهد این است که
290
00:14:47,510 –> 00:14:50,870
یک نمودار نمودار خطی برای ما ایجاد می کند و همانطور
291
00:14:50,870 –> 00:14:52,490
که می بینید کمی زمان می برد
292
00:14:52,490 –> 00:14:56,500
زیرا تقریباً 10000
293
00:14:56,500 –> 00:14:59,360
مقدار در این مجموعه داده وجود دارد،
294
00:14:59,360 –> 00:15:02,300
بنابراین تلاش می کند. برای برقراری ارتباط
295
00:15:02,300 –> 00:15:05,030
بین تمام آن 10000 خط با
296
00:15:05,030 –> 00:15:08,510
ترسیم فروش در بالای تاریخ سفارش،
297
00:15:08,510 –> 00:15:12,620
خوب است، بنابراین در اینجا نموداری است که
298
00:15:12,620 –> 00:15:16,220
برای ما ترسیم شده است و برخی هشدارها
299
00:15:16,220 –> 00:15:18,890
در مورد برخی از ویژگی هایی که
300
00:15:18,890 –> 00:15:22,730
منسوخ می شوند، اما در حال حاضر این نموداری است
301
00:15:22,730 –> 00:15:24,500
که رسم شده است اما همانطور که می بینید
302
00:15:24,500 –> 00:15:27,170
مانند بسیاری از تاریخ های سفارش وجود دارد، به
303
00:15:27,170 –> 00:15:28,940
همین دلیل است که آنها با یکدیگر همپوشانی دارند
304
00:15:28,940 –> 00:15:29,620
و
305
00:15:29,620 –> 00:15:32,680
یک مورد مشابه با این خطوط در اینجا است، بنابراین
306
00:15:32,680 –> 00:15:35,260
آنچه که ما واقعاً می توانیم در این مورد انجام دهیم این است که
307
00:15:35,260 –> 00:15:39,700
می توانیم آن را با استخراج کردن ساده کنیم.
308
00:15:39,700 –> 00:15:45,180
سال از اینجا پس چه ما حدود n انجام دهید این است
309
00:15:45,180 –> 00:15:48,520
که ما به آن نگاه خواهیم کرد یا
310
00:15:48,520 –> 00:15:51,160
ابتدا سال را به عنوان ستونی ایجاد می کنیم
311
00:15:51,160 –> 00:15:53,130
که در حال حاضر در اینجا وجود ندارد،
312
00:15:53,130 –> 00:15:58,089
بنابراین مهر و موم می کنیم و
313
00:15:58,089 –> 00:16:01,870
اگر این کار را اکنون انجام دهیم
314
00:16:01,870 –> 00:16:07,930
اگر بگویم نه منحصر به فرد
315
00:16:07,930 –> 00:16:11,080
این چهار سال را برای ما درست کرده است،
316
00:16:11,080 –> 00:16:13,330
بنابراین موضوع بسیار ساده است همانطور که می
317
00:16:13,330 –> 00:16:16,529
بینید آنها می گویند چارچوب داده پانل
318
00:16:16,529 –> 00:16:19,930
این روش ها و ویژگی ها را دارد مانند DT dot
319
00:16:19,930 –> 00:16:23,080
DT dot اینجا برای استخراج ارزش سال
320
00:16:23,080 –> 00:16:26,170
و سپس استفاده از نقطه فروش 0 نقطه منحصر به فرد.
321
00:16:26,170 –> 00:16:28,630
مقادیری که من به تازگی چسباندهام، تعداد
322
00:16:28,630 –> 00:16:30,520
مقادیر منحصربهفردی را چاپ کردهایم که ما آنها را گرفتهایم
323
00:16:30,520 –> 00:16:36,400
، بنابراین اگر مجبور باشم دوباره آن را رسم کنم، بنابراین
324
00:16:36,400 –> 00:16:40,000
کاری که میتوانم انجام دهم این است که به سادگی بگویم محور x در اینجا
325
00:16:40,000 –> 00:16:44,370
چه محوری فروش دارد که دادههای S سرمایه
326
00:16:44,370 –> 00:16:50,620
برابر با Saints است. و گریه برابر
327
00:16:50,620 –> 00:16:55,750
با خط است پس حالا اگر نمودار ما را ببینید
328
00:16:55,750 –> 00:16:59,410
به این شکل است که خیلی بهتر است و
329
00:16:59,410 –> 00:17:01,150
اگر دو هزار و نه دو هزار و
330
00:17:01,150 –> 00:17:02,589
نه نقطه پنج دو هزار ده دو
331
00:17:02,589 –> 00:17:05,050
هزار و نه نقطه پنج ببینید زیرا گوش
332
00:17:05,050 –> 00:17:07,929
آنچه را که به عنوان مقادیر عددی در نظر گرفته است
333
00:17:07,929 –> 00:17:10,209
بنابراین در پس زمینه و در
334
00:17:10,209 –> 00:17:13,270
داده ها مجموعه ما می توانیم گوش را تغییر دهیم که
335
00:17:13,270 –> 00:17:15,609
مشکلی نیست اما در حال حاضر شما
336
00:17:15,609 –> 00:17:17,949
نمودار خوبی را که در مقایسه با این به ما داده است
337
00:17:17,949 –> 00:17:19,179
338
00:17:19,179 –> 00:17:23,319
می دانید و همچنین می توانیم
339
00:17:23,319 –> 00:17:25,990
نمودار سه ماهه سال یا ماهانه را بر اساس
340
00:17:25,990 –> 00:17:28,900
ویژگی هایی که استفاده کرده ایم اما برای
341
00:17:28,900 –> 00:17:31,480
سادگی داشته باشیم. ما به تازگی اینجا را انتخاب کردهایم،
342
00:17:31,480 –> 00:17:35,230
بنابراین در اینجا اگر
343
00:17:35,230 –> 00:17:39,610
میپرسید این ناحیه سایهدار چیست، بنابراین آنچه
344
00:17:39,610 –> 00:17:42,200
انجام داده است این است که این مقدار را
345
00:17:42,200 –> 00:17:45,830
به عنوان میانگین محاسبه کرده است و این ناحیه سایهدار یک
346
00:17:45,830 –> 00:17:49,309
347
00:17:49,309 –> 00:17:54,559
فاصله اطمینان 95% مثبت و منهای 90 درصد است. به این معنی که اگر می خواهید
348
00:17:54,559 –> 00:17:58,399
می توانید این را تغییر دهید، بنابراین اگر من فقط
349
00:17:58,399 –> 00:18:03,019
این را کپی کنم و این را پیست کنم و پارامتری را اضافه کنم
350
00:18:03,019 –> 00:18:06,649
که فاصله اطمینان CI برابر
351
00:18:06,649 –> 00:18:11,630
با هیچ باشد، بنابراین در این صورت فاصله اطمینان
352
00:18:11,630 –> 00:18:14,260
اکنون حذف می شود همانطور که می توانید
353
00:18:14,260 –> 00:18:17,649
جدا از این را ببینید. یک گزینه دیگر
354
00:18:17,649 –> 00:18:21,399
با داشتن فاصله اطمینان به عنوان
355
00:18:21,399 –> 00:18:24,260
انحراف استاندارد است اگر این چیزی است که
356
00:18:24,260 –> 00:18:27,409
شما علاقه مند هستید بدانید که
357
00:18:27,409 –> 00:18:29,480
فاصله اطمینان از منظر
358
00:18:29,480 –> 00:18:32,029
انحراف معیار چقدر است که
359
00:18:32,029 –> 00:18:34,840
مقادیر شما اینگونه است بنابراین این عمدتاً f است یا
360
00:18:34,840 –> 00:18:38,870
ویژگی تجزیه و تحلیل صرفاً آماری که می
361
00:18:38,870 –> 00:18:40,549
خواهید فاصله اطمینان را به عنوان
362
00:18:40,549 –> 00:18:43,669
منطقه احاطه شده می خواهید یا انحراف معیار را می خواهید،
363
00:18:43,669 –> 00:18:46,370
می توانیم بر اساس این شماره ها بدست آوریم
364
00:18:46,370 –> 00:18:48,740
و اگر
365
00:18:48,740 –> 00:18:50,840
علاقه بیشتری به انجام این
366
00:18:50,840 –> 00:18:54,440
تجزیه و تحلیل آماری دارید، بیشتر بررسی کنیم، بنابراین چیزی که
367
00:18:54,440 –> 00:18:58,429
می توانم به شما نشان دهم این است که همانطور که اشاره
368
00:18:58,429 –> 00:19:03,080
کردم میانگین را در اینجا گرفته است اما اگر بخواهم
369
00:19:03,080 –> 00:19:06,110
مقادیر درست یا مقادیر واقعی را ترسیم
370
00:19:06,110 –> 00:19:08,480
کنم آنچه می توانم بگویم تخمین زده یا
371
00:19:08,480 –> 00:19:11,330
مساوی هیچ است و
372
00:19:11,330 –> 00:19:15,529
مقادیر دقیق آنچه در سال 2009
373
00:19:15,529 –> 00:19:21,799
و سپس در سال 2010 اتفاق افتاده را به شما نشان می دهد. در سال 2011 در سال 2012 درست است،
374
00:19:21,799 –> 00:19:23,870
بنابراین در این مورد
375
00:19:23,870 –> 00:19:25,850
، با ترسیم
376
00:19:25,850 –> 00:19:27,710
نقطه واقعی UT و اتصال آن
377
00:19:27,710 –> 00:19:29,750
نقطهها، هیچ تخمینگری را در نظر نمیگیریم، به همین دلیل است که میتوانید
378
00:19:29,750 –> 00:19:34,250
این نوع شکل سفارش پیشنهاد را ببینید،
379
00:19:34,250 –> 00:19:37,100
ما این گزینه را داریم که میتوانیم آن را انتخاب کنیم.
