در این مطلب، ویدئو کار با داده های علمی چند بعدی با استفاده از پایتون 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: 00:53:50
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:03,259
سلام به کار با
2
00:00:03,259 –> 00:00:05,160
داده های علمی چندبعدی خوش آمدید،
3
00:00:05,160 –> 00:00:07,950
این جلسه اضافی
4
00:00:07,950 –> 00:00:11,509
با همکارم آقا نیست. Chatterjee از s3
5
00:00:11,509 –> 00:00:24,180
Redlands California امروز در
6
00:00:24,180 –> 00:00:26,730
مورد داده های چند بعدی علمی
7
00:00:26,730 –> 00:00:29,880
در argyus صحبت خواهیم کرد و دیدگاه ما چیست که
8
00:00:29,880 –> 00:00:32,369
چه کارهایی می توانید با آن انجام دهید سپس
9
00:00:32,369 –> 00:00:34,950
در مورد اینکه چگونه می توانید مدیریت
10
00:00:34,950 –> 00:00:38,160
تجسم و کاوش داده های چند بعدی
11
00:00:38,160 –> 00:00:41,520
را بخوانید سپس صحبت خواهیم کرد. یکی از موضوعات مورد علاقه ما
12
00:00:41,520 –> 00:00:44,190
تجزیه و تحلیل است، بنابراین خواهیم دید که چگونه می توانید
13
00:00:44,190 –> 00:00:47,969
تجزیه و تحلیل را با این داده ها انجام دهید و اگر
14
00:00:47,969 –> 00:00:50,610
ابزارها و توابع خارج از جعبه
15
00:00:50,610 –> 00:00:53,910
برای تجزیه و تحلیل شما آموزش نمی بینند، چگونه می
16
00:00:53,910 –> 00:00:56,129
توانید توانایی تحلیلی را
17
00:00:56,129 –> 00:00:59,460
با استفاده از پایتون گسترش دهید، پس ما در مورد اینکه چگونه
18
00:00:59,460 –> 00:01:01,680
میتوانید تمام دادههایی را که
19
00:01:01,680 –> 00:01:03,840
آماده کردهاید و اطلاعات جدید
20
00:01:03,840 –> 00:01:05,880
یا دادههایی را که ایجاد کردهاید با
21
00:01:05,880 –> 00:01:09,420
جامعه کاربری گستردهتر یا در
22
00:01:09,420 –> 00:01:11,600
سازمان خود برای همکارانتان به اشتراک بگذارید،
23
00:01:11,600 –> 00:01:14,100
سپس به شما برخی منابع را
24
00:01:14,100 –> 00:01:19,350
برای مطالعه بیشتر معرفی میکنیم، بنابراین اجازه دهید در مورد
25
00:01:19,350 –> 00:01:21,600
داده های علمی چند بعدی در
26
00:01:21,600 –> 00:01:26,040
arcgis صحبت کنید و برای ما چه معنایی
27
00:01:26,040 –> 00:01:28,140
28
00:01:28,140 –> 00:01:32,520
29
00:01:32,520 –> 00:01:36,270
30
00:01:36,270 –> 00:01:38,729
دارد. از نمونه این
31
00:01:38,729 –> 00:01:41,430
داده ها داده های مشاهده شده از
32
00:01:41,430 –> 00:01:43,020
ایستگاه های مانیتورینگ پلت فرم دیگری است
33
00:01:43,020 –> 00:01:46,560
که می توان داده های سنجش از راه دور برخی از
34
00:01:46,560 –> 00:01:49,490
این داده ها مشاهده می شود و سپس
35
00:01:49,490 –> 00:01:52,920
با استفاده از روش آماری
36
00:01:52,920 –> 00:01:55,229
برای پر کردن شکاف
37
00:01:55,229 –> 00:01:58,320
ها بازسازی می شود بنابراین ما آن را داده های بازسازی شده می نامیم که برخی از این داده ها در حال آمدن هستند.
38
00:01:58,320 –> 00:02:01,380
خارج از مدل شبیهسازی، بنابراین
39
00:02:01,380 –> 00:02:04,200
اینها نیز دادههای چند مأموریتی هستند، اما
40
00:02:04,200 –> 00:02:06,119
اینها نتایج مدل شبیهسازی هستند یا
41
00:02:06,119 –> 00:02:08,399
نتایج مدل برخی از نمونههای
42
00:02:08,399 –> 00:02:11,340
این دادهها در اقیانوس میتواند
43
00:02:11,340 –> 00:02:13,620
دمای سطح دریا شوری
44
00:02:13,620 –> 00:02:16,860
جریان اقیانوس و غیره در آب و هوا باشد، میتواند
45
00:02:16,860 –> 00:02:20,010
دما رطوبت سرعت باد در زمین
46
00:02:20,010 –> 00:02:23,099
می تواند در پوشش DVI یا LED جامد باشد.
47
00:02:23,099 –> 00:02:26,120
این داده ها معمولاً در
48
00:02:26,120 –> 00:02:31,560
فرمت EF تو در تو یا فرمت HD در s3 موجود است،
49
00:02:31,560 –> 00:02:34,319
همچنین فرمت داده های چند بعدی داریم
50
00:02:34,319 –> 00:02:36,870
که مانند مجموعه داده های موزاییک و
51
00:02:36,870 –> 00:02:38,909
فرمت شطرنجی ابری است که از طریق آن می توانیم
52
00:02:38,909 –> 00:02:42,989
این داده ها را مدیریت کنیم.
