در این مطلب، ویدئو تجسم پایتون در SSRS 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: 00:26:12
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,190
سلام دوستان نام من قابل بوت است پائولو
2
00:00:02,190 –> 00:00:04,080
و من هفت سال گذشته به عنوان مشاور کارآموز در زمینه کسب و کار در
3
00:00:04,080 –> 00:00:07,109
ارتباط
4
00:00:07,109 –> 00:00:09,420
با مایکروسافت
5
00:00:09,420 –> 00:00:13,440
6
00:00:13,440 –> 00:00:16,410
7
00:00:16,410 –> 00:00:18,480
کار می کنم. در مورد SSR a seat
8
00:00:18,480 –> 00:00:22,199
fighter در اولین ویدیوی خود من در مورد
9
00:00:22,199 –> 00:00:24,810
نحوه کارکردن با روشن کردن SQL Server
10
00:00:24,810 –> 00:00:28,590
و نحوه اتصال با SSRS صحبت
11
00:00:28,590 –> 00:00:30,269
کردم حتی اگر اطلاعات قبلی در مورد آن ندارید
12
00:00:30,269 –> 00:00:33,059
لطفاً آن ویدیو را در آنجا تماشا کنید تا می
13
00:00:33,059 –> 00:00:36,360
توانید ایده ای در مورد معماری و معماری بدست آورید.
14
00:00:36,360 –> 00:00:40,649
مراحل پیکربندی Python در SQL Server بسیار خوب
15
00:00:40,649 –> 00:00:42,570
اجازه دهید در مورد موضوع جدید خود صحبت کنیم.
16
00:00:42,570 –> 00:00:46,140
17
00:00:46,140 –> 00:00:48,329
18
00:00:48,329 –> 00:00:50,910
19
00:00:50,910 –> 00:00:54,210
20
00:00:54,210 –> 00:00:58,680
21
00:00:58,680 –> 00:01:01,199
دو به سه مرحله
22
00:01:01,199 –> 00:01:03,780
اول این است که ما به این سناریو نیاز داریم در
23
00:01:03,780 –> 00:01:06,990
اینجا می خواهم از اطلاعات قلعه
24
00:01:06,990 –> 00:01:09,780
برای مقایسه قیمت خودروهای ثبت نشده و ثبت شده
25
00:01:09,780 –> 00:01:12,030
استفاده کنم و در sl بعدی در مورد آن به طور مفصل صحبت خواهم کرد.
26
00:01:12,030 –> 00:01:15,180
ides دوم
27
00:01:15,180 –> 00:01:18,210
توسعه Python در SQL Server برای
28
00:01:18,210 –> 00:01:21,030
تجسم است سوم اینکه چگونه این
29
00:01:21,030 –> 00:01:24,470
تصویر به تصمیم گیری کمک می کند
30
00:01:24,470 –> 00:01:27,869
خوب بیایید روی کتابخانه matplotlib تمرکز کنیم
31
00:01:27,869 –> 00:01:30,390
اگر تازه وارد پایتون هستید باید کمی
32
00:01:30,390 –> 00:01:32,729
در مورد کتابخانه تجسم پایتون بدانید
33
00:01:32,729 –> 00:01:35,250
این یک رسم سه بعدی است. زنده در پایتون
34
00:01:35,250 –> 00:01:37,470
که می توانیم از آن برای تولید
35
00:01:37,470 –> 00:01:40,890
تصاویر قابل درک تر در مقایسه با SSRI ها استفاده کنیم
36
00:01:40,890 –> 00:01:44,159
matplotlib یک کتابخانه تجسم داده چند پلتفرمی
37
00:01:44,159 –> 00:01:46,290
است که بر اساس نژاد خون آشام ساخته
38
00:01:46,290 –> 00:01:49,470
شده است و دارای یک ماژول به نام PI plot است که
39
00:01:49,470 –> 00:01:52,590
با ارائه ویژگی هایی برای فونت خط کنترل Styles کارها را برای پروتئین آسان می کند.