380
00:19:37,100 –> 00:19:38,750
تخمینگرهای مختلف
381
00:19:38,750 –> 00:19:43,519
382
00:19:43,519 –> 00:19:47,510
383
00:19:47,510 –> 00:19:50,450
384
00:19:50,450 –> 00:19:53,419
385
00:19:53,419 –> 00:19:55,730
، بهعنوان مثال تخمینگر این و فلان، قبلاً هیچکدام را به شما نشان ندادم، اکنون میتوانم حتی تعدادی را به شما نشان دهم، بنابراین در این صورت تمام مقادیر را جمع میکند و خروجی را به ما نشان میدهد. ut همراه با
386
00:19:55,730 –> 00:19:59,960
فاصله اطمینان E خوب است، بنابراین اکنون
387
00:19:59,960 –> 00:20:04,130
بیایید به گزینه
388
00:20:04,130 –> 00:20:05,780
تعاملی تر کردن آن نگاه کنیم، بنابراین به هر یک از آنها
389
00:20:05,780 –> 00:20:08,450
و فروش نگاه می کنیم، اما فرض کنید می خواهیم
390
00:20:08,450 –> 00:20:13,510
آن را در حالت کشتی ببینیم، بنابراین می گوییم رنگ
391
00:20:13,510 –> 00:20:18,620
برابر با حالت حمل و نقل و آن است. ویژگیهای
392
00:20:18,620 –> 00:20:22,940
ما اینجاست، بنابراین اکنون ارزشهای ما را بر اساس مقداری که به رنگ دادهایم
393
00:20:22,940 –> 00:20:27,290
به حالتهای مختلف حمل و نقل تقسیم کرده است،
394
00:20:27,290 –> 00:20:29,780
395
00:20:29,780 –> 00:20:32,780
بنابراین در اینجا این کامیون تحویل است همانطور
396
00:20:32,780 –> 00:20:36,110
که میبینید کاملاً مانند
397
00:20:36,110 –> 00:20:38,510
بسیاری از سفارشها با کامیون تحویل است.
398
00:20:38,510 –> 00:20:41,450
و سپس شما آنجا را دارید که در آن
399
00:20:41,450 –> 00:20:45,590
هوای معمولی و Express در اینجا دارید، بنابراین
400
00:20:45,590 –> 00:20:49,520
با استفاده از شما می توانید اساساً می توانید
401
00:20:49,520 –> 00:20:52,970
از مزیت دوشاخه کردن بیشتر
402
00:20:52,970 –> 00:20:54,290
داده ها
403
00:20:54,290 –> 00:20:58,060
جدا از رنگ استفاده کنید، بنابراین اگر فقط این را
404
00:20:58,060 –> 00:21:01,400
جدا از رنگ کپی کنم، اگر مقدار دیگری را به شما نشان دهم
405
00:21:01,400 –> 00:21:06,530
که سبک برابر است با
406
00:21:06,530 –> 00:21:08,600
دستههای محصول دستهبندی فیلدها، بنابراین
407
00:21:08,600 –> 00:21:10,070
من فقط به شما نشان میدهم که
408
00:21:10,070 –> 00:21:14,150
در این مورد چه اتفاقی میافتد، بنابراین اکنون رنگ
409
00:21:14,150 –> 00:21:16,610
و دسته محصول داریم که هر دو با هم
410
00:21:16,610 –> 00:21:19,220
مخلوط شدهاند، به عنوان مثال اینجا
411
00:21:19,220 –> 00:21:22,580
کامیون تحویل نارنجی و دسته محصول
412
00:21:22,580 –> 00:21:25,310
فناوری است، بنابراین فناوری یک
413
00:21:25,310 –> 00:21:26,960
دسته محصول است که
414
00:21:26,960 –> 00:21:30,380
با استفاده از کامیون تحویل و
415
00:21:30,380 –> 00:21:32,270
غیره بسیار ارسال می شود، می توانید جلو بروید و
416
00:21:32,270 –> 00:21:34,280
آن را تفسیر کنید و اگر دیدید که
417
00:21:34,280 –> 00:21:37,370
فاصله اطمینان به شما کابوس
418
00:21:37,370 –> 00:21:43,370
می دهد، می توانید CI را ببندید. به هیچ و شما
419
00:21:43,370 –> 00:21:45,590
می توانید نمودار بسیار بهتری را در
420
00:21:45,590 –> 00:21:46,420
اینجا دریافت کنید،
421
00:21:46,420 –> 00:21:52,640
بنابراین هنگامی که اینجا هستید، کاری که
422
00:21:52,640 –> 00:21:58,520
می توانید انجام دهید این است که شما را داریم و ما به
423
00:21:58,520 –> 00:22:01,850
عنوان دسته بندی محصول استایل داده ایم آنچه می توانم انجام دهم این
424
00:22:01,850 –> 00:22:07,880
است که می توانم سبک را به
425
00:22:07,880 –> 00:22:10,340
چیزی تغییر دهم. مانند
426
00:22:10,340 –> 00:22:14,220
آنچه که ما قرار است اتفاق بیفتد،
427
00:22:14,220 –> 00:22:17,070
در این مورد سه نمودار مختلف ایجاد می کند
428
00:22:17,070 –> 00:22:18,480
زیرا ما سه
429
00:22:18,480 –> 00:22:20,310
دسته مختلف داریم که شامل
430
00:22:20,310 –> 00:22:22,950
فناوری لوازم اداری و مبلمان بود، بنابراین اکنون
431
00:22:22,950 –> 00:22:26,160
برای عرضه اداری برای فناوری و برای
432
00:22:26,160 –> 00:22:28,410
مبلمان آینده، این
433
00:22:28,410 –> 00:22:31,080
سه دسته متفاوت هستند. نمودارهایی که
434
00:22:31,080 –> 00:22:35,160
وقتی سعی می کنید آن ها را تجزیه و تحلیل کنید بسیار زیباتر هستند و
435
00:22:35,160 –> 00:22:38,190
قسمت خوب این است که محور y
436
00:22:38,190 –> 00:22:41,580
مشترک است و به این ترتیب می توانید سه دسته مختلف را با هم مقایسه کنید،
437
00:22:41,580 –> 00:22:44,400
بنابراین اگر من کپی را انتخاب کنم
438
00:22:44,400 –> 00:22:47,040
این و این ویژگی را
439
00:22:47,040 –> 00:22:50,520
کمی گسترش دهید، بنابراین فرض کنید شما دسته بندی محصول را نمی خواهید،
440
00:22:50,520 –> 00:22:52,950
اما ما چیزی داریم
441
00:22:52,950 –> 00:22:57,420
که مقادیر زیادی مانند منطقه دارد، اگر
442
00:22:57,420 –> 00:22:59,460
به یاد داشته باشم، بنابراین اگر من فقط جلو بروم و
443
00:22:59,460 –> 00:23:03,120
آن را اجرا کنم، این
444
00:23:03,120 –> 00:23:06,660
نمودارها را برای مناطق مختلف به شما نشان می دهد. حالا کاری
445
00:23:06,660 –> 00:23:09,750
که انجام میدهد این است که تمام
446
00:23:09,750 –> 00:23:14,340
نمودار را در یک ردیف به شما نشان میدهد، بنابراین
447
00:23:14,340 –> 00:23:18,060
کاری که میتوانیم انجام دهیم این است که میتوانیم بگوییم 1 2 3
448
00:23:18,060 –> 00:23:20,280
4 5 6 7
449
00:23:20,280 –> 00:23:23,730
8 8 است، بنابراین ردیف را به 2 تقسیم کنید
450
00:23:23,730 –> 00:23:29,390