53
00:02:42,989 –> 00:02:47,750
دید ما با این داده ها چیست،
54
00:02:47,750 –> 00:02:51,989
ما می خواهیم با این داده ها هر کاری را که
55
00:02:51,989 –> 00:02:55,349
با هر داده جغرافیایی دیگر که
56
00:02:55,349 –> 00:02:59,420
شامل بخوانید آن را مستقیماً مدیریت کنید آنها را
57
00:02:59,420 –> 00:03:03,390
تجسم و کاوش کنید و تجزیه و تحلیل کنید و سپس
58
00:03:03,390 –> 00:03:06,030
در نهایت به اشتراک بگذارید و سپس این چرخه
59
00:03:06,030 –> 00:03:10,680
ادامه دارد، بنابراین قبل از اینکه به جلو حرکت کنیم،
60
00:03:10,680 –> 00:03:13,260
بیایید نگاهی دقیقتر به چند
61
00:03:13,260 –> 00:03:17,239
بعدی شطرنجی
62
00:03:17,239 –> 00:03:21,480
63
00:03:21,480 –> 00:03:24,150
64
00:03:24,150 –> 00:03:27,389
بیندازیم. زمان یا می تواند در عمق
65
00:03:27,389 –> 00:03:31,459
یا هر دو تغییر کند، به این معنی که تبدیل به یک مکعب یا
66
00:03:31,459 –> 00:03:36,000
ابرمکعب می شود که در آن هر محور
67
00:03:36,000 –> 00:03:40,069
طرف مختلف مکعب است در حال حاضر
68
00:03:40,069 –> 00:03:46,760
این مکعب می تواند مانند یک متغیر باشد یا
69
00:03:46,760 –> 00:03:49,799
این مکعب ها می توانند چندین
70
00:03:49,799 –> 00:03:53,099
متغیر را در یک داده چند بعدی نشان دهند.
71
00:03:53,099 –> 00:03:55,709
مجموعه شما در واقع می توانید بیش از یک
72
00:03:55,709 –> 00:03:58,859
متغیر بیش از یک مکعب داشته باشید، این مکعب ها
73
00:03:58,859 –> 00:04:02,160
همانطور که گفتم بیش از
74
00:04:02,160 –> 00:04:05,459
ابعاد خاص دارند، عمق x دارند و
75
00:04:05,459 –> 00:04:07,530
اگر در واقع هر تکه از
76
00:04:07,530 –> 00:04:10,199
این مکعب را بررسی کنید، چیزی نیستند جز یک
77
00:04:10,199 –> 00:04:11,459
آرایه دو بعدی
78
00:04:11,459 –> 00:04:15,000
که تصویر می گوید. میتوانید ببینید که اگر
79
00:04:15,000 –> 00:04:17,310
اولین برش را برداریم، ممکن است نشاندهنده
80
00:04:17,310 –> 00:04:20,190
زمان مرحله 1 باشد و برش دوم
81
00:04:20,190 –> 00:04:22,409
صرفاً نکات زمانی 2 را ارائه کند و سومین برش
82
00:04:22,409 –> 00:04:25,730
نشاندهنده مرحله زمانی 3 باشد. به همین ترتیب
83
00:04:25,730 –> 00:04:28,460
اکنون همانطور که قبلاً گفتم این داده
84
00:04:28,460 –> 00:04:31,250
ها در یک مجموعه داده موزاییک یا در
85
00:04:31,250 –> 00:04:34,070
لیست های دیگر قالب مجموعه داده های شطرنجی مانند
86
00:04:34,070 –> 00:04:39,190
CRF نشان داده می شوند وقتی این داده ها را در GS خود
87
00:04:39,190 –> 00:04:42,110
می خوانیم ترجیح می دهیم داده هایی را بخوانیم که از قرارداد CF پیروی می
88
00:04:42,110 –> 00:04:44,930
کنند زیرا این کار ما است.
89
00:04:44,930 –> 00:04:46,910
نوع نقشه راه برای درک دادهها
90
00:04:46,910 –> 00:04:50,120
قرارداد CF
91
00:04:50,120 –> 00:04:52,210
چیست، آب و هوا یک قرارداد اقلیمی و پیشبینی است که
92
00:04:52,210 –> 00:04:54,440
در ابتدا برای دادههای اقلیمی و
93
00:04:54,440 –> 00:04:57,800
پیشبینی توسعه داده شد، اکثر دادههای تولید شده از اتمسفر یا
94
00:04:57,800 –> 00:05:00,100
سطح یا اقیانوس مدل
95
00:05:00,100 –> 00:05:04,130
از کنوانسیون EF
96
00:05:04,130 –> 00:05:07,040
پیروی میکند و مجموعه دادههای مشاهدهای نیز از CF پیروی میکند. قرارداد چرا CF
97
00:05:07,040 –> 00:05:11,660
زیرا دارای سیستم مختصات بسیار دسترسی
98
00:05:11,660 –> 00:05:14,120
است بنابراین شما می توانید مختصات خود را مشخص کنید
99
00:05:14,120 –> 00:05:16,670
و ما می توانیم آن را بخوانیم و
100
00:05:16,670 –> 00:05:18,680
با سایر داده های مکانی کار کنیم
101
00:05:18,680 –> 00:05:21,410
نسخه فعلی 1.8 است اکنون اگر مطمئن
102
00:05:21,410 –> 00:05:25,430
نیستید که داده یا فایل شما مطابق با CF است، می
103
00:05:25,430 –> 00:05:28,280
توانید همچنین از برخی ابزارهای جستجوگر استفاده کنید تا ببینید
104
00:05:28,280 –> 00:05:30,650
آیا مطابق با کنوانسیون ایالت است یا
105
00:05:30,650 –> 00:05:35,240
نه، پس بیایید حرکت کنیم و ببینیم چگونه میتوانیم
106
00:05:35,240 –> 00:05:38,420
بخوانیم این انرژی
107
00:05:38,420 –> 00:05:40,330
داده با چند بعدی کار میکند مدیریت و کاوش کنیم. sional data
108
00:05:40,330 –> 00:05:47,060
Energy s pro در طول زمان بهبود یافته است و