40
00:01:52,590 –> 00:01:55,170
41
00:01:55,170 –> 00:01:58,680
ویژگی های قالب بندی دسترسی
42
00:01:58,680 –> 00:02:02,850
و غیره از طیف بسیار گسترده ای از نمودارها و نمودارها پشتیبانی می کند،
43
00:02:02,850 –> 00:02:06,630
یعنی نمودارهای میله ای هیستوگرام
44
00:02:06,630 –> 00:02:08,940
نمودارهای طیف قدرت نمودار خطا و
45
00:02:08,940 –> 00:02:11,879
غیره، اگر می دانید که می خواهید در
46
00:02:11,879 –> 00:02:13,380
47
00:02:13,380 –> 00:02:15,750
این مورد بدانید، وب سایتی به نام mad Pro clip
48
00:02:15,750 –> 00:02:18,330
وجود دارد که در آنجا می توانید تصاویر بیشتری را پیدا کنید که
49
00:02:18,330 –> 00:02:21,770
می توانیم از آنها استفاده کنیم. تجسم داده ها
50
00:02:21,770 –> 00:02:25,560
خوب است، اجازه دهید نسخه ی نمایشی بیشتری
51
00:02:25,560 –> 00:02:27,720
52
00:02:27,720 –> 00:02:30,150
را در اینجا ارائه دهیم.
53
00:02:30,150 –> 00:02:32,610
خودروهای اورتینگ از ژاپن سوزوکی است /
54
00:02:32,610 –> 00:02:35,430
هوندا برندهای بسیار محبوبی در
55
00:02:35,430 –> 00:02:38,550
سریلانکا هستند زیرا خودروهای دست دوم
56
00:02:38,550 –> 00:02:41,370
نیز قیمت خوبی در بازار سریلانکا دارند
57
00:02:41,370 –> 00:02:44,490
اگر مدل دیگری را به عنوان مثال در نظر بگیریم
58
00:02:44,490 –> 00:02:46,620
جاده یک مارک بسیار محبوب در سریلانکا است.
59
00:02:46,620 –> 00:02:49,500
بسیار معروف است
60
00:02:49,500 –> 00:02:52,290
معمولاً قیمت آن ثبت نشده است
61
00:02:52,290 –> 00:02:55,290
یعنی قیمت وارداتی آن بین 60 تا 70
62
00:02:55,290 –> 00:02:56,510
میلیون LKR است
63
00:02:56,510 –> 00:03:00,600
دلیل این امر این است که این باند xeo دارای کلاس های کمی است که
64
00:03:00,600 –> 00:03:03,870
گرید G را دفع می کند حتی هیبریدی و
65
00:03:03,870 –> 00:03:07,560
غیر هیبریدی را نیز به عنوان یک امتیاز در
66
00:03:07,560 –> 00:03:10,200
بازار سریلانکا در نظر می گیرند. یک استراتژی برای
67
00:03:10,200 –> 00:03:13,290
ارتقاء کلاس پایین منجر به
68
00:03:13,290 –> 00:03:15,200
انقضا شد و برخی از ویژگی های جدید مانند
69
00:03:15,200 –> 00:03:19,550
اسپویلر چراغ مه شکن و غیره را اضافه کرد و می تواند
70
00:03:19,550 –> 00:03:24,030
با قیمت مناسب در بازار بفروشد اما
71
00:03:24,030 –> 00:03:26,940
برای همه ماشین ها کار نمی کند همه ماشین های ژاپنی به
72
00:03:26,940 –> 00:03:29,580
دلیل محبوبیت تعمیر و نگهداری
73
00:03:29,580 –> 00:03:33,810
و قیمت و غیره. اکنون مشکل این است که
74
00:03:33,810 –> 00:03:36,210
بفهمیم کدام برند یا کدام
75
00:03:36,210 –> 00:03:38,820
مدل خودرو را میتوان به درجه بعدی ارتقا داد
76
00:03:38,820 –> 00:03:44,250
و سود بیشتری برای این کار به دست آورد، باید
77
00:03:44,250 –> 00:03:47,520
ببینیم قیمتهای خودروهای ثبتنشده
78
00:03:47,520 –> 00:03:50,520
ثبتنشده در برابر زمان چگونه رفتار میکنند.
79
00:03:50,520 –> 00:03:54,410
درجه بندی می کند و ما باید تراکنش گذشته را زیر نظر داشته باشیم
80
00:03:54,410 –> 00:03:58,140
یا این یعنی قیمت های فروش سریع خودرو
81
00:03:58,140 –> 00:04:00,540
در مقابل زمان، سپس می توانیم
82
00:04:00,540 –> 00:04:04,830
بر اساس آن تصمیم بگیریم که کدام مدل خودرو را می توان
83
00:04:04,830 –> 00:04:09,990
به درجه بعدی ارتقا داد و همانطور که گفتم
84
00:04:09,990 –> 00:04:12,770
سود بیشتری کسب کنیم
85
00:04:13,420 –> 00:04:15,550
تا تصمیم بگیریم که کدام مدل را
86
00:04:15,550 –> 00:04:18,040
ارتقا دهیم. نیاز به تجزیه و تحلیل
87
00:04:18,040 –> 00:04:21,399
اطلاعات گذشته برای اینکه ما به گزارشگر فروش نیاز داریم
88
00:04:21,399 –> 00:04:24,070
در اینجا می توانید یک
89
00:04:24,070 –> 00:04:27,040
گزارش SSRS را مشاهده کنید که من برای این منظور
90
00:04:27,040 –> 00:04:30,340
تهیه کرده
91
00:04:30,340 –> 00:04:32,169
92
00:04:32,169 –> 00:04:35,200
ام.