بنابراین فقط این را کپی کنید و اینجا قرار دهید و
451
00:23:29,390 –> 00:23:35,660
بگویید call underscore wrap ویژگی
452
00:23:35,660 –> 00:23:41,640
فراخوانی است که Rob برابر با 4 است، اگر آن را اجرا کنم
453
00:23:41,640 –> 00:23:44,700
، نمودار بسیار بهتری مانند این خواهید دید،
454
00:23:44,700 –> 00:23:51,270
بنابراین همراه با حالت کشتی
455
00:23:51,270 –> 00:23:54,600
، منطقه متفاوتی را در مورد
456
00:23:54,600 –> 00:23:56,520
نحوه ارسال دریافت خواهید کرد. حالت حمل و نقل
457
00:23:56,520 –> 00:23:59,960
در مناطق مختلف در حال استفاده است و
458
00:23:59,960 –> 00:24:03,090
اگر بخواهید می توانید آن را در دو ردیف مختلف چاپ کنید،
459
00:24:03,090 –> 00:24:06,480
حتی می توانید بگویید 2 به طوری که
460
00:24:06,480 –> 00:24:09,750
فقط 2 چاپ شود و اندازه شکل
461
00:24:09,750 –> 00:24:11,960
462
00:24:11,960 –> 00:24:18,270
در اینجا کمی بزرگتر می شود. به این ترتیب
463
00:24:18,270 –> 00:24:20,670
می توانید این ویژگی ها را زیاد آزمایش کنید
464
00:24:20,670 –> 00:24:23,130
465
00:24:23,130 –> 00:24:25,530
امروزه این فقط در مورد خراش دادن
466
00:24:25,530 –> 00:24:29,880
سطح یا اصول اولیه است که ما به تازگی با
467
00:24:29,880 –> 00:24:32,250
آنها آشنا شده ایم، اما همانطور که می بینید، با این اصول اولیه
468
00:24:32,250 –> 00:24:34,530
، کارهای زیادی می توان
469
00:24:34,530 –> 00:24:38,150
انجام داد تا داده ها را بیشتر کند و
470
00:24:38,150 –> 00:24:43,050
تجزیه و تحلیل کند. این در
471
00:24:43,050 –> 00:24:45,570
مورد نمودار خطی است و
472
00:24:45,570 –> 00:24:47,880
ویژگیهای مختلف آن در Seaboard است و
473
00:24:47,880 –> 00:24:50,220
امیدوارم از آن در تجزیه و تحلیل دادههای خود بسیار استفاده کنید،
474
00:24:50,220 –> 00:24:52,230
بنابراین در مورد آن است و من
475
00:24:52,230 –> 00:24:53,490
شما را در ویدیوی جدید با موضوعی جدید ملاقات خواهم
476
00:24:53,490 –> 00:24:56,520
کرد سلام به ویدیوی بعدی خوش آمدید.
477
00:24:56,520 –> 00:24:59,180
ویدیو و در این ویدیو من
478
00:24:59,180 –> 00:25:02,550
چیزهای جالب دیگری را در رابطه با
479
00:25:02,550 –> 00:25:05,550
کتابخانه Seabourn به شما نشان خواهم داد، بنابراین دادههایی که در اختیار
480
00:25:05,550 –> 00:25:07,740
داریم اگر ویدیوهای قبلی من
481
00:25:07,740 –> 00:25:11,160
مربوط به Seabourn را دنبال میکنید، این
482
00:25:11,160 –> 00:25:13,530
مجموعه دادهای است که با استفاده
483
00:25:13,530 –> 00:25:16,650
از پانداها وارد کردهایم و ایجاد کردهایم. چند
484
00:25:16,650 –> 00:25:19,140
طرح شگفتانگیز که در طرح رابطهای نه
485
00:25:19,140 –> 00:25:22,140
چندان رابطهای هستند، یکی از موارد این
486
00:25:22,140 –> 00:25:25,860
است که شما میدانید که طرحها را با استفاده از وجوه تقسیم میکنید،
487
00:25:25,860 –> 00:25:28,470
بنابراین این چیزی است که در آن
488
00:25:28,470 –> 00:25:32,340
فرض کنید نمودار فروش
489
00:25:32,340 –> 00:25:34,860
در مقابل سود ایجاد کردهاید، اما میخواهید لوس کنید. k at
490
00:25:34,860 –> 00:25:38,910
برای هر دسته محصول یا هر کدام
491
00:25:38,910 –> 00:25:43,020
که اولویت سفارش را می شناسید یا شاید برای هر
492
00:25:43,020 –> 00:25:45,900
منطقه، هر بخش مشتری، بنابراین چیزهایی
493
00:25:45,900 –> 00:25:47,820
مانند آن به طوری که شما بهتر بتوانید
494
00:25:47,820 –> 00:25:49,860
درک کنید که چگونه داده ها در آنجا توزیع می شوند
495
00:25:49,860 –> 00:25:54,120
، بنابراین کاری که ما می توانیم انجام دهیم این است
496
00:25:54,120 –> 00:25:55,920
که قبلاً آن را وارد کرده ایم. کتابخانه باند C
497
00:25:55,920 –> 00:25:58,320
و به آن یک نام مستعار به عنوان SNS بدهید.
498
00:25:58,320 –> 00:26:03,500
499
00:26:03,500 –> 00:26:06,510
500
00:26:06,510 –> 00:26:09,960
501
00:26:09,960 –> 00:26:15,390
502
00:26:15,390 –> 00:26:18,390
503
00:26:18,390 –> 00:26:22,380
که فروش است، ما این طرح را به این صورت ایجاد کردهایم
504
00:26:22,380 –> 00:26:26,010
و حالا فرض کنید من این
505
00:26:26,010 –> 00:26:30,180
طرح را برای هر بخش مشتری میخواهم درست
506
00:26:30,180 –> 00:26:33,390
مانند سه قطعه مختلف، بنابراین این
507
00:26:33,390 –> 00:26:36,490
ویژگی بسیار آسان است که با آن تماس بگیرید
508
00:26:36,490 –> 00:26:40,080
– و نامی برای آن بگذارید که
509
00:26:40,080 –> 00:26:43,809
بخش مشتری است، بنابراین به این ترتیب ببینید که
510
00:26:43,809 –> 00:26:47,500
چهار نمودار مختلف خواهید داشت
511
00:26:47,500 –> 00:26:50,290
که می توانید به صورت جداگانه تجزیه و تحلیل کنید، بنابراین
512
00:26:50,290 –> 00:26:52,960
یک نمودار برای شرکت های مصرف کننده کسب و کارهای کوچک
513
00:26:52,960 –> 00:26:56,920
است و دفتر خانه به شما اجازه می
514
00:26:56,920 –> 00:26:59,260
دهد به داده ها به صورت جداگانه نگاه کنید، اما
515
00:26:59,260 –> 00:27:04,300
فرض کنید می خواهید harts اساساً به طوری
516
00:27:04,300 –> 00:27:06,730
که کمی گسترش یافته است بنابراین کاری که می توانید
517
00:27:06,730 –> 00:27:10,300
انجام دهید این است که می توانید پارامتری داشته باشید که
518
00:27:10,300 –> 00:27:13,600
به نام رپ برابر با دو است بنابراین به این
519
00:27:13,600 –> 00:27:16,720
ترتیب مانند متریک دو در دو است و
520
00:27:16,720 –> 00:27:19,179
بسیار زیباتر از
521
00:27:19,179 –> 00:27:21,760
نمودار قبلی به نظر می رسد بنابراین با استفاده از پارامتر استفاده کنید.