109
00:05:47,060 –> 00:05:49,630
اکنون محیط دسترسی بسیار بهتری
110
00:05:49,630 –> 00:05:54,110
دارد، شما می توانید از ویرایشگر این گزینه را داشته باشید که
111
00:05:54,110 –> 00:05:58,430
یک گفتگو باز کنید و مجموعه داده های
112
00:05:58,430 –> 00:06:01,070
چند بعدی مجموعه داده را درجه بندی کنید،
113
00:06:01,070 –> 00:06:04,430
همه ابزارهای تحلیلی یا ابزارهای خواندن یا
114
00:06:04,430 –> 00:06:07,010
ابزارهای نوشتن یا ابزارهای مدیریت داده
115
00:06:07,010 –> 00:06:09,260
در جعبه ابزار چندگانه موجود هستند،
116
00:06:09,260 –> 00:06:10,940
اولین موردی که ممکن است با آن کار
117
00:06:10,940 –> 00:06:12,920
کنید ابزارهای چند بعدی است که
118
00:06:12,920 –> 00:06:16,940
در آن ابزار خواندن برای خواندن
119
00:06:16,940 –> 00:06:19,310
ابزارهای داده برای نوشتن داده ها و سایر
120
00:06:19,310 –> 00:06:23,030
مدیریت داده ها در جعبه ابزار تحلیلگر تصویر
121
00:06:23,030 –> 00:06:25,040
و جعبه ابزار تخصصی که دارید در اختیار دارید.
122
00:06:25,040 –> 00:06:27,860
ابزارهای تحلیلی که می توانید آنها را در
123
00:06:27,860 –> 00:06:32,030
ابزار تجزیه و تحلیل چند بعدی بیابید،
124
00:06:32,030 –> 00:06:35,570
Pro روی پنج نیز یک نوار رنگین کمان جدید
125
00:06:35,570 –> 00:06:37,820
برای کار با داده های چند بعدی
126
00:06:37,820 –> 00:06:39,710
دارد و بدیهی است که
127
00:06:39,710 –> 00:06:42,200
چند بعدی را فراخوانی می کند و زمانی که با یک لایه چند بعدی کار می کنید فعال می شود.
128
00:06:42,200 –> 00:06:43,640
129
00:06:43,640 –> 00:06:45,650
ما
130
00:06:45,650 –> 00:06:50,330
بعداً در یک دقیقه در مورد آن صحبت خواهیم کرد، بنابراین چگونه
131
00:06:50,330 –> 00:06:53,540
انرژی داده های علمی را می خوانید زیرا می توانید
132
00:06:53,540 –> 00:06:56,980
مستقیماً فایل netcdf hdf و grip را
133
00:06:56,980 –> 00:07:00,170
با استفاده از فایل چند بعدی بخوانید. گزینه لایه شطرنجی
134
00:07:00,170 –> 00:07:03,250
از داده های ما که
135
00:07:03,250 –> 00:07:05,540
کادر گفتگوی لایه شطرنجی چند بعدی را به نمایش می گذارد
136
00:07:05,540 –> 00:07:08,540
که در آن می توانید فایل را مشخص کنید متغیر را انتخاب کنید
137
00:07:08,540 –> 00:07:11,600
و سپس می توانید مستقیماً آن را بخوانید و
138
00:07:11,600 –> 00:07:15,410
همچنین ابزارهای دیگری
139
00:07:15,410 –> 00:07:18,470
در ابزارهای چند بعدی دارید
140
00:07:18,470 –> 00:07:20,390
. لایه شطرنجی چند بعدی بسازید
141
00:07:20,390 –> 00:07:23,810
و ما به شما توصیه می کنیم از
142
00:07:23,810 –> 00:07:27,140
این ابزار برای خواندن شهر درونی قبر NH
143
00:07:27,140 –> 00:07:30,860
DF استفاده کنید، اما همچنین
144
00:07:30,860 –> 00:07:32,990
ابزار لایه شطرنجی ساختن شهر درونی و ابزاری باشکوه
145
00:07:32,990 –> 00:07:35,540
لایه ویژگی و نمای جدول برای
146
00:07:35,540 –> 00:07:38,020
خواندن فهرست از فایل های ضروری یا
147
00:07:38,020 –> 00:07:42,140
هندسه های گسسته دارید. یا جدولی را
148
00:07:42,140 –> 00:07:44,840
نیز میتوانید با استفاده از
149
00:07:44,840 –> 00:07:47,620
ابزار لایه فهرستی باز کردن را بخوانید و میتوانید
150
00:07:47,620 –> 00:07:50,900
یک زیر مجموعه را مشخص کنید و یک
151
00:07:50,900 –> 00:07:52,940
152
00:07:52,940 –> 00:07:57,980
لایه شطرنجی چندبخشی پویا
153
00:07:57,980 –> 00:08:00,350
154
00:08:00,350 –> 00:08:04,040
ایجاد میکند. بعداً در مورد این صحبت خواهیم کرد که چگونه
155
00:08:04,040 –> 00:08:06,290
میتوانید از مجموعه دادههای موزاییک برای
156
00:08:06,290 –> 00:08:10,340
افزایش این دادهها استفاده
157
00:08:10,340 –> 00:08:11,750
158
00:08:11,750 –> 00:08:18,800
159
00:08:18,800 –> 00:08:21,100
کنید. w ribbon،
160
00:08:21,100 –> 00:08:24,620
اگر میخواهید به دادههای خود نگاه کنید
161
00:08:24,620 –> 00:08:27,470
و به صورت تکه تکه به دادههای خود نگاه کنید، میتوانید کارهای زیادی انجام دهید، در واقع میتوانید
162
00:08:27,470 –> 00:08:30,260
یک متغیر را انتخاب کنید و برش را تغییر دهید
163
00:08:30,260 –> 00:08:33,740
و به آنها نگاه کنید، همچنین میتوانید
164
00:08:33,740 –> 00:08:37,720
روی اسلاید متحرک کنید تا بتوانید مستقیماً از روبان استفاده کنید.