93
00:04:35,200 –> 00:04:39,820
تویوتا و مدل به عنوان بیایید
94
00:04:39,820 –> 00:04:42,750
محصولات را انتخاب کنیم مدل غیر هیبریدی شما
95
00:04:42,750 –> 00:04:47,979
خوب بیایید گزارش را تولید کنیم اکنون می
96
00:04:47,979 –> 00:04:51,430
توانید مرد و مدل و
97
00:04:51,430 –> 00:04:54,520
نمرات عالی را ببینید می توانید Excel G و Lux را
98
00:04:54,520 –> 00:04:58,210
اینجا ببینید اکنون اینجا می توانید
99
00:04:58,210 –> 00:05:00,910
قیمت ثبت نشده قیمت ثبت شده تعداد خودروها را مشاهده
100
00:05:00,910 –> 00:05:04,720
کنید ارزش اکنون از
101
00:05:04,720 –> 00:05:08,260
سال 2012 تا 2020 در دسترس است و کل در اینجا می
102
00:05:08,260 –> 00:05:11,110
توانید رقم کل را ببینید و همچنین بیایید
103
00:05:11,110 –> 00:05:13,840
مارک دیگری را انتخاب کنیم، اوه من می بینم که بنابراین
104
00:05:13,840 –> 00:05:18,250
سوکی، سپس واگن R، بیایید آن
105
00:05:18,250 –> 00:05:21,220
یکی را نیز بررسی کنیم. این می تواند همان ارقام را
106
00:05:21,220 –> 00:05:23,610
در اینجا بگوید، شما می توانید چهار درجه
107
00:05:23,610 –> 00:05:28,780
و مقادیر را اینجا ببینید، اما با نگاه کردن به این گزارش،
108
00:05:28,780 –> 00:05:31,450
نمی توانیم تصمیم بگیریم که آیا می توانیم
109
00:05:31,450 –> 00:05:33,580
این مدل را ارتقا دهیم یا به ما اهمیت
110
00:05:33,580 –> 00:05:35,800
می دهیم.
111
00:05:35,800 –> 00:05:37,690
اگر میخواهید
112
00:05:37,690 –> 00:05:40,410
این نرخ ثابت را به یک بازدید ارتقا دهید،
113
00:05:40,410 –> 00:05:43,570
آیا کار میکند یا نه، ما نمیتوانیم
114
00:05:43,570 –> 00:05:46,930
بر اساس این اطلاعات تصمیم بگیریم که چرا
115
00:05:46,930 –> 00:05:49,360
دلیل آن است یا پاسخ این است که
116
00:05:49,360 –> 00:05:51,160
به وضوح در رفتار قیمت تجسم نشده است،
117
00:05:51,160 –> 00:05:54,580
ما نمیتوانیم درباره سرمایهگذاری خود در ارتقا تصمیم بگیریم.
118
00:05:54,580 –> 00:05:58,750
تاثیر خواهد داشت یا اگر
119
00:05:58,750 –> 00:06:02,680
نتوانیم سود بیشتری از آن به دست آوریم درست انجام
120
00:06:02,680 –> 00:06:05,890
دهیم، باید داده ها را تجسم کنیم تا این کار را انجام
121
00:06:05,890 –> 00:06:09,580
دهیم، به کتابخانه matplotlib Python نیاز داریم،
122
00:06:09,580 –> 00:06:14,350
خوب، بیایید ببینیم چگونه این کار را انجام دهیم همانطور که گفتم تا
123
00:06:14,350 –> 00:06:17,169
تصمیم بگیریم که کدام مدل را ارتقا دهیم. برای
124
00:06:17,169 –> 00:06:19,600
تجزیه و تحلیل اطلاعات گذشته برای آن ما
125
00:06:19,600 –> 00:06:22,390
به گزارشهایی در اینجا نیاز داریم، میتوانید ببینید که یک
126
00:06:22,390 –> 00:06:24,909
گزارش خدماتی است که من برای این
127
00:06:24,909 –> 00:06:26,630
منظور توسعه میدهم، این یک گزارش فروش است
128
00:06:26,630 –> 00:06:29,030
و در اینجا میتوانید دو
129
00:06:29,030 –> 00:06:31,790
پارامتر مارک و مدل را ببینید بله، من
130
00:06:31,790 –> 00:06:35,210
میخواهم Pan s Toyota و آن را انتخاب کنم.