522
00:27:21,760 –> 00:27:23,860
که اسمش هست و یک امتیاز رپ
523
00:27:23,860 –> 00:27:26,980
این انعطاف را به شما می دهد و به این ترتیب
524
00:27:26,980 –> 00:27:29,440
تجزیه و تحلیل شما بسیار ساده تر می شود، می توانید
525
00:27:29,440 –> 00:27:31,870
مقایسه کنید این چهار نمودار را خیلی
526
00:27:31,870 –> 00:27:35,679
راحت تر می دانید و مشاهدات را از آن خارج می
527
00:27:35,679 –> 00:27:40,630
کنید، خوب است، بنابراین وقتی این را داشته باشیم،
528
00:27:40,630 –> 00:27:44,910
فقط این را کپی و پیست می کنم. آن را در اینجا و
529
00:27:44,910 –> 00:27:48,970
سپس فرض کنید همراه با این شما می
530
00:27:48,970 –> 00:27:51,940
خواهید اطلاعات بیشتری مانند
531
00:27:51,940 –> 00:27:54,760
اولویت سفارش برای مثال در اینجا کد رنگی
532
00:27:54,760 –> 00:27:57,250
داشته باشد، بنابراین کاری که می توانید انجام دهید این است که از
533
00:27:57,250 –> 00:28:01,510
رنگ به عنوان یک پارامتر استفاده کنید و بگویید
534
00:28:01,510 –> 00:28:04,540
اولویت سفارش به این
535
00:28:04,540 –> 00:28:07,059
ترتیب اولویت ترتیب برجسته می شود. برای هر
536
00:28:07,059 –> 00:28:09,400
نمودار، اگر من فقط جلو بروم و اجرا
537
00:28:09,400 –> 00:28:12,640
کنم، می بینید که نمودار بسیار
538
00:28:12,640 –> 00:28:15,280
زیباتر است و اولویت سفارش به
539
00:28:15,280 –> 00:28:18,760
طور مشابه برجسته شده است، می توانید
540
00:28:18,760 –> 00:28:22,480
تأثیر حالت کشتی را ببینید، به عنوان مثال
541
00:28:22,480 –> 00:28:24,970
اگر از th هستید. e بخش حمل و نقل و
542
00:28:24,970 –> 00:28:28,570
می خواهید تأثیر حالت کشتی را
543
00:28:28,570 –> 00:28:31,809
بر انواع مختلفی از محصولاتی
544
00:28:31,809 –> 00:28:34,960
که می فروشید درک کنید، بنابراین این
545
00:28:34,960 –> 00:28:37,120
اثر حالت کشتی است که در آن
546
00:28:37,120 –> 00:28:39,880
به نظر می رسد رنگ نارنجی در این مورد بسیار غالب
547
00:28:39,880 –> 00:28:42,429
است که یک کامیون تحویل است و به دنبال
548
00:28:42,429 –> 00:28:45,240
آن هوای معمولی است. و سپس اکسپرس ایر
549
00:28:45,240 –> 00:28:48,040
همچنین اطلاعاتی را ارائه می دهد که آیا در
550
00:28:48,040 –> 00:28:49,929
سفارشات با ارزش بالا از
551
00:28:49,929 –> 00:28:53,140
چه نوع قالب حمل و نقل
552
00:28:53,140 –> 00:28:55,270
استفاده می شود و مواردی
553
00:28:55,270 –> 00:28:58,390
از این قبیل جدا از این، اگر می خواهید
554
00:28:58,390 –> 00:29:01,059
تجزیه و تحلیل را کمی پیچیده تر کنید، به
555
00:29:01,059 –> 00:29:04,059
عنوان مثال ما بخش مشتری را داریم.
556
00:29:04,059 –> 00:29:06,940
اینجا و اینها همه بخشهای مشتری
557
00:29:06,940 –> 00:29:10,720
هستند، اما ما همچنین میخواهیم آن را
558
00:29:10,720 –> 00:29:13,299
متقاطع بر اساس دستهبندی محصول
559
00:29:13,299 –> 00:29:16,630
ببینیم، سپس کاری که میتوانیم انجام دهیم این است که به من اجازه دهید فقط
560
00:29:16,630 –> 00:29:19,720
این و اینجا را کپی کنم
561
00:29:19,720 –> 00:29:22,929
و من فقط این بسته تماس را حذف میکنم
562
00:29:22,929 –> 00:29:26,280
و در اینجا مشخص میکنم نقطه
563
00:29:26,280 –> 00:29:30,010
مقابل ستون که Rho است برابر
564
00:29:30,010 –> 00:29:34,960
با دسته محصول است و بیایید
565
00:29:34,960 –> 00:29:37,870
تأثیر این را ببینیم اکنون نمودار در حال
566
00:29:37,870 –> 00:29:39,820
ایجاد است زیرا می بینید که
567
00:29:39,820 –> 00:29:43,630
مدتی طول کشیده است اما اکنون این نمودار برای هر کدام است.
568
00:29:43,630 –> 00:29:45,309
دسته بندی محصول و هر بخش محصول،
569
00:29:45,309 –> 00:29:48,190
بنابراین مانند دسته محصولات،
570
00:29:48,190 –> 00:29:50,590
لوازم اداری است، اجازه دهید کمی آن را گسترش
571
00:29:50,590 –> 00:29:52,840
دهم تا بتوانید به وضوح
572
00:29:52,840 –> 00:30:00,010
آن را بیشتر ببینید، بله، بنابراین بخش مشتری
573
00:30:00,010 –> 00:30:00,809
574
00:30:00,809 –> 00:30:05,590
به من اجازه دهید فقط آن را فشار دهم، بله، امیدوارم
575
00:30:05,590 –> 00:30:07,750
این قابل مشاهده باشد، اما آنچه هست
576
00:30:07,750 –> 00:30:10,419
در اینجا نوشته شده است بخش مشتری،
577
00:30:10,419 –> 00:30:12,250
دسته بندی کالا، لوازم اداری و
578
00:30:12,250 –> 00:30:14,530
بخش مشتری، کسب و کار کوچک، بنابراین برای
579
00:30:14,530 –> 00:30:17,620
هر دسته محصول و هر
580
00:30:17,620 –> 00:30:21,429
بخش مشتری، نموداری برای
581
00:30:21,429 –> 00:30:23,950
انواع مختلف حالت حمل و نقل ایجاد شده است، بنابراین
582
00:30:23,950 –> 00:30:26,320
به شما امکان می دهد واقعاً عمیق باشید.
583
00:30:26,320 –> 00:30:29,140
به دادهها و اگر از
584
00:30:29,140 –> 00:30:32,230
نظر طبیعت و شرکت به آن نگاه کنید،
585
00:30:32,230 –> 00:30:34,750
به شدت تحت تأثیر سه نوع تحویل قرار میگیرد
586
00:30:34,750 –> 00:30:37,510
که در این مورد نیز منطقی است
587
00:30:37,510 –> 00:30:42,520
و اگر ببینید گوش
588
00:30:42,520 –> 00:30:47,230
معمولی در مقایسه با تحویل، به نظر میرسد خطی است.