165
00:08:37,720 –> 00:08:41,679
یا میتوانید با استفاده از
166
00:08:41,679 –> 00:08:44,049
نوار لغزنده زمان یا نوار لغزنده متحرک
167
00:08:44,049 –> 00:08:47,600
کنید، همچنین ابزارهایی برای کاوش دادهها دارید،
168
00:08:47,600 –> 00:08:50,240
مانند نمایه زمانی و آمار خلاصه،
169
00:08:50,240 –> 00:08:52,340
اگر میخواهید مدیریت دادهها را انجام دهید
170
00:08:52,340 –> 00:08:53,040
171
00:08:53,040 –> 00:08:55,230
، ابزارهایی برای آن نیز وجود دارد،
172
00:08:55,230 –> 00:08:57,029
فقط کافیست روی منوی کشویی کلیک کنید و
173
00:08:57,029 –> 00:09:00,050
ابزارها را انتخاب کنید. که شما نیاز دارید یک
174
00:09:00,050 –> 00:09:03,180
گالری ابزار تحلیلی وجود دارد که از آنجا می
175
00:09:03,180 –> 00:09:06,120
توانید ابزارهای تحلیلی را
176
00:09:06,120 –> 00:09:08,820
که قبلاً ذکر کردم از
177
00:09:08,820 –> 00:09:11,009
جعبه ابزار تحلیل تصویر یا جعبه ابزار تخصصی
178
00:09:11,009 –> 00:09:13,440
باز کنید، همچنین منطقه ای وجود دارد که می توانید
179
00:09:13,440 –> 00:09:17,149
در واقع یک متغیر را انتخاب کنید و سپس
180
00:09:17,149 –> 00:09:20,279
زمان شروع و زمان پایان خود را مشخص کنید.
181
00:09:20,279 –> 00:09:24,720
این زیرمجموعه را برای
182
00:09:24,720 –> 00:09:28,440
تجزیه و تحلیل به صورت عمیق و عمیق شروع کنید تا همانطور که می بینید این نوار
183
00:09:28,440 –> 00:09:31,589
به شما کنترل و توانایی انجام کارهای زیادی
184
00:09:31,589 –> 00:09:33,240
را می دهد که ممکن است بخواهید با
185
00:09:33,240 –> 00:09:38,759
شطرنجی چند بعدی انجام دهید. اوه که می
186
00:09:38,759 –> 00:09:42,410
دانید چگونه بخوانید و در واقع کاوش کنید،
187
00:09:42,410 –> 00:09:46,170
بیایید بیشتر اوقات در مورد چیز دیگری صحبت کنیم،
188
00:09:46,170 –> 00:09:48,569
ممکن است مجبور شوید با
189
00:09:48,569 –> 00:09:51,089
بسیاری از فایل های netcdf کار کنید که
190
00:09:51,089 –> 00:09:53,639
مناطق مختلف را پوشش می دهند یا
191
00:09:53,639 –> 00:09:56,910
برش های مختلفی را در یک
192
00:09:56,910 –> 00:10:01,410
مرحله زمانی مکعبی یا عمق نشان می دهند.
193
00:10:01,410 –> 00:10:04,860
فایلها جدا هستند چگونه واقعاً
194
00:10:04,860 –> 00:10:06,839
با آنها کار میکنید و یک عکس بدون درز دریافت میکنید
195
00:10:06,839 –> 00:10:09,120
یا یک مکعب که به دنبال
196
00:10:09,120 –> 00:10:12,000
آن هستید، آنها مجموعه دادههای موزاییکی هستند که
197
00:10:12,000 –> 00:10:14,060
به تصویر میآیند و یک
198
00:10:14,060 –> 00:10:17,579
مکعب چند بعدی بدون درز از
199
00:10:17,579 –> 00:10:20,610
مجموعه دادههای مختلف ایجاد میکند و عملکرد ویژه یا موقتی دارد.
200
00:10:20,610 –> 00:10:22,500
تجمیع یا در یک
201
00:10:22,500 –> 00:10:25,199
تجمع ابعادی برای آن موضوع، فایل
202
00:10:25,199 –> 00:10:27,000
میتواند مناطق مختلف را نشان دهد،
203
00:10:27,000 –> 00:10:28,620
فایل میتواند
204
00:10:28,620 –> 00:10:32,000
مراحل زمانی یا برشهای عمق یا ارتفاع متفاوت را نشان
205
00:10:32,000 –> 00:10:35,430
دهد، چیزی شبیه به هم اکنون که یک داده موزاییک است
206
00:10:35,430 –> 00:10:39,180
، آن را در واقع یک ظرف است
207
00:10:39,180 –> 00:10:41,779
که به فایل اشاره میکند و به شما یک
208
00:10:41,779 –> 00:10:44,819
موزاییک پویا از تمام تصاویری که به آنها
209
00:10:44,819 –> 00:10:48,120
نگاه می کنید از چندین فایل
210
00:10:48,120 –> 00:10:51,000
و متغیر پشتیبانی می کند و همچنین زمان
211
00:10:51,000 –> 00:10:52,980
و عمق را عادی می کند که بسیار مهم است.