131
00:06:35,210 –> 00:06:38,980
مدل را به عنوان دو حمله انتخاب کنید هیبریدی
132
00:06:38,980 –> 00:06:43,220
آن است بیایید گزارش را اینجا تولید کنیم
133
00:06:43,220 –> 00:06:46,130
می توانید مدل باند را ببینید و نمرات را
134
00:06:46,130 –> 00:06:48,710
در اینجا می توانید ببینید سه درجه X درجه G
135
00:06:48,710 –> 00:06:50,900
و تا درجه X B و همچنین
136
00:06:50,900 –> 00:06:52,700
قیمت ثبت نشده قیمت ثبت شده
137
00:06:52,700 –> 00:06:56,780
تعداد خودروها همه معتبر هستند. داده های موجود
138
00:06:56,780 –> 00:07:01,570
از مقادیر موجود از 2012 تا
139
00:07:01,930 –> 00:07:04,930
2014
140
00:07:08,210 –> 00:07:13,040
سوزوکی و مدل به همین دلیل است که یک گانار را دریافت کنید
141
00:07:13,040 –> 00:07:17,510
گزارش ok شما می توانید اینجا ببینید
142
00:07:17,510 –> 00:07:19,910
می توانید چهار درجه x xf را ببینید.
143
00:07:19,910 –> 00:07:23,750
144
00:07:23,750 –> 00:07:26,750
ارتقاء یک
145
00:07:26,750 –> 00:07:30,710
مدل ثابت به F یعنی چگونه می دانیم که
146
00:07:30,710 –> 00:07:34,930
سرمایه گذاری ما درست
147
00:07:34,930 –> 00:07:37,610
148
00:07:37,610 –> 00:07:40,040
149
00:07:40,040 –> 00:07:41,960
150
00:07:41,960 –> 00:07:45,100
می شود یا نه.
151
00:07:45,100 –> 00:07:48,500
دلیل این است یا پاسخ این است که
152
00:07:48,500 –> 00:07:50,000
به وضوح در رفتارهای قیمت تجسم نشده
153
00:07:50,000 –> 00:07:53,960
است درست است ما نمی توانیم تصمیم بگیریم
154
00:07:53,960 –> 00:07:56,750
با این مقادیر خوب به نظر برسیم آیا
155
00:07:56,750 –> 00:07:59,690
سرمایه گذاری را انجام می دهید یا درست نیست که این کار
156
00:07:59,690 –> 00:08:02,930
را انجام دهید تا تجسم را انجام دهید ما می توانیم از Pyth استفاده کنیم.
157
00:08:02,930 –> 00:08:07,100
در کتابخانه matplotlib خوب، بیایید ببینیم
158
00:08:07,100 –> 00:08:11,540
چگونه این کار را انجام دهیم، اکنون می
159
00:08:11,540 –> 00:08:15,380
خواهیم از python cording استفاده کنیم یا آن را انجام دهیم، زیرا من می
160
00:08:15,380 –> 00:08:17,540
خواهم از نوت بوک های
161
00:08:17,540 –> 00:08:21,890
162
00:08:21,890 –> 00:08:24,620
163
00:08:24,620 –> 00:08:27,860
jupiter استفاده کنم. یکی و
164
00:08:27,860 –> 00:08:30,830
ویدیوهای زیادی در یوتیوب موجود است که
165
00:08:30,830 –> 00:08:32,510
می توانید آنها را دنبال کنید و می توانید
166
00:08:32,510 –> 00:08:35,750
این یکی را به راحتی پیکربندی کنید.