589
00:30:47,230 –> 00:30:49,150
کامیونی که
590
00:30:49,150 –> 00:30:52,360
می دانید هواکش معمولی و کامیون تحویل
591
00:30:52,360 –> 00:30:54,039
هر دو استفاده می شود و محصول
592
00:30:54,039 –> 00:30:57,250
اساساً فناوری است و
593
00:30:57,250 –> 00:31:00,340
اینجا به نظر من هوای معمولی است. nd
594
00:31:00,340 –> 00:31:04,130
اکسپرس هوا در مقایسه با کامیون تحویل، این دو را به
595
00:31:04,130 –> 00:31:08,590
شما میدهد و مزیت یا یا
596
00:31:08,590 –> 00:31:12,050
افزایش آن را در مقایسه با کامیون تحویل میگیرد،
597
00:31:12,050 –> 00:31:14,090
زیرا دوباره
598
00:31:14,090 –> 00:31:16,550
دستهبندی محصولات لوازم اداری و
599
00:31:16,550 –> 00:31:18,280
بخش مشتری یک تجارت کوچک است، بنابراین بر اساس
600
00:31:18,280 –> 00:31:22,850
این تجزیه و تحلیل میدانید که میتوانید
601
00:31:22,850 –> 00:31:24,950
به نتیجه برسید. با استراتژیهای خود در مورد اینکه چگونه
602
00:31:24,950 –> 00:31:27,230
میتوانید بهتر درک کنید که کدام
603
00:31:27,230 –> 00:31:29,480
حالت حمل و نقل توسط کدام دسته از دستهبندی محصول مورد استفاده قرار میگیرد
604
00:31:29,480 –> 00:31:32,300
تا بخش مشتری نهایی
605
00:31:32,300 –> 00:31:35,620
را بهتر همسو کنید و برای بهبود
606
00:31:35,620 –> 00:31:39,980
فعالیتهای مرتبط با حملونقل خود، به طوری
607
00:31:39,980 –> 00:31:45,110
که چگونه میتوانید از
608
00:31:45,110 –> 00:31:49,130
پارامترهای مختلف استفاده کنید. ردیف ستون
609
00:31:49,130 –> 00:31:53,720
و شما به Seabourn بروید و
610
00:31:53,720 –> 00:31:56,300
عمیقاً به داده ها بروید و
611
00:31:56,300 –> 00:31:58,250
612
00:31:58,250 –> 00:32:00,830
الگوهای پنهانی را پیدا کنید که گاهی اوقات
613
00:32:00,830 –> 00:32:04,070
وقتی به نمودار سطح بالاتر نگاه می کنید به وضوح قابل مشاهده نیست،
614
00:32:04,070 –> 00:32:07,220
بنابراین در مورد آن است و من
615
00:32:07,220 –> 00:32:09,740
با شما ملاقات خواهم کرد. در ویدیوی بعدی موضوع جدید
616
00:32:09,740 –> 00:32:11,900
سلام خوش آمدید به ویدیوی جدید
617
00:32:11,900 –> 00:32:15,140
و در این ویدیو نمودار پراکندگی را به شما نشان خواهم داد
618
00:32:15,140 –> 00:32:17,990
اما برای داده های طبقه بندی شده
619
00:32:17,990 –> 00:32:20,390
در قبلی حتماً
620
00:32:20,390 –> 00:32:23,600
دیدهاید که ما از هر دو متغیر عددی
621
00:32:23,600 –> 00:32:26,350
در محور x و محور y استفاده کردهایم
622
00:32:26,350 –> 00:32:29,300
و نمودار پراکندگی را نشان میدهیم و
623
00:32:29,300 –> 00:32:32,360
معمولاً نمودار پراکندگی به این صورت ایجاد میشود،
624
00:32:32,360 –> 00:32:36,320
اما اگر دادههای پراکنده یا طبقهبندی
625
00:32:36,320 –> 00:32:37,820
داشته باشید و باید ایجاد کنید چه میشود. چاه نمودار پراکندگی
626
00:32:37,820 –> 00:32:38,300
627
00:32:38,300 –> 00:32:41,210
Seabourn نسبت به اینجا مزیتی دارد
628
00:32:41,210 –> 00:32:44,990
که به شما امکان می دهد داده های طبقه بندی را انتخاب کنید
629
00:32:44,990 –> 00:32:47,150
و به شما کمک می کند نمودار پراکندگی ایجاد کنید،
630
00:32:47,150 –> 00:32:50,330
بیایید ببینیم چگونه می توانیم آن را ایجاد کنیم تا
631
00:32:50,330 –> 00:32:53,030
مجموعه داده ای که استفاده می کردیم یکسان
632
00:32:53,030 –> 00:32:58,520
باشد اگر من فقط در اینجا به شما نشان دهم و برای
633
00:32:58,520 –> 00:33:01,120
ایجاد نمودار می گوییم SN s dot
634
00:33:01,120 –> 00:33:05,750
cat نمودار که نمودار دسته بندی است و در
635
00:33:05,750 –> 00:33:09,500
اینجا می خواهیم یک محور x بگیریم که می خواهیم
636
00:33:09,500 –> 00:33:14,480
بگیریم، مثلاً حالت کشتی شاید یا
637
00:33:14,480 –> 00:33:17,309
هر چیزی که علاقه شماست مانند
638
00:33:17,309 –> 00:33:20,610
اولویت یا استان یا منطقه هر چیزی که
639
00:33:20,610 –> 00:33:24,169
می خواهید انتخاب کنید. و محورهای y بهعنوان فروش و
640
00:33:24,169 –> 00:33:28,110
تتا شیء فروش است که افتخارات
641
00:33:28,110 –> 00:33:31,230
را اینجا میبینید و اگر دیدید
642
00:33:31,230 –> 00:33:33,830
این دادههای طبقهبندی
643
00:33:33,830 –> 00:33:37,320
کامیون تحویل معمولی و اکسپرس در اینجا است و
644
00:33:37,320 –> 00:33:39,360
این یک نمودار پراکنده است که اساساً شما
645
00:33:39,360 –> 00:33:41,999
را تا اینجا نشان میدهد. دادههای e واقعاً
646
00:33:41,999 –> 00:33:45,860
متراکم هستند اما پس از آن
647
00:33:45,860 –> 00:33:49,740
کاملاً مشخص میشود که
648
00:33:49,740 –> 00:33:52,080
جابهجایی یا فضایی در دادهها وجود دارد
649
00:33:52,080 –> 00:33:55,529
که به این معنی است که فضای کمی باز
650
00:33:55,529 –> 00:33:57,240
است در مقایسه با فضای چگال، بنابراین فضای متراکم
651
00:33:57,240 –> 00:33:59,399
نشان میدهد که بیشتر و بیشتر
652
00:33:59,399 –> 00:34:02,100
یا بیشتر کسبوکارهایی که در آنجا اتفاق میافتند
653
00:34:02,100 –> 00:34:02,850
،
654
00:34:02,850 –> 00:34:05,700
این یک راه بسیار سریع است که چگونه
655
00:34:05,700 –> 00:34:08,760
میتوانید یک نمودار پراکنده همراه با
656
00:34:08,760 –> 00:34:11,219
ویژگیهای طبقهبندی شده مانند حالت حمل و نقل
657
00:34:11,219 –> 00:34:14,909
در اینجا ایجاد کنید، یکی دیگر از ویژگیهای مهم یا یک
658
00:34:14,909 –> 00:34:17,219
ویژگی مفید این است که فرض کنید
659
00:34:17,219 –> 00:34:19,589
نمیخواهید این تناسب را نشان دهید. یا
660
00:34:19,589 –> 00:34:21,329
نمیخواهید علاقهای به عرض
661
00:34:21,329 –> 00:34:24,149
ندارید، شاید برای مورد استفاده خاص خود، بنابراین
662
00:34:24,149 –> 00:34:27,800
میتوانید از پارامتری استفاده کنید که
663
00:34:27,800 –> 00:34:33,179
جیتر است و بنابراین به این پارامتر میگویند که در اصل
664
00:34:33,179 –> 00:34:36,210
جیترینگ میگویند که بزرگی را در دادهها نشان میدهد،
665
00:34:36,210 –> 00:34:38,099
اما اگر این کار را نکنید. اگر
666
00:34:38,099 –> 00:34:40,949
بخواهید بزرگی را ببینید، میتوانید خطی
667
00:34:40,949 –> 00:34:45,210
مانند این دریافت کنید که گاهی
668
00:34:45,210 –> 00:34:48,260
الگوهای دادهها را در مقایسه با بزرگی واضحتر نشان میدهد،
669
00:34:48,260 –> 00:34:50,909
اما گاهی اوقات بزرگی
670
00:34:50,909 –> 00:34:52,679
مهم است، بنابراین ما هر دو ویژگی
671
00:34:52,679 –> 00:34:54,929
را داریم که در دست داریم. که ممکن است
672
00:34:54,929 –> 00:34:58,410
بخواهیم بر اساس سناریویی که می
673
00:34:58,410 –> 00:35:01,349
خواهیم با آن مقابله کنیم جدا از این چیزی که
674
00:35:01,349 –> 00:35:04,950
اساساً می توانیم انجام دهیم این است یا آنچه که اساساً می توانیم
675
00:35:04,950 –> 00:35:06,599
انجام دهیم این است که داده ها را
676
00:35:06,599 –> 00:35:11,250
مستقیماً در بلوک CAD یا در هر SNS
677
00:35:11,250 –> 00:35:13,319
یا نمودار پیوند C جستجو کنیم. من فقط
678
00:35:13,319 –> 00:35:19,170