212
00:10:52,980 –> 00:10:55,529
اگر با یک مجموعه داده متفاوت کار
213
00:10:55,529 –> 00:10:57,689
می کنید، جدولی از رکوردها در پایگاه داده u به شما می دهد
214
00:10:57,689 –> 00:10:59,939
و خود یک مجموعه داده شطرنجی است
215
00:10:59,939 –> 00:11:00,779
216
00:11:00,779 –> 00:11:04,110
که از تجزیه و تحلیل در حین پرواز پشتیبانی می کند و
217
00:11:04,110 –> 00:11:06,390
همچنین می توانید داده ها را به اشتراک بگذارید
218
00:11:06,390 –> 00:11:10,050
که به آن معکوس موزاییک می دهد دو مرحله
219
00:11:10,050 –> 00:11:12,510
اول شما مجموعه داده های موزاییک را ایجاد می کنید
220
00:11:12,510 –> 00:11:16,250
و سپس البته شطرنجی را به آن اضافه می کنید.
221
00:11:16,250 –> 00:11:20,640
در مورد تجسم همه این داده ها می
222
00:11:20,640 –> 00:11:23,630
توانید این داده ها را از طریق
223
00:11:23,630 –> 00:11:25,920
نوار چند بعدی برش دهید همانطور که قبلاً صحبت کردم،
224
00:11:25,920 –> 00:11:28,160
جایی که می توانید آن
225
00:11:28,160 –> 00:11:30,420
متغیر x را انتخاب کنید و سپس آن را انتخاب کنید. زمانی را که
226
00:11:30,420 –> 00:11:32,400
میخواهید ببینید، میتوانید بر اساس
227
00:11:32,400 –> 00:11:34,290
بعد که توسط ابزار ابعاد انتخاب میکنید
228
00:11:34,290 –> 00:11:37,260
و آن را تغییر دهید و این بسیار مفید است
229
00:11:37,260 –> 00:11:40,020
زمانی که در حال انجام آنالیز هستید،
230
00:11:40,020 –> 00:11:42,840
همچنین میتوانید برش را از
231
00:11:42,840 –> 00:11:44,340
گفتگوی ویژگی لایه در نقشه آرک تغییر دهید
232
00:11:44,340 –> 00:11:47,820
، البته هدف شما از انیمیشن زمانی است.
233
00:11:47,820 –> 00:11:50,760
میتوانید از نوار لغزنده زمان استفاده کنید یا
234
00:11:50,760 –> 00:11:52,800
اگر میخواهید
235
00:11:52,800 –> 00:11:56,130
در عمق یا ارتفاع یا هر
236
00:11:56,130 –> 00:12:01,140
بعد غیرزمانی متحرک شوید، اگر میخواهید
237
00:12:01,140 –> 00:12:04,050
به دادهها به ترتیب خاصی یا در یک
238
00:12:04,050 –> 00:12:06,570
تاریخ تجسم شده توسط ترکیبی نگاه کنید، میتوانید از نوار لغزنده آبکشی استفاده کنید. در کنار این
239
00:12:06,570 –> 00:12:09,090
اطلاعات مانند سرعت باد
240
00:12:09,090 –> 00:12:12,210
یا جریان، میتوانید در واقع از
241
00:12:12,210 –> 00:12:14,490
رندرکننده از پیش تعریفشده مانند رندر میدان برداری
242
00:12:14,490 –> 00:12:18,560
استفاده کنید که در آن همه این متغیرها
243
00:12:18,560 –> 00:12:20,340
در لحظه ترکیب میشوند
244
00:12:20,340 –> 00:12:22,170
تا اطلاعاتی را که به آن
245
00:12:22,170 –> 00:12:26,100
نگاه میکنید نشان دهند، اگر همچنین میتوانید یک طرح رنگ علمی سفارشی اضافه کنید.
246
00:12:26,100 –> 00:12:28,800
به پروژه RJ’s Pro
247
00:12:28,800 –> 00:12:33,780
خود نیز میتوانید دادههایی را صادر کنید که
248
00:12:33,780 –> 00:12:35,520
لازم نیست فقط پس از نگاه کردن به آنها
249
00:12:35,520 –> 00:12:37,560
نگاه نکنید، در واقع میتوانید
250
00:12:37,560 –> 00:12:39,990
عمیقاً حفاری کنید و میتوانید از
251
00:12:39,990 –> 00:12:42,240
نمایه زمانی برای تجسم توزیع
252
00:12:42,240 –> 00:12:44,730
یک متغیر در طول زمان استفاده کنید.
253
00:12:44,730 –> 00:12:47,370
محاسبه خلاصه آمار یک متغیر
254
00:12:47,370 –> 00:12:50,070
برای درک مقداری که با
255
00:12:50,070 –> 00:12:55,320
آن کار می کنید این تنها
256
00:12:55,320 –> 00:12:57,870
راهی نیست که می توانید داده ها را صادر کنید،
257
00:12:57,870 –> 00:13:01,530
همچنین می توانید نگاه دقیق تری به داده ها بیندازید
258
00:13:01,530 –> 00:13:05,970
از طریق شی شطرنجی در پایتون
259
00:13:05,970 –> 00:13:08,670
شی شطرنجی چیزی است که نشان می دهد
260
00:13:08,670 –> 00:13:11,100
علاقه شما یا اینکه یک
261
00:13:11,100 –> 00:13:12,870
شطرنجی چند بعدی داستر دوبعدی یا فهرستی چندگانه است
262
00:13:12,870 –> 00:13:15,120
که از یک مجموعه داده شطرنجی ایجاد کرده
263
00:13:15,120 –> 00:13:18,150
اید، یک شیء سختگیر از
264
00:13:18,150 –> 00:13:19,620
عبارتی دریافت
265
00:13:19,620 –> 00:13:22,620
می کنید که می توانید یک e ایجاد کنید. شیء فهرستی
266
00:13:22,620 –> 00:13:24,960
mpty که به فهرستی خالی اشاره می کند دارای دسته
267
00:13:24,960 –> 00:13:26,850
ای از ویژگی ها است و برخی از آنها
268
00:13:26,850 –> 00:13:29,400
به فهرستی چند بعدی اختصاص یافته است.
