در این مطلب، ویدئو علم داده برای مبتدیان با پایتون 3 – کپی، انتخاب، نمایه سازی داده ها از فریم های داده پاندا 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: 00:15:59
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,089 –> 00:00:02,399
سلام، در آخرین ویدیو،
2
00:00:02,399 –> 00:00:05,850
نحوه وارد کردن کتابخانه پانداها
3
00:00:05,850 –> 00:00:11,250
و وارد کردن مجموعه داده ها در
4
00:00:11,250 –> 00:00:14,969
قاب داده را دیده بودیم، بنابراین یک CSV داده ایجاد
5
00:00:14,969 –> 00:00:18,210
کرده بودیم و نحوه وارد کردن انواع
6
00:00:18,210 –> 00:00:22,080
مختلف مجموعه داده که CSV است را دیده بودیم و سپس انجام داده بودیم.
7
00:00:22,080 –> 00:00:24,990
با اکسل و سپس فایلهای متنی را انجام دادیم،
8
00:00:24,990 –> 00:00:29,039
بنابراین در این سری ویدیو
9
00:00:29,039 –> 00:00:31,710
به شما نشان میدهم که چگونه یک کپی
10
00:00:31,710 –> 00:00:34,170
از دادههای اصلی ایجاد کنید که یک قاب داده جدید ایجاد میکند
11
00:00:34,170 –> 00:00:37,770
و سپس
12
00:00:37,770 –> 00:00:40,260
ویژگیهای مختلف آن دادهها و
13
00:00:40,260 –> 00:00:42,420
نحوه تشخیص را به شما نشان میدهم. و سپس
14
00:00:42,420 –> 00:00:45,059
ما ایندکس کردن و انتخاب داده ها را از
15
00:00:45,059 –> 00:00:48,059
یک قاب داده انجام می دهیم، بنابراین برای این آموزش
16
00:00:48,059 –> 00:00:51,809
یک فایل CSV دیگر به شما می دهم، بنابراین این
17
00:00:51,809 –> 00:00:56,100
فایل CSV حاوی خواهد بود.
18
00:00:56,100 –> 00:00:59,100
19
00:00:59,100 –> 00:01:01,949
Toyota dot CSV نامیده می
20
00:01:01,949 –> 00:01:04,229
شود زیرا ما قیمت هر کیلومتر
21
00:01:04,229 –> 00:01:07,740
سوخت نوع HP و تمام وزن کم
22
00:01:07,740 –> 00:01:11,400
و غیره را داریم، بنابراین من این را نیز در مخزن github آپلود خواهم کرد
23
00:01:11,400 –> 00:01:13,200
تا بتوانید آن را به راحتی دریافت کنید،
24
00:01:13,200 –> 00:01:19,970
بنابراین کاری که ما انجام خواهیم داد این است که اکنون این کار را انجام دهیم.
25
00:01:19,970 –> 00:01:35,479
ما نیازی به tr نداریم خوردن
26
00:01:35,479 –> 00:01:41,040
seireitei برو پایین و ما فقط از
27
00:01:41,040 –> 00:01:46,820
این خوب ما باید نظر بدهیم ویندوز
28
00:01:47,240 –> 00:01:50,159
شما می توانید ببینید به سمت می گوید ما در همان دایرکتوری قرار داده ایم
29
00:01:50,159 –> 00:01:55,369
پس اکنون به پایین می رویم و
30
00:01:56,180 –> 00:01:58,770
بنابراین کاری که من بعد از آن در قاب داده انجام دادم داده های
31
00:01:58,770 –> 00:02:01,920
دو بعدی است. ساختاری که
32
00:02:01,920 –> 00:02:04,890
شامل سطرها و ستونها میشود و اینها
33
00:02:04,890 –> 00:02:07,020
قابل تغییر هستند، یعنی میتوانید
34
00:02:07,020 –> 00:02:10,910
مقادیر این سطرها و ستونها را تغییر دهید،
35
00:02:11,080 –> 00:02:17,180
خوب حالا ما نیز در import numpy هستیم، بنابراین
36
00:02:17,180 –> 00:02:21,430
برای آن فقط شماره پورت را با
37
00:02:21,430 –> 00:02:26,540
NP آن فراخوانی کنید تا زمانی که نیاز داشتیم NP را صدا کنیم.
38
00:02:26,540 –> 00:02:30,610
با شماره تماس بگیرید خوب است، بنابراین این کار انجام شد و اکنون
39
00:02:30,610 –> 00:02:34,879
ما فقط داده ها را به سختی وارد می کنیم،
40
00:02:34,879 –> 00:02:39,049
بنابراین cos theta قاب داده ما است،
41
00:02:39,049 –> 00:02:52,599
بنابراین ما با CSV Toyota dot CSV برخورد می
42
00:02:52,599 –> 00:02:58,579
کنیم، بسیار خوب چارچوب داده ما درست است،
43
00:02:58,579 –> 00:03:05,060
فقط مقادیر قاب داده را می بینیم. ما
44
00:03:05,060 –> 00:03:13,069
چیزی شبیه به شش مقدار اول دریافت خواهیم کرد، بنابراین
45
00:03:13,069 –> 00:03:16,370
من سونیا را در حال حاضر در اختیار داشتم، به شما اطلاع خواهم داد که چگونه
46
00:03:16,370 –> 00:03:19,549
این یک نام را حذف کنید.
47
00:03:19,549 –> 00:03:21,410
48
00:03:21,410 –> 00:03:28,060
49
00:03:28,060 –> 00:03:33,760
مشکل شاخص قیمت مشکلی ندارد،
50
00:03:33,760 –> 00:03:39,790
بنابراین این یکی و شما می توانید برخی
51
00:03:39,790 –> 00:03:46,459
از مقادیر گم شده ou را ببینید بنابراین در
52
00:03:46,459 –> 00:03:49,549
پایتون دو راه برای ایجاد کپی وجود دارد،
53
00:03:49,549 –> 00:04:01,959
یکی کپی سطحی و یکی کپی،
54
00:04:10,970 –> 00:04:20,190
دیگری در آن انجام شد، بنابراین آنچه که
55
00:04:20,190 –> 00:04:24,270
کپی کم عمق است بنابراین کپی کم عمق است مانند
56
00:04:24,270 –> 00:04:26,580
این است که فقط یک متغیر جدید ایجاد می کند که
57
00:04:26,580 –> 00:04:29,040
مرجع اصلی را به اشتراک می گذارد.
58
00:04:29,040 –> 00:04:33,030
شی، بنابراین ما یک کپی جدید ایجاد نمی
59
00:04:33,030 –> 00:04:35,070
کنیم، ما فقط ارجاع به شی اصلی را به اشتراک می گذاریم
60
00:04:35,070 –> 00:04:37,800
و هر تغییری که
61
00:04:37,800 –> 00:04:39,720
در یک کپی از شیء ایجاد شود
62
00:04:39,720 –> 00:04:41,370
در شی اصلی نیز منعکس می شود،
63
00:04:41,370 –> 00:04:44,760
بنابراین اگر این پیشنهاد جدید Signet را تغییر دهید
64
00:04:44,760 –> 00:04:47,460
، نسخه اصلی چارچوب داده
65
00:04:47,460 –> 00:04:50,310
نیز به همراه آن تغییر خواهد کرد، بنابراین
66
00:04:50,310 –> 00:04:53,700
این مانند پیوند است، بنابراین در یونیکس
67
00:04:53,700 –> 00:04:58,110
چیزی به نام پیوندهای نمادین
68
00:04:58,110 –> 00:05:00,150
داریم، بنابراین در آنجا پیوند سخت و پیوند نرم داریم،
69
00:05:00,150 –> 00:05:03,630
بنابراین زمانی که عبارت فقط حاوی مرجع باشد، این یک نوع پیوند نرم است
70
00:05:03,630 –> 00:05:05,370
و اگر آن
71
00:05:05,370 –> 00:05:09,630
را تغییر دهید. شی ارجاع شده سپس
72
00:05:09,630 –> 00:05:12,990
داده های اصلی را نیز تغییر می دهد، بنابراین
73
00:05:12,990 –> 00:05:16,740
کپی عمیق مانند آن است که در شی دیگر
74
00:05:16,740 –> 00:05:18,870
75
00:05:18,870 –> 00:05:21,210
بدون ارجاع به اصل کپی شده است، بنابراین هیچ مرجعی به اصلی وجود ندارد و
76
00:05:21,210 –> 00:05:23,040
کپی جدید از o ایجاد می شود.