این را کپی می کنم و آن را در اینجا جای می دهم، اوه، بنابراین من
679
00:35:19,170 –> 00:35:22,619
این کپی را کپی نکرده ام و آن
680
00:35:22,619 –> 00:35:24,630
را در اینجا جای گذاری می کنم، تنها تفاوت این بود که یک
681
00:35:24,630 –> 00:35:28,680
لرزش وجود نداشت و ما می توانیم
682
00:35:28,680 –> 00:35:30,460
در اینجا بعد
683
00:35:30,460 –> 00:35:34,030
از مجموعه داده پانداها یک علامت نقطه داشته باشیم و بگوییم پرس و جو در داخل
684
00:35:34,030 –> 00:35:37,660
پرس و جو با در دو نقل قول می توانیم
685
00:35:37,660 –> 00:35:40,059
ذکر کنیم، مثلاً می خواهیم
686
00:35:40,059 –> 00:35:43,960
نشان دهیم که کجا سود بیشتر از 1000 است،
687
00:35:43,960 –> 00:35:47,890
بنابراین اگر دوباره این را اجرا کنیم، می
688
00:35:47,890 –> 00:35:51,700
دانید که داده ها نشان داده می شوند اما فقط
689
00:35:51,700 –> 00:35:54,160
برای نقاط داده ای که سود
690
00:35:54,160 –> 00:35:56,380
بیشتر از 1000 است. این نیز یک
691
00:35:56,380 –> 00:36:00,490
ویژگی شگفتانگیز یا خوب است که در آن میخواهید
692
00:36:00,490 –> 00:36:02,829
مقداری سفارشیسازی در مجموعه دادهها
693
00:36:02,829 –> 00:36:05,920
انجام دهید، میتوانید مستقیماً آن را در اینجا انجام دهید و تأثیر آن را ببینید،
694
00:36:05,920 –> 00:36:08,950
جدا از این، آنچه شما
695
00:36:08,950 –> 00:36:12,309
دارید یک طرح باتلاقی است که یکی دیگر از طرحهای بسیار
696
00:36:12,309 –> 00:36:15,609
زیبا است که میتوانید ایجاد کنید. به
697
00:36:15,609 –> 00:36:18,250
س اندازه دادهها چگونه است، بنابراین من فقط
698
00:36:18,250 –> 00:36:22,180
این را کپی میکنم و به جای جیتر برابر
699
00:36:22,180 –> 00:36:26,410
با false مینویسم نوع برابر است در
700
00:36:26,410 –> 00:36:30,520
دو گیومه باتلاق، بنابراین وقتی
701
00:36:30,520 –> 00:36:33,790
این را ایجاد میکنیم اینگونه است که میدانید پوسیدگی مرداب
702
00:36:33,790 –> 00:36:35,770
واقعاً به نظر میرسد هر جا که بزرگی
703
00:36:35,770 –> 00:36:38,200
آن زیاد باشد. نشان می دهد که سپس قدر
704
00:36:38,200 –> 00:36:41,549
کم است و غیره و غیره، بنابراین به این ترتیب
705
00:36:41,549 –> 00:36:44,530
واقعاً مطیع می شود تا اینکه
706
00:36:44,530 –> 00:36:46,780
قدر تا کدام قسمت زیاد است و
707
00:36:46,780 –> 00:36:49,710
سپس
708
00:36:49,710 –> 00:36:53,770
وقتی کمی از سمت بالا
709
00:36:53,770 –> 00:36:56,470
در اینجا بروید حداقل به طور خاص، قدر واقعاً چگونه به نظر می رسد. در این
710
00:36:56,470 –> 00:37:00,280
نمودار، منحنی ممکن است برای
711
00:37:00,280 –> 00:37:01,720
انواع مختلف داده متفاوت باشد، به عنوان مثال
712
00:37:01,720 –> 00:37:03,250
در وسط ممکن است قدر بیشتری داشته باشید،
713
00:37:03,250 –> 00:37:05,619
اما نه در انتهای پایین یا انتهای بالاتر
714
00:37:05,619 –> 00:37:08,530
سمت راست، بنابراین مواردی
715
00:37:08,530 –> 00:37:11,460
716
00:37:11,460 –> 00:37:16,569
از این دست زمانی که از باتلاق کاهش یافت برابر 2
717
00:37:16,569 –> 00:37:18,849
بنابراین پارامتر و نمودار باتلاقی را ایجاد می کند
718
00:37:18,849 –> 00:37:21,369
که حالت دیگری از
719
00:37:21,369 –> 00:37:23,650
نمودار پراکندگی است.
720
00:37:23,650 –> 00:37:26,920
721
00:37:26,920 –> 00:37:29,380
722
00:37:29,380 –> 00:37:33,130
723
00:37:33,130 –> 00:37:35,230
اگر آن را به صورت عمودی می بینید، همین الان آن را افقی کنید، اما اگر افقی
724
00:37:35,230 –> 00:37:36,030
می خواهید، می
725
00:37:36,030 –> 00:37:41,200
توانم این را کپی کنم و این
726
00:37:41,200 –> 00:37:43,079
ساده است این است
727
00:37:43,079 –> 00:37:46,769
که حالت کشتی، حالت کشتی را از اینجا
728
00:37:46,769 –> 00:37:49,920
به اینجا می برد، ما ممکن است
729
00:37:49,920 –> 00:37:51,930
زمانی که ما نمی دانیم به دنبال پارامتر یا چیزی
730
00:37:51,930 –> 00:37:54,690
بگردیم. و این اساساً
731
00:37:54,690 –> 00:37:59,640
زمان زیادی را میگیرد، اما ایده این است که در
732
00:37:59,640 –> 00:38:02,880
محور x سلولها و در محور
733
00:38:02,880 –> 00:38:05,849
y حالت ارسال میشوند و این و نمودار
734
00:38:05,849 –> 00:38:08,819
بهطور خودکار از
735
00:38:08,819 –> 00:38:13,319
حالت عمودی به افقی تغییر میکند،
736
00:38:13,319 –> 00:38:17,180
بنابراین شما چگونه میشوید. می تواند نمودار پراکندگی طبقه بندی شده
737
00:38:17,180 –> 00:38:20,309
و سپس نمودار باتلاقی را ایجاد کند
738
00:38:20,309 –> 00:38:22,799
که در مورد داده های پرس و جو که
739
00:38:22,799 –> 00:38:25,709
در اینجا بحث کردیم بحث می کنیم تا نمودار
740
00:38:25,709 –> 00:38:28,259
خود را بسازیم و تجزیه و تحلیل خود را به عمقی که
741
00:38:28,259 –> 00:38:30,839
می خواهیم انجام دهیم سلام به ویدیوی بعدی خوش آمدید
742
00:38:30,839 –> 00:38:33,539
و در این ویدیو ما من قصد دارم
743
00:38:33,539 –> 00:38:36,239
در مورد نمودار دیگر Python
744
00:38:36,239 –> 00:38:39,930
Seabourn مربوط به تجزیه و تحلیل داده ها صحبت
745
00:38:39,930 –> 00:38:42,869
کنم، بنابراین قبل از شروع فقط می خواستم بپرسم
746
00:38:42,869 –> 00:38:45,869
که آیا آموزش دیگری در
747
00:38:45,869 –> 00:38:47,819
رابطه با Seabourn وجود دارد که
748
00:38:47,819 –> 00:38:50,069
دوست دارید ببینید یا نموداری که می خواهید ببینید.
749
00:38:50,069 –> 00:38:51,660
دوست دارم ببینم احتمالاً کدام را
750
00:38:51,660 –> 00:38:54,900
تا کنون پوشش نداده ام، اما من برنامه ای برای
751
00:38:54,900 –> 00:38:57,749
نشان دادن نمودار رابطه و همه چیز دارم، اما اگر
752
00:38:57,749 –> 00:39:00,299
چیز خاصی در ذهن
753
00:39:00,299 –> 00:39:02,249
دارید و فکر می کنید برای دیگران نیز مفید است،
754
00:39:02,249 –> 00:39:04,469
در نظرات به من اطلاع دهید و من
755
00:39:04,469 –> 00:39:06,900
سعی خواهد کرد یک آموزش ویدیویی
756
00:39:06,900 –> 00:39:09,719
برای آن درست ایجاد کند، بنابراین نموداری که
757
00:39:09,719 –> 00:39:12,449
امروز میخواهم به شما نشان دهم
758
00:39:12,449 –> 00:39:15,930
اساساً در دسته نمودارهای
759
00:39:15,930 –> 00:39:19,640
طبقهبندی قرار میگیرد و این اساساً
760
00:39:19,640 –> 00:39:22,920
توزیع کلی دادهها را به همراه
761
00:39:22,920 –> 00:39:25,799
مقادیر پرت نشان میدهد، بنابراین احتمالاً تا
762
00:39:25,799 –> 00:39:29,190
به حال نمودار را پیشبینی کردهاید. اگر نه، من در
763
00:39:29,190 –> 00:39:32,640
مورد نمودار نمودار جعبه صحبت می کنم، بنابراین نمودار نمودار جعبه
764
00:39:32,640 –> 00:39:36,329
به شما کمک می کند تا درک کنید که چگونه داده های شما
765
00:39:36,329 –> 00:39:38,989
در راهروهای سرد توزیع می شود و
766
00:39:38,989 –> 00:39:42,269
میانه چیست و نقاط دورتر چیست،
767
00:39:42,269 –> 00:39:46,319
بنابراین می توانید واقعاً بدانید که
768
00:39:46,319 –> 00:39:49,469
از مزیت تجسم استفاده کنید.