269
00:13:29,400 –> 00:13:32,730
270
00:13:32,730 –> 00:13:39,480
271
00:13:39,480 –> 00:13:42,089
272
00:13:42,089 –> 00:13:45,089
آنها ویژگی خالی است
273
00:13:45,089 –> 00:13:47,790
با هدف به شما می گوید همه چیزهایی که باید
274
00:13:47,790 –> 00:13:49,350
در مورد فهرست چند بعدی بدانید.
275
00:13:49,350 –> 00:13:51,600
همچنین دارای ویژگی های دیگری
276
00:13:51,600 –> 00:13:54,180
مانند نام متغیرها و متغیرها و
277
00:13:54,180 –> 00:13:56,880
متدهای slices به دو دسته گروه بندی می شوند که
278
00:13:56,880 –> 00:13:59,370
یکی نماینده ما یک
279
00:13:59,370 –> 00:14:01,770
گروه نشان دهنده متغیر شما است
280
00:14:01,770 –> 00:14:03,750
و دیگری گروه برای کار با
281
00:14:03,750 –> 00:14:07,290
ابعاد می توانید ببینید که از طریق این
282
00:14:07,290 –> 00:14:10,610
ویژگی ها و روش ها می توانید در واقع
283
00:14:10,610 –> 00:14:13,440
اطلاعات زیادی در مورد داده های خود پیدا کنید و
284
00:14:13,440 –> 00:14:15,779
در واقع اطلاعات و
285
00:14:15,779 –> 00:14:18,720
قسمتی را که باید با آن کار کنید استخراج کنید که من
286
00:14:18,720 –> 00:14:21,180
مطمئناً به Mr. به طوری که او
287
00:14:21,180 –> 00:14:23,490
بتواند به شما نشان دهد که چگونه خواندن
288
00:14:23,490 –> 00:14:28,670
این داده ها در ArcGIS آسان است مدیریت یا تجسم
289
00:14:29,750 –> 00:14:32,790
290
00:14:32,790 –> 00:14:34,440
291
00:14:34,440 –> 00:14:36,510
آن
292
00:14:36,510 –> 00:14:38,040
293
00:14:38,040 –> 00:14:40,200
من به شما یک
294
00:14:40,200 –> 00:14:42,150
نمای کلی از تمام عملکردهای چند بعدی ارائه
295
00:14:42,150 –> 00:14:44,790
می دهم، این یک کاوشگر نگران کننده از
296
00:14:44,790 –> 00:14:47,040
جعبه ابزار چند بعدی است که اکنون می توانید
297
00:14:47,040 –> 00:14:49,140
بخوانید نوشتن و مدیریت داده های چند بعدی
298
00:14:49,140 –> 00:14:51,810
ابزارهای تحلیلی
299
00:14:51,810 –> 00:14:53,640
در تحلیلگر تصویر و جعبه ابزار تخصصی موجود است
300
00:14:53,640 –> 00:14:55,170
که می توانید آنها را در آن پیدا کنید.
301
00:14:55,170 –> 00:14:59,580
مقدمه مجموعه ابزار چند بعدی شما
302
00:14:59,580 –> 00:15:01,650
اکنون یک نوار چند بعدی برای کار
303
00:15:01,650 –> 00:15:04,320
با لایه های ریل چند بعدی دارید که
304
00:15:04,320 –> 00:15:05,940
می توانید کارهای مختلفی را با آن انجام دهید، به
305
00:15:05,940 –> 00:15:07,470
عنوان مثال می توانید یک
306
00:15:07,470 –> 00:15:09,240
قطعه شطرنجی چند بعدی را تجسم کنید
307
00:15:09,240 –> 00:15:14,250
یا می توانید از طریق آن متحرک کنید.
308
00:15:14,250 –> 00:15:17,279
از ابزارهای تعاملی برای کاوش یک
309
00:15:17,279 –> 00:15:19,980
داده با استفاده از نمایه زمانی و
310
00:15:19,980 –> 00:15:23,370
آمار خلاصه استفاده کنید از اینجا میتوانید ابزارهای
311
00:15:23,370 –> 00:15:26,790
مدیریت داده و تحلیلی این ابزارها را باز یا فراخوانی کنید.
312
00:15:26,790 –> 00:15:29,459
همانطور که
313
00:15:29,459 –> 00:15:31,880
از جعبه ابزار
314
00:15:31,880 –> 00:15:34,069
موجود در این نوار موجود است، شما همچنین
315
00:15:34,069 –> 00:15:36,889
می توانید میزان تجزیه و تحلیل را تغییر دهید، می
316
00:15:36,889 –> 00:15:41,480
توانید یک متغیر را مشخص کنید و سپس یک زمان
317
00:15:41,480 –> 00:15:46,339
پایان را شروع می کنم و یک مرحله عمیق را شروع می کنم اکنون
318
00:15:46,339 –> 00:15:48,589
می خواهم داده های چند بعدی اضافه
319
00:15:48,589 –> 00:15:50,750
کنم. یک خروجی مدل hika از
320
00:15:50,750 –> 00:15:52,459
NOAA دارم و من به متغیر دمای آب علاقه مند هستم
321
00:15:52,459 –> 00:15:54,680
زیرا این
322
00:15:54,680 –> 00:15:56,269
داده بیشتر است، داده ها را به صورت
323
00:15:56,269 –> 00:15:59,000
شطرنجی با استفاده از گزینه افزودن داده از
324
00:15:59,000 –> 00:16:01,880
این گفتگو اضافه می کنم، می توانم یک CDF خالص یک فایل شبکه پایدار اضافه کنم.