167
00:08:35,750 –> 00:08:37,849
مزیت اصلی این است که می توانید دریافت کنید این است که
168
00:08:37,849 –> 00:08:40,340
این دفترچه یادداشتی است که می توانید قبلاً می توانید
169
00:08:40,340 –> 00:08:43,760
پایتون را به عنوان بخش ها نگه دارید در
170
00:08:43,760 –> 00:08:45,680
اینجا شما می توانید یک فروش را ببینید و می توانید
171
00:08:45,680 –> 00:08:49,460
فروش دیگری را مشاهده کنید دو بخش را می
172
00:08:49,460 –> 00:08:51,320
توانید قدرت های قدرت و کد خود را در اینجا انجام دهید و
173
00:08:51,320 –> 00:08:53,300
اجرا کنید و سپس می توانید به اینجا حرکت کنید یا
174
00:08:53,300 –> 00:08:56,630
می توانید همه چیز را همانطور که من می خواهم اجرا
175
00:08:56,630 –> 00:09:00,700
کنید خوب اجازه دهید به قسمت کدنویسی خود برگردیم.
176
00:09:00,700 –> 00:09:03,440
که ما باید
177
00:09:03,440 –> 00:09:05,750
کتابخانه ها را وارد کنیم کتابخانه های پایتون در اینجا من
178
00:09:05,750 –> 00:09:07,820
قصد دارم کتابخانه ها را وارد کنم اولی
179
00:09:07,820 –> 00:09:10,610
پانداها و دومی numpy است که
180
00:09:10,610 –> 00:09:13,100
ما از این کتابخانه ها برای دستکاری داده ها
181
00:09:13,100 –> 00:09:15,740
استفاده خواهیم کرد در اولین ویدیو من
182
00:09:15,740 –> 00:09:18,350
در مورد این دو کتابخانه صحبت کردم.
183
00:09:18,350 –> 00:09:23,060
یکی matplotlib نمودار PI است و
184
00:09:23,060 –> 00:09:25,760
یکی جدید است که می خواهیم برای
185
00:09:25,760 –> 00:09:29,000
تجسم داده های خود استفاده کنیم، سپس
186
00:09:29,000 –> 00:09:32,330
باید داده ها را در نوت بوک های Dupre دریافت
187
00:09:32,330 –> 00:09:34,610
کنیم، یعنی باید داده ها را به
188
00:09:34,610 –> 00:09:36,650
نوت بوک های p2 وارد کنیم. از
189
00:09:36,650 –> 00:09:39,560
دادههای نمونهای که برای گزارش فروش خود استفاده میکنیم درست استفاده کنید
190
00:09:39,560 –> 00:09:43,940
که در این گزارش میبینیم
191
00:09:43,940 –> 00:09:47,180
که دادههای نمونه در
192
00:09:47,180 –> 00:09:50,630
دسکتاپ من اکنون به عنوان یک فایل CSV موجود است، من میخواهم
193
00:09:50,630 –> 00:09:53,960
آن مجموعه دادهها را به نوتبوکهای معمولی وارد کنم که
194
00:09:53,960 –> 00:09:56,540
چگونه این کار را اکنون انجام دهیم. ما باید
195
00:09:56,540 –> 00:10:00,590
از روش خواندن CSV از پانداها استفاده مجدد کنیم،
196
00:10:00,590 –> 00:10:03,290
می توانید در اینجا نام pandas veeram را به صورت PD V
197
00:10:03,290 –> 00:10:06,830
نقطه بخوانید CSV اکنون فایل CSV موجود
198
00:10:06,830 –> 00:10:10,250
در دسکتاپ من است و در اینجا می توانید
199
00:10:10,250 –> 00:10:13,670
اولین ردیف های بالای سر را از این
200
00:10:13,670 –> 00:10:17,240
تابع ببینید.