769
00:39:49,469 –> 00:39:52,440
تشخیص سریع اینکه آیا این مطابق
770
00:39:52,440 –> 00:39:54,089
انتظارات شماست یا خیر و
771
00:39:54,089 –> 00:39:55,619
تجسم واقعاً به ما کمک می کند تا
772
00:39:55,619 –> 00:39:56,490
بفهمیم
773
00:39:56,490 –> 00:39:59,490
واقعاً چه چیزی با داده ها
774
00:39:59,490 –> 00:40:02,730
در مقایسه با فرض ما پیش می رود، بنابراین بیایید ببینیم
775
00:40:02,730 –> 00:40:05,550
چگونه میتوانیم آن را به خوبی ایجاد کنیم، من قبلاً
776
00:40:05,550 –> 00:40:07,619
این کتابخانه Yvonne و
777
00:40:07,619 –> 00:40:10,320
دادهها را وارد کردهام، بنابراین اگر همان
778
00:40:10,320 –> 00:40:12,780
مجموعه دادهای را که استفاده میکردم به
779
00:40:12,780 –> 00:40:14,820
شما نشان دهم، بنابراین کاری که انجام میدهم این است که فقط آن را حذف
780
00:40:14,820 –> 00:40:18,270
میکنم و دو بار T را فشار میدهم که یک میانبر است
781
00:40:18,270 –> 00:40:21,150
باز هم به شما می گویم با این حال
782
00:40:21,150 –> 00:40:23,310
من یک ویدیوی جداگانه برای آن
783
00:40:23,310 –> 00:40:26,910
میانبرها ایجاد کرده ام اما اگر از این میانبر بیرون آمدید
784
00:40:26,910 –> 00:40:31,800
و با فشردن escape و وارد کردن
785
00:40:31,800 –> 00:40:36,660
D 2 بار D دهلی است بنابراین اگر
786
00:40:36,660 –> 00:40:39,720
ردیف را فشار دهید 2 بار D حذف می شود.
787
00:40:39,720 –> 00:40:43,920
بنابراین SNS اساساً نام مستعار
788
00:40:43,920 –> 00:40:46,470
کتابخانه Seabourn است که من وارد کردم و
789
00:40:46,470 –> 00:40:51,150
گربه فکر کرد در اینجا ما در
790
00:40:51,150 –> 00:40:53,970
محور x دسته بندی ها را مشخص می کنیم، فرض کنید
791
00:40:53,970 –> 00:40:58,080
دسته محصول را می خواهیم و در محور y
792
00:40:58,080 –> 00:41:00,420
فرض کنید این بار متغیر متفاوتی را انتخاب
793
00:41:00,420 –> 00:41:02,880
کنیم. ما میخواهیم
794
00:41:02,880 –> 00:41:05,849
هزینه حمل و نقل مربوط به
795
00:41:05,849 –> 00:41:09,980
هر دسته را بفهمیم که دادههای هر دسته برابر با فروش و
796
00:41:09,980 –> 00:41:14,670
نوع برابر با جعبه است، بیایید این کار را انجام
797
00:41:14,670 –> 00:41:18,359
دهیم و در اینجا نموداری است که به وضوح
798
00:41:18,359 –> 00:41:20,339
توزیع سه
799
00:41:20,339 –> 00:41:22,890
دسته مختلف برای هزینههای حمل و نقل
800
00:41:22,890 –> 00:41:24,930
را به شما نشان میدهد. محور y شما هزینه حمل و نقل
801
00:41:24,930 –> 00:41:28,770
در محور x شما دسته بندی دارید، بنابراین
802
00:41:28,770 –> 00:41:30,960
لوازم اداری و آن فناوری
803
00:41:30,960 –> 00:41:35,970
نشان می دهد که هزینه متوسط آنها برای هر هز
804
00:41:35,970 –> 00:41:38,730
نه حمل و نقل بسیار پایین است که این خط
805
00:41:38,730 –> 00:41:41,220
سط اینجا و ای
806
00:41:41,220 –> 00:41:43,830
در مقایسه با این یکی اس
807
00:41:43,830 –> 00:41:46,170
. کالای مبلمان احتمالاً به این دلیل است که
808
00:41:46,170 –> 00:41:48,900
مبل از نظر ماهیت بسیار حجیم است
809
00:41:48,900 –> 00:41:51,270
و به همین دلیل هزینه بیشتری را می طلبد
810
00:41:51,270 –> 00:41:54,000
و چیز دیگری که می بینید در
811
00:41:54,000 –> 00:41:55,920
مورد لوازم اداری
812
00:41:55,920 –> 00:41:58,589
در مقایسه با دو دسته دیگر موارد پرت بیشتری دارید،
813
00:41:58,589 –> 00:42:01,580
بنابراین یک مشاهده سریع است
814
00:42:01,580 –> 00:42:05,030
که می توانید مربوط به این
815
00:42:05,030 –> 00:42:08,520
مربوط به این نمودار نمودار نمودار است،
816
00:42:08,520 –> 00:42:10,360
اما نه تنها این
817
00:42:10,360 –> 00:42:12,910
را نشان می دهد، بلکه اطلاعات دیگری را در مورد سبیل بالایی نشان می دهد،
818
00:42:12,910 –> 00:42:15,850
سبیل پایینی را نشان می دهد که
819
00:42:15,850 –> 00:42:19,540
25% اول چه مقدار تا
820
00:42:19,540 –> 00:42:24,850
پنجم 0 تا 50% و مواردی از این قبیل است.
821
00:42:24,850 –> 00:42:27,910
اگر از توزیع
822
00:42:27,910 –> 00:42:32,380
کامل جعبه یا نمودار مطلع هستید اما سفر
823
00:42:32,380 –> 00:42:35,290
در اینجا متوقف نمی شود، بنابراین در حال حاضر
824
00:42:35,290 –> 00:42:38,080
به هزینه حمل و نقل نگاه می کنیم، اما
825
00:42:38,080 –> 00:42:39,580
فرض کنید می خواهیم هزینه حمل و نقل را درک کنیم.