325
00:16:01,880 –> 00:16:03,560
من متغیر دمای آب را انتخاب میکنم
326
00:16:03,560 –> 00:16:06,230
و این
327
00:16:06,230 –> 00:16:07,490
باعث میشود که لایه شطرنجی دمای آب
328
00:16:07,490 –> 00:16:12,949
برای هر یک از روشهای دیگر برای نشان
329
00:16:12,949 –> 00:16:14,329
دادن لایه ایجاد شود.
330
00:16:14,329 –> 00:16:17,750
331
00:16:17,750 –> 00:16:20,269
332
00:16:20,269 –> 00:16:22,370
من علاقه مند هستم
333
00:16:22,370 –> 00:16:26,540
که به یک برش خاص از این ابزار
334
00:16:26,540 –> 00:16:30,800
نگاه کنم، منطقه 7 را انتخاب می کنم و دوباره
335
00:16:30,800 –> 00:16:35,300
متغیر دمای آب را انتخاب می کنم و
336
00:16:35,300 –> 00:16:37,130
همه چیز را به عنوان پیش فرض می گذارم و ابزار را اجرا می کنم
337
00:16:37,130 –> 00:16:39,380
این
338
00:16:39,380 –> 00:16:41,329
لایه شطرنجی دمای آب را برای eac ایجاد می کند. h در 7 من
339
00:16:41,329 –> 00:16:44,149
همچنین میتوانم همان ابزار را از Earth pi
340
00:16:44,149 –> 00:16:46,579
در پنجره پایتون در اینجا یا در
341
00:16:46,579 –> 00:16:49,160
اسکریپت مستقل اجرا کنم، اکنون میدانیم که
342
00:16:49,160 –> 00:16:51,410
همه فایلهای netcdf ایجاد نمیشوند، برخی از آنها
343
00:16:51,410 –> 00:16:53,000
با فاصله نامنظم مانند دادههای ایستگاه یا
344
00:16:53,000 –> 00:16:55,220
پروفایل هستند، به عنوان مثال من این
345
00:16:55,220 –> 00:16:57,620
دادههای گلایدر زیر آب را دارم. NOAA و من
346
00:16:57,620 –> 00:16:59,089
علاقه مندیم به
347
00:16:59,089 –> 00:17:01,220
شوری اقیانوس نگاه کنیم، بنابراین از ویژگی magnet City
348
00:17:01,220 –> 00:17:03,380
ابزار انتخاب شوری به عنوان یک
349
00:17:03,380 –> 00:17:06,949
متغیر استفاده می کنم و ابعاد ردیف خود را مشخص
350
00:17:06,949 –> 00:17:08,720
می کنم تا مقادیر را از تمام نقاط به دست بیاورم
351
00:17:08,720 –> 00:17:12,890
همانطور که می بینید. به این
352
00:17:12,890 –> 00:17:16,669
ترتیب گلایدر حرکت می کند و از جدول ویژگی
353
00:17:16,669 –> 00:17:19,730
ویژگی می توانم ببینم که شوری چقدر
354
00:17:19,730 –> 00:17:25,099
متفاوت است، همچنین می توانم فقط یک جدول
355
00:17:25,099 –> 00:17:26,659
با مقادیر شوری ایجاد کنم اگر
356
00:17:26,659 –> 00:17:29,000
علاقه ای به دیدن نقاط با استفاده
357
00:17:29,000 –> 00:17:33,350
از ابزار نمای شهر آهنربایی جدول در این
358
00:17:33,350 –> 00:17:35,299
ابزار ندارم. طول جغرافیایی
359
00:17:35,299 –> 00:17:37,780
و متغیری که به آن علاقه دارم را مشخص کنید و
360
00:17:37,780 –> 00:17:42,470
همچنین بعد سطر خروجی
361
00:17:42,470 –> 00:17:45,640
جدولی است با مقادیر
362
00:17:45,640 –> 00:17:47,990
قبل برای تجسم منطقه 1 و ناحیه
363
00:17:47,990 –> 00:17:50,179
7 از comdata بالا. ابزار را دو بار اجرا کردم،
364
00:17:50,179 –> 00:17:52,580
بنابراین این کار خیلی کاربردی نیست
365
00:17:52,580 –> 00:17:55,070
من دارم با داده ها و فایل های زیادی
366
00:17:55,070 –> 00:17:57,080
برای منطقه یا مرحله زمانی مختلف کار می کنم، بنابراین
367
00:17:57,080 –> 00:17:59,179
می توانم این فایل ها را با استفاده از مجموعه داده موزاییک مدیریت کنم
368
00:17:59,179 –> 00:18:01,040
تا یک لایه پیوسته یکپارچه
369
00:18:01,040 –> 00:18:03,410
ایجاد کنم، ایجاد یک موزاییک یک فرآیند دو مرحله ای
370
00:18:03,410 –> 00:18:05,630
است، ابتدا یک مجموعه داده موزاییک خالی ایجاد می کنم.