201
00:10:17,240 –> 00:10:25,160
خوب، اکنون می
202
00:10:25,160 –> 00:10:26,660
توانید خروجی را در اینجا ببینید، می توانید نام تجاری را ببینید،
203
00:10:26,660 –> 00:10:30,410
سپس مدل نام عالی را در اینجا ثبت کنید،
204
00:10:30,410 –> 00:10:33,740
قیمت را ثبت کنید و قیمت ثبت نشده را ثبت کنید، بسیار
205
00:10:33,740 –> 00:10:39,980
خوب، اکنون باید
206
00:10:39,980 –> 00:10:43,250
تجسم را در قسمت بعدی منتقل کنیم، خوب اکنون
207
00:10:43,250 –> 00:10:46,129
ابتدا باید بخشی از دستکاری داده ها را
208
00:10:46,129 –> 00:10:48,290
در اینجا انجام دهیم. اکنون در اینجا
209
00:10:48,290 –> 00:10:52,310
میتوانید این اطلاعات را در سطح حرفهای ببینید، به این
210
00:10:52,310 –> 00:10:54,769
معنی که برخی از اطلاعات تراکنش بصری وجود دارد که
211
00:10:54,769 –> 00:10:56,899
ما برای تجمیع عملیات به آن نیاز
212
00:10:56,899 –> 00:11:00,139
داریم، ما
213
00:11:00,139 –> 00:11:02,240
عملیات مجموع دوگانه داریم و باید
214
00:11:02,240 –> 00:11:05,240
برای هر مدل برند و
215
00:11:05,240 –> 00:11:09,949
درجه یک سال به طور متوسط ارزش کسب کنیم تا این کار را انجام ده
216
00:11:09,949 –> 00:11:13,040
م. اکنون باید تجمیع را انجام دهیم، در اینجا میخواهیم
217
00:11:13,040 –> 00:11:16,670
از عملیات جمعآوری متوسط استفاده کن
218
00:11:16,670 –> 00:11:19,269
م تا این کار را انجام دهیم، من می
219
00:11:19,269 –> 00:11:23,959
خواهم دادههایی را از این مجموعه داده دادههای قیمت خودرو دریافت کن
220
00:11:23,959 –> 00:11:28,100
که دادهها را از CSV به ای
221
00:11:28,100 –> 00:11:29,810
مجموعه داده وارد میکنیم که مشخص شود این چا
222
00:11:29,810 –> 00:11:33,620
چوب داده است. و اکنون به اینجا می رویم و می
223
00:11:33,620 –> 00:11:35,540
خواهیم از این قاب داده استفاده کنیم و
224
00:11:35,540 –> 00:11:39,050
با استفاده از مدل برند عالی
225
00:11:39,050 –> 00:11:41,959
انجام شده، نام بزرگ را بر اساس آن گروه بندی می کنیم و می
226
00:11:41,959 –> 00:11:44,060
خواهیم میانگین یا
227
00:11:44,060 –> 00:11:46,639
مقدار میانگین را برای این قیمت ثبت نام تبدیل
228
00:11:46,639 –> 00:11:50,300
کنیم و سپس ما renamed میانگین
229
00:11:50,300 –> 00:11:53,540
قیمت ثبت نام و متوسط قیمت ثبت نشده است خو
230
00:11:53,540 –> 00:11:54,019
231
00:11:54,019 –> 00:11:58,490
اجازه دهید این قسمت را اجرا کنیم خوب اکنون می
232
00:11:58,490 –> 00:12:01,790
وانیم مدل مارک و میانگین قی
233
00:12:01,790 –> 00:12:04,550
ت ثبت شده و قیمت ثبت نشده را مشاهده کن
234
00:12:04,550 –> 00:12:08,139
م اکنون می توانیم تجسم خود را شروع کن
235
00:12:08,139 –> 00:12:12,139
م حالا ما یک مرحله را از دست می دهیم، در
236
00:12:12,139 –> 00:12:14,870
واقع سه مرحله اول که
237
00:12:14,870 –> 00:12:17,059
داده ها را به این قاب داده وارد می کنیم و سپس
238
00:12:17,059 –> 00:12:20,059
در مقدار آن را جمع می کنیم و باید به
239
00:12:20,059 –> 00:12:23,300
این دو فریم داده بپیوندیم زیرا
240
00:12:23,300 –> 00:12:25,819
باید از میانگین قیمت ثبت شده
241
00:12:25,819 –> 00:12:28,160
این و ثبت نشده استفاده کنیم. قیمتها و
242
00:12:28,160 –> 00:12:32,000
با این اطلاعات سطح ردیف چون
243
00:12:32,000 –> 00:12:35,329
باید قیمت ثبتشده را
244
00:12:35,329 –> 00:12:38,840
در تصویر خود رسم کنیم، میتوانیم تصمیم بگیریم که
245
00:12:38,840 –> 00:12:41,330
این میانگین قیمت آبجو چگونه باشد، زیرا
246
00:12:41,330 –> 00:12:42,650
اغلب Gatorها گاهی اوقات میانگین
247
00:12:42,650 –> 00:12:45,860
قیمت دقیق نیست، ما باید
248
00:12:45,860 –> 00:12:49,430
آن را نیز دنبال کنیم. که ما
249
00:12:49,430 –> 00:12:53,950
باید از تابع ادغام در کتابخانه پاندا استفاده کنیم،
250
00:12:53,950 –> 00:12:57,320
می توانید تابع ادغام نقطه PD را از
251
00:12:57,320 –> 00:13:01,070
این کتابخانه و ما به درستی و نحوه انجام
252
00: