در این مطلب، ویدئو پایتون – میانگین نورد و انحراف استاندارد – قسمت 1 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: 00:10:12
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:03,060
سلام و خوش آمدید این ویدیو
2
00:00:03,060 –> 00:00:05,819
با ویدیوهای قبلی متفاوت خواهد بود،
3
00:00:05,819 –> 00:00:08,550
اولاً طرحی شبیه به اینها را
4
00:00:08,550 –> 00:00:11,790
در پایتون ایجاد می کنیم و دوم اینکه می توانیم
5
00:00:11,790 –> 00:00:14,880
اسکریپت را در SQL Server اجرا کنیم.
6
00:00:14,880 –> 00:00:17,760
7
00:00:17,760 –> 00:00:20,070
و
8
00:00:20,070 –> 00:00:22,769
قسمت دوم اگر علاقه مند به
9
00:00:22,769 –> 00:00:25,350
اجرای اسکریپت در سرور SQL هستید، می
10
00:00:25,350 –> 00:00:28,170
توانید قسمت دوم را مشاهده کنید، بنابراین آنچه که باید
11
00:00:28,170 –> 00:00:31,560
انجام دهیم تا نمودار تولید
12
00:00:31,560 –> 00:00:33,450
نمودار به خوبی انجام شود، اولین کاری که باید
13
00:00:33,450 –> 00:00:35,969
انجام دهیم این است که بسته های مورد نیاز را وارد کنیم
14
00:00:35,969 –> 00:00:38,579
. این مورد برآورده خواهد شد نمودار و
15
00:00:38,579 –> 00:00:41,790
pendous ثانیا ما باید داده ها را
16
00:00:41,790 –> 00:00:45,270
از فایل CSV نگهداری کنیم داده ها در یک
17
00:00:45,270 –> 00:00:45,989
18
00:00:45,989 –> 00:00:48,960
19
00:00:48,960 –> 00:00:51,480
20
00:00:51,480 –> 00:00:55,199
21
00:00:55,199 –> 00:00:57,510
فایل CSV قرار خواهند گرفت. کد ویژوال استودیو
22
00:00:57,510 –> 00:01:00,539
خوب است، شما می توانید از هر ویرایشگری که می
23
00:01:00,539 –> 00:01:03,059
خواهید استفاده کنید، حتی کد یادداشت
24
00:01:03,059 –> 00:01:05,280
همان چیزی است که خوب است، بنابراین اولین چیزی که ما
25
00:01:05,280 –> 00:01:07,560
نیاز داریم باید پانداها را وارد کنیم، زیرا ما
26
00:01:07,560 –> 00:01:10,830
یک فایل CSV را می خوانیم و همچنین این کار را انجام خواهیم داد
27
00:01:10,830 –> 00:01:14,610
. آمار پانداها را به سرعت وارد
28
00:01:14,610 –> 00:01:18,509
می کنیم بعد یک نمودار انجام خواهیم داد بنابراین
29
00:01:18,509 –> 00:01:23,729
نمودارهای PI نقطه matplotlib را به عنوان PLT وارد کنیم، بنابراین بیایید
30
00:01:23,729 –> 00:01:27,030
داده های بارگذاری را از فایل CSV انجام دهیم و من
31
00:01:27,030 –> 00:01:29,700
در اینجا یک فایل برای بارگذاری داده فروش
32
00:01:29,700 –> 00:01:33,180
نقطه اتصال CSV آن را اضافه می کند.
33
00:01:33,180 –> 00:01:36,390
و امروز یک تاریخی است که
34
00:01:36,390 –> 00:01:39,570
فروش تعداد فروش در آن تاریخ است، خوب است، بنابراین
35
00:01:39,570 –> 00:01:43,049
اگر به اینجا برویم باید
36
00:01:43,049 –> 00:01:46,079
Pat این فایل را اعلام کنیم و به اینجا می رویم به فایل
37
00:01:46,079 –> 00:01:49,470
روی کپی راست کلیک کنید Pat ما در اینجا به عنوان
38
00:01:49,470 –> 00:01:52,740
رشته ای برای ارسال متغیر پیست می کنیم. و بعد از
39
00:01:52,740 –> 00:01:55,170
اینها میتوانیم دادهای را اعلام کنیم که
40
00:01:55,170 –> 00:01:58,700
برابر با CSV نقطه خوانده شده پاندا است
41
00:01:58,700 –> 00:02:02,640
و سپس حیوان خانگی را ارائه میکنیم و در اینجا
42
00:02:02,640 –> 00:02:06,030
یک گام مهم داریم زیرا
43
00:02:06,030 –> 00:02:09,780
آمار چرخشی نیاز به روز دارد تا ردیف شاخص باشد،
44
00:02:09,780 –> 00:02:12,690
ابتدا باید برخی از پارامترهای تبدیل را در اینجا اضافه کنیم.
45
00:02:12,690 –> 00:02:15,360
چیزی که باید
46
00:02:15,360 –> 00:02:18,210
بدانید اینجا توجه کنید این است که بیماری ها
47
00:02:18,210 –> 00:02:20,760
کوچک می شوند خوب برای آویزها این یک
48
00:02:20,760 –> 00:02:23,910
رشته است و باید به pendous بگوییم که چگونه
49
00:02:23,910 –> 00:02:26,310
رشته را به تاریخ و
50
00:02:26,310 –> 00:02:30,570
روز بیماری تبدیل کنیم / این ماه است / و
51
00:02:30,570 –> 00:02:33,480
این گوش است بنابراین به اینجا می رویم و ما
52
00:02:33,480 –> 00:02:37,380
یک تابع را به co اعلام می کنیم در
53
00:02:37,380 –> 00:02:40,620
رشته را به یک تاریخ تبدیل کنید بنابراین نوارهای تاریخ
54
00:02:40,620 –> 00:02:44,580
برابر با لامبدا X است و می گوییم PD نقطه
55
00:02:44,580 –> 00:02:48,960
تاریخ زمان رشته نقطه P زمان
56
00:02:48,960 –> 00:02:51,900
X را ارائه می دهیم و قالب
57
00:02:51,900 –> 00:02:54,960
کوچک شدن را ارائه می دهیم بنابراین در قالب نوسان
58
00:02:54,960 –> 00:02:57,960
یک روز داریم. ما یک اسلش داریم، یک
59
00:02:57,960 –> 00:03:00,690
ماه داریم، یک اسلش دیگر داریم و
60
00:03:00,690 –> 00:03:03,930
یک سال با حروف بزرگ Y داریم، بسیار خوب، حالا میتوانیم
61
00:03:03,930 –> 00:03:05,940
ادامه دهیم و برای خواندن
62
00:03:05,940 –> 00:03:08,790
زیرخط CSV به اینجا میرویم و سه پارامتر اضافه میکنیم،
63
00:03:08,790 –> 00:03:12,090
خوب سه پارامتر دیگر، بنابراین
64
00:03:12,090 –> 00:03:14,790
پارامتر اول به یک
65
00:03:14,790 –> 00:03:17,580
سوال پاسخ میدهد. چه ستونی باید تا تاریخ تجزیه شود، تاریخ های
66
00:03:17,580 –> 00:03:18,360
67
00:03:18,360 –> 00:03:21,840
زیرخط پراکنده برابر با نام ستون است.
68
00:03:21,840 –> 00:03:22,290
69
00:03:22,290 –> 00:03:25,620
70
00:03:25,620 –> 00:03:29,910
71
00:03:29,910 –> 00:03:32,940
72
00:03:32,940 –> 00:03:36,239
73
00:03:36,239 –> 00:03:39,270
و تابع is date
74
00:03:39,270 –> 00:03:42,269
underscore parser برابر با
75
00:03:42,269 –> 00:03:44,790
تابعی است که در اینجا ایجاد کردیم،
76
00:03:44,790 –> 00:03:48,030
کپی می کنیم و به اینجا می رویم و پیست می کنیم بنابراین
77
00:03:48,030 –> 00:03:51,540
اولین پارامتر در اینجا می گوید که چه آرامشی
78
00:03:51,540 –> 00:03:54,630
باید تا به امروز تجزیه شود و آرامش همان روز آرامش است که
79
00:03:54,630 –> 00:03:57,660
این ستون خوب است اینها
80
00:03:57,660 –> 00:04:00,239
باید به تاریخ های بعدی تجزیه شود که چه con
81
00:04:00,239 –> 00:04:03,540
باید به عنوان یک فهرست سطر استفاده شود و
82
00:04:03,540 –> 00:04:06,900
دوباره ستون روز است و چه تابعی
83
00:04:06,900 –> 00:04:10,410
با رشته انجام می دهد و تابع تابعی است
84
00:04:10,410 –> 00:04:13,019
که ما در اینجا ایجاد کردیم و
85
00:04:13,019 –> 00:04:16,709
می گوید که رشته چگونه قالب بندی شده است اکنون ما
86
00:04:16,709 –> 00:04:19,380
آماده هستیم. برای انجام محاسبات از آنجایی
87
00:04:19,380 –> 00:04:22,590
که دادهها را در اینجا داریم، بنابراین
88
00:04:22,590 –> 00:04:25,800
به مرحله شماره سه میرویم و فقط باید
89
00:04:25,800 –> 00:04:26,490
90
00:04:26,490 –> 00:04:29,819
میانگین نورد را اعلام کنیم که برابر است با
91
00:04:29,819 –> 00:04:34,979
چرخش نقطه داده برای 90 روز، به عنوان مثال
92
00:04:34,979 –> 00:04:39,419
نقطه mmm و استاندارد نورد برابر با چرخش
93
00:04:39,419 –> 00:04:41,490
نقطه داده است. Inc
94
00:04:41,490 –> 00:04:45,599
نود روز دوباره و ما می گوییم STD آمد، من
95
00:04:45,599 –> 00:04:49,380
فکر می کنم این نسخه های قدیمی پانداها
96
00:04:49,380 –> 00:04:53,210
باید چیزی شبیه به PD dot Rolling
97
00:04:53,