77
00:05:23,040 –> 00:05:25,860
دادههای اصلی و هرگونه تغییری که در یک کپی از
78
00:05:25,860 –> 00:05:28,230
آن شیء ایجاد شده باشد در شی اصلی منعکس نمیشود،
79
00:05:28,230 –> 00:05:31,110
بنابراین شیء اصلی
80
00:05:31,110 –> 00:05:32,880
مجزا است و شیء جدید مجزا است،
81
00:05:32,880 –> 00:05:36,450
پس کپیهای عمیق برای این یکی از هم جدا شوند، پس
82
00:05:36,450 –> 00:05:38,310
چگونه کپی کم عمق انجام دهیم و چگونه انجام دهیم.
83
00:05:38,310 –> 00:05:46,770
کپی عمیق اجازه دهید به شما نشان دهم خیلی کم عمق بنابراین
84
00:05:46,770 –> 00:05:50,370
برای کپی کم عمق اگر داریم که اکنون آنها را
85
00:05:50,370 –> 00:05:55,380
برطرف می کنیم که ساده است روی آن کلیک کنید تا
86
00:05:55,380 –> 00:06:00,320
فریم داده را فراخوانی کنیم و سپس یک تابع کپی بزرگ
87
00:06:00,320 –> 00:06:04,290
در داخل آن که اگر نرخ را
88
00:06:04,290 –> 00:06:07,400
برابر با نادرست پاس کنید، بنابراین ما اینطور نیستیم. انجام
89
00:06:07,400 –> 00:06:11,700
کپی عمیق بنابراین نادرست خواهد بود، بنابراین کاری که این
90
00:06:11,700 –> 00:06:15,180
کار انجام می دهد، نمونه ایجاد می کند و
91
00:06:15,180 –> 00:06:18,180
92
00:06:18,180 –> 00:06:27,660
اگر می خواهید آن را به عنوان مثال کپی عمیق بسازید، یک کپی نرم یا کپی کم عمق ایجاد می کند،
93
00:06:27,660 –> 00:06:37,199
بنابراین شما می توانید آن را به یک واقعیت واقعی تبدیل کنید
94
00:06:37,199 –> 00:06:39,900
، یک کپی عمیق ایجاد می کند. حالا
95
00:06:39,900 –> 00:06:41,250
متوجه شدید که تفاوت
96
00:06:41,250 –> 00:06:43,800
بین کپی عمیق و کپی کم عمق چیست، حالا
97
00:06:43,800 –> 00:06:48,990
میتوانیم به ویژگیهای داده برویم، بنابراین
98
00:06:48,990 –> 00:06:54,210
قاب داده حاوی اندیسهایی است، بنابراین برای به دست
99
00:06:54,210 –> 00:06:56,550
آوردن شاخص جدول ردیفها برچسبهای
100
00:06:56,550 –> 00:07:03,919
واقعی قاب داده، میتوانیم به عنوان
101
00:07:03,979 –> 00:07:08,250
دادههای خودرو عمل کنیم. چه خواهیم کرد این است که
102
00:07:08,250 –> 00:07:11,009
ایجاد خواهیم کرد یک قاب داده جدید یک داده کپی عمیق
103
00:07:11,009 –> 00:07:14,789
از آن را بردارید و یک
104
00:07:14,789 –> 00:07:18,360
کپی از cos theta خواهد بود و یک کپی عمیق خواهد بود
105
00:07:18,360 –> 00:07:20,849
به طوری که داده های اصلی را تغییر نمی دهد،
106
00:07:20,849 –> 00:07:24,930
بنابراین اکنون چه cos theta
107
00:07:24,930 –> 00:07:28,349
one ایجاد شده است و اکنون فقط پاس می کنید
108
00:07:28,349 –> 00:07:32,970
نمایه نقطه بنابراین اگر Enter را فشار دهید می توانید ببینید که
109
00:07:32,970 –> 00:07:37,470
در مجموع 1 4 3 5 ردیف وجود دارد اگر
110
00:07:37,470 –> 00:07:39,750
از 0 کوتاه شده باشد، بنابراین در واقع 1
111
00:07:39,750 –> 00:07:43,470
4 3 6 است و اگر می خواهید ستون ها را ببینید،
112
00:07:43,