826
00:42:39,580 –> 00:42:42,040
از حمل و نقل آینده نگرتر است،
827
00:42:42,040 –> 00:42:46,330
بنابراین کاری که می توانید انجام دهید این است که این را کپی کنید این
828
00:42:46,330 –> 00:42:49,030
مربوط به حفاری در داده ها است و
829
00:42:49,030 –> 00:42:52,240
پیتر بهتر می فهمد که واقعاً چه اتفاقی می
830
00:42:52,240 –> 00:42:55,240
افتد هنگامی که آن را بیشتر می کنید،
831
00:42:55,240 –> 00:42:57,700
این همان چیزی است که شما می گویید کباب کردن داده ها، بنابراین
832
00:42:57,700 –> 00:43:00,160
آنچه را که من اضافه می کنم در اینجا پارامتر رنگ است
833
00:43:00,160 –> 00:43:02,260
و شما در یک ثانیه خواهید دید که
834
00:43:02,260 –> 00:43:07,120
چه کاری انجام می دهد، بنابراین حالت ارسال اگر
835
00:43:07,120 –> 00:43:09,760
من اهل آن نیستم، باید بنویسیم بله،
836
00:43:09,760 –> 00:43:12,970
بنابراین حالت کشتی اساساً
837
00:43:12,970 –> 00:43:16,630
کامیون حمل هوایی معمولی است و اکسپرس اینجا و
838
00:43:16,630 –> 00:43:19,840
برای هر سه مورد دسته بندی سه
839
00:43:19,840 –> 00:43:22,870
نمودار مختلف یکی برای
840
00:43:22,870 –> 00:43:25,900
عادی اینجا و سپس برای اکسپرس در اینجا تولید می شود و
841
00:43:25,900 –> 00:43:29,620
این کامیون تحویل است به وضوح به
842
00:43:29,620 –> 00:43:32,700
شما نشان می دهم که کامیون تحویل این است
843
00:43:32,700 –> 00:43:34,750
که می دانید اگر با کامیون حمل و نقل
844
00:43:34,750 –> 00:43:36,820
ارسال می کنید، هزینه واقعاً بالا است،
845
00:43:36,820 –> 00:43:39,520
بنابراین اگر مشاهده کردید مشاهده بسیار خوب
846
00:43:39,520 –> 00:43:41,740
در مقایسه با این
847
00:43:41,740 –> 00:43:44,800
یکی، سطح بسیار بالایی است که در آن ما تشخیص دادیم
848
00:43:44,800 –> 00:43:46,840
که برای طبیعت هزینه متوسط
849
00:43:46,840 –> 00:43:49,540
مان واقعاً بالا است، اما ما پس از آن، اما وق
850
00:43:49,540 –> 00:43:51,610
ی از حالت حمل و نقل به آی
851
00:43:51,610 –> 00:43:54,280
ده نگاه می کنیم، ما به وضوح ببینید که برای
852
00:43:54,280 –> 00:43:56,980
عرضه اداری هزینه حتی
853
00:43:56,980 –> 00:44:00,370
از مبلمان بالاتر می رود، بنابراین ممکن است
854
00:44:00,370 –> 00:44:02,920
ببینید یا بخواهید بررسی کنید که
855
00:44:02,920 –> 00:44:04,390
چه اتفاقی می افتد همه این
856
00:44:04,390 –> 00:44:07,810
محصولات چیست که می دانید حتی
857
00:44:07,810 –> 00:44:11,410
فراتر از مبلمان که به
858
00:44:11,410 –> 00:44:14,850
طور کلی است. اکنون پس از آن بالاترین رده محصول هزینه حمل و نقل
859
00:44:14,850 –> 00:44:18,970
860
00:44:18,970 –> 00:44:21,820
شما، فرض کنید شما نیازی دارید که
861
00:44:21,820 –> 00:44:24,160
862
00:44:24,160 –> 00:44:27,970
مدیریت شما به دیدن این نمودار
863
00:44:27,970 –> 00:44:30,040
خاص یا این دسته بندی های
864
00:44:30,040 –> 00:44:33,340
خاص با یک ترتیب خاص
865
00:44:33,340 –> 00:44:36,010
عادت کرده است، بنابراین برای مثال آنها می خواهند دسته ها را ببینند، بیایید
866
00:44:36,010 –> 00:44:38,230
بگوییم آنچه را که نشان داده ایم. در اینجا
867
00:44:38,230 –> 00:44:41,080
کامیون تحویل هوای معمولی و هوای اکسپرس
868
00:44:41,080 –> 00:44:44,280
به روشی است که کامیون تحویل آنها اولین بار
869
00:44:44,280 –> 00:44:48,070
هوای معمولی دوم است و هوای اکسپرس
870
00:44:48,070 –> 00:44:51,609
سوم است، بنابراین در این صورت کاری که میتوانیم انجام دهیم این است که
871
00:44:51,609 –> 00:44:54,490
این را کپی کنیم، بنابراین این یک
872
00:44:54,490 –> 00:44:56,290
قالب بندی است که همچنین مهم است.
873
00:44:56,290 –> 00:45:00,640
قسمت و برای این هیو من یک کاما اضافه می کنم
874
00:45:00,640 –> 00:45:02,980
اما واقعاً مهم نیست می
875
00:45:02,980 –> 00:45:05,680
توانم آن را در انتها نیز اضافه کنم اما از آنجایی
876
00:45:05,680 –> 00:45:08,470
که مربوط به هیو است به همین دلیل
877
00:45:08,470 –> 00:45:12,490
پارامتر را روی h اضافه می کنم. پیش از این،
878
00:45:12,490 –> 00:45:16,020
ما لیستی را به شما منتقل می کنیم که اول
879
00:45:16,020 –> 00:45:21,580
کامیون تحویل است و دوم اینجا معمولی
880
00:45:21,580 –> 00:45:26,950
است و بعد سوم اکسپرس اینجاست، اکنون
881
00:45:26,950 –> 00:45:31,210
باید خوب باشد، بنابراین بله همانطور که می
882
00:45:31,210 –> 00:45:33,609
بینید نمودار را بر
883
00:45:33,609 –> 00:45:36,670
اساس درخواستی که آن تحویل دریافت کرده اید قالب بندی کرده اید. کامیون
884
00:45:36,670 –> 00:45:39,280
باید ابتدا بیاید و سپس کامیون معمولی اینجا
885
00:45:39,280 –> 00:45:43,930
و سپس Express اینجا در حال حاضر
886
00:45:43,930 –> 00:45:47,080
پس از این، فرض کنید شما یک نیاز دیگر دریافت می کنید،
887
00:45:47,080 –> 00:45:49,750
بنابراین آنچه به شما گفته اند که
888
00:45:49,750 –> 00:45:52,690
این نمودار خوب به نظر می رسد اما آنها می خواهند
889
00:45:52,690 –> 00:45:55,560
همه این سه دسته را به
890
00:45:55,560 –> 00:45:58,330
طور مستقل از دیدگاه ارائه ارزیابی
891
00:45:58,330 –> 00:46:01,720
کنند. شما می توانید این کار را انجام دهید این است که
892
00:46:01,720 –> 00:46:04,240
می توانید به اینجا بیایید یا شاید نه این یکی،
893
00:46:04,240 –> 00:46:09,430
بلکه این یکی، زیرا من در آن مورد سفارش نمی خواهم،
894
00:46:09,430 –> 00:46:15,310
بنابراین در اینجا، بنابراین
895
00:46:15,310 –> 00:46:18,550
نموداری مانند این ایجاد می کند که برای
896
00:46:18,550 –> 00:46:21,550
این سه دسته محصول
897
00:46:21,550 –> 00:46:23,350
این سه حالت حمل و نقل هستند. بنابراین اجازه دهید من اجرا کنم
898
00:46:23,350 –> 00:46:26,950
و به شما نشان دهم همان پیاده سازی است
899
00:46:26,950 –> 00:46:29,619
که قبلا انجام دادیم، اکنون ما یک
900
00:46:29,619 –> 00:46:31,300
نمودار جداگانه برای
901
00:46:31,300 –> 00:46:34,480
کامیون تحویل هوای معمولی و هوای اکسپرس می خواهیم، بنابراین در ای
902
00:46:34,480 –> 00:46:37,660
صورت چیزی که می توانم اضافه کنم ردیف به
903
00:46:37,660 –> 00:46:42,299
ای رنگ است. که برای هر ردیف ما به
904
00:46:42,299 –> 00:46:45,400
یک نمودار نیاز داریم و در آن صورت سه نمودار وجود خواهد داشت،
905
00:46:45,400 –> 00:46:47,619
بنابراین اگر من فقط این را اجرا کنم
906
00:46:47,619 –> 00:46:50,670
همانطور که می بینید حالت حمل و نقل در اینجا منظم
907
00:46:50,670 –> 00:46:54,339
است، سپس حالت کشتی کامیون تحویل است،
908
00:46:54,339 –> 00:46:59,609
سپس حالت کشتی در اینجا Express است،
909
00:46:59,609 –> 00:47:03,190
بنابراین به این ترتیب شما می توانید نموداری
910
00:47:03,190 –> 00:47:08,230
مانند این ایجاد کنید و فرض کنید اگر آنها
911
00:47:08,230 –> 00:47:10,539
تخلیه تخلیه را ارائه کردند، می گویید که نه
912
00:47:10,539 –> 00:47:13,390
احتمالاً به آن نیاز داریم، یک ردیف را می شناسید،
913
00:47:13,390 –> 00:47:15,940
یعنی بعد از این نمودار،
914
00:47:15,940 –> 00:47:18,509
نموداری در اینجا در اینجا دارید تا
915
00:47:18,509 –> 00:47:20,769
نیازها مدام تغییر کند و آنچه می
916
00:47:20,769 –> 00:47:23,079
توانید take یکی از مزیت های پارامتر ستون
917
00:47:23,079 –> 00:47:25,720
Co L است که قبلاً می دانید ما
918
00:47:25,720 –> 00:47:28,990
از ردیف استفاده می کردیم اما اکنون از فراخوانی استفاده خواهیم کرد
919
00:47:28,990 –> 00:47:31,240
که چیزی نیست جز ستونی
920
00:47:31,240 –> 00:47:33,940
که می گوید همه نمودارها را در
921
00:47:33,940 –> 00:47:36,789
یک ستون قرار می دهد، بنابراین اگر همه اینها را اجرا کنم
922
00:47:36,789 –> 00:47:40,029
سه نمودار در یک
923
00:47:40,029 –> 00:47:42,279
ستون واحد و آنها همان کسانی را که
924
00:47:42,279 –> 00:47:46,480
من از این طریق به آنها دسترسی