371
00:18:05,630 –> 00:18:11,170
و سپس فهرستی را به آن اضافه می کنم،
372
00:18:11,170 –> 00:18:15,700
netcdf را به عنوان نوع فهرست من مشخص می کنم و
373
00:18:15,700 –> 00:18:17,929
دمای آب متغیری است که به آن
374
00:18:17,929 –> 00:18:21,110
علاقه دارم اگر
375
00:18:21,110 –> 00:18:22,760
متغیری را مشخص نکنم، موزاییک با همه متغیرها ایجاد می شود،
376
00:18:22,760 –> 00:18:27,590
سپس
377
00:18:27,590 –> 00:18:31,100
فایل های netcdf خود را مشخص می کنم. مناطقی با
378
00:18:31,100 –> 00:18:34,070
سه مرحله زمانی که هرکدام
379
00:18:34,070 –> 00:18:36,080
با فایلهای زیادی کار میکنم، اغلب بهروزرسانی میشوند
380
00:18:36,080 –> 00:18:37,970
و فرآیند را با استفاده از یک اسکریپت پایتون خودکار
381
00:18:37,970 –> 00:18:42,260
میکنم در این اسکریپت همین کار را انجام میدهم
382
00:18:42,260 –> 00:18:45,670
و ابتدا یک موزاییک ایجاد
383
00:18:45,670 –> 00:18:48,040
میکنم و سپس فهرستی را به آن اضافه میکنم.
384
00:18:48,040 –> 00:18:49,910
علاوه بر این، اگر می خواهید
385
00:18:49,910 –> 00:18:51,980
به روش خاصی به برخی از داده ها با هم نگاه
386
00:18:51,980 –> 00:18:53,929
کنید، می توانید یک الگوی پردازشی را مشخص کنید،
387
00:18:53,929 –> 00:18:55,970
به عنوان مثال در این اسکریپت، من
388
00:18:55,970 –> 00:18:57,890
یک الگوی پردازشی را مشخص می کنم که
389
00:18:57,890 –> 00:18:59,330
مؤلفه U و V را
390
00:18:59,330 –> 00:19:07,880
با هم ترکیب می کند تا اقیانوس ایجاد کند. n جریان اگر
391
00:19:07,880 –> 00:19:12,740
ابزار و اسکریپت را اجرا کنم، میتوانم
392
00:19:12,740 –> 00:19:16,040
مجموعه داده موزاییک را ایجاد کنم، دمای آب
393
00:19:16,040 –> 00:19:19,460
به این صورت است و
394
00:19:19,460 –> 00:19:24,170
جریان آب به این شکل است که قبلاً
395
00:19:24,170 –> 00:19:26,270
از این نوار گفتم، میتوانم مرحله زمانی را
396
00:19:26,270 –> 00:19:30,460
برای دیدن مقادیر در زمانهای مختلف تغییر دهم.
397
00:19:32,350 –> 00:19:34,809
من همچنین میتوانم به برشها در
398
00:19:34,809 –> 00:19:36,370
اعماق مختلف نگاه کنم یا میتوانم از میان
399
00:19:36,370 –> 00:19:42,160
آنها متحرک شوم، بنابراین بیایید چند برش را تجسم کنیم
400
00:19:42,160 –> 00:19:45,220
تا ببینیم که چگونه عمق با
401
00:19:45,220 –> 00:19:47,260
تغییر دمای آب با عمق تغییر میکند، همانطور
402
00:19:47,260 –> 00:19:50,020
که میتوانید آبی شدن رنگ قرمز را ببینید
403
00:19:50,020 –> 00:19:51,789
که ما عمیقتر میشویم. ocean
404
00:19:51,789 –> 00:19:53,740
یعنی دمای آب
405
00:19:53,740 –> 00:19:56,230
با افزایش عمق کاهش مییابد، شما میتوانید
406
00:19:56,230 –> 00:19:58,390
دادههای خود را با متحرک کردن با استفاده از
407
00:19:58,390 –> 00:20:00,460
نوار لغزنده زمان نویسنده و نوار لغزنده از
408
00:20:00,460 –> 00:20:03,820
صفحه خصوصیات
409
00:20:03,820 –> 00:20:06,039
410
00:20:06,039 –> 00:20:07,840
لایه کاوش کنید. رستر
411
00:20:07,840 –> 00:20:09,120
به سه روش مختلف
412
00:20:09,120 –> 00:20:11,850
نمونه برداری گسسته از هندسه یا نقاط
413
00:20:11,850 –> 00:20:14,380
از یک فایل netcdf به یک ویژگی یا یک
414
00:20:14,380 –> 00:20:17,020
جدول و نحوه مدیریت چندین
415
00:20:17,020 –> 00:20:19,000
فایل netcdf با استفاده از مجموعه داده های موسیقی و
416
00:20:19,000 –> 00:20:20,620
تجسم آن برای کاوش بیشتر
417
00:20:20,620 –> 00:20:27,880
– شما من را می شناسید متشکرم
418
00:20:27,880 –> 00:20:30,400
چیزهایی را به من نشان می دهید بسیار عالی بود که دیدم
419
00:20:30,400 –> 00:20:35,200
خواندن این داده ها در arcgis pro و کار کردن
420
00:20:35,200 –> 00:20:38,740
با آن چقدر آسان است، حالا بیایید دنده را عوض کنیم و بیایید
421
00:20:38,740 –> 00:20:43,929
در مورد انجام تجزیه و تحلیل صحبت کنیم چگونه می
422
00:20:43,929 –> 00:20:46,480
توانید تجزیه و تحلیل را با این کار انجام دهید. دادهها در GS
423
00:20:46,480 –> 00:20:51,130
ما صدها ابزار از قبل داریم
424
00:20:51,130 –> 00:20:55,480
که با شطرنجی دوبعدی و ویژگیها کار میکنند، شما
425
00:20:55,480 –> 00:20:58,470
میتوانید از همه آنها برای انجام تحلیل خود استفاده کنید، به
426
00:20:58,470 –> 00:21:01,150
محض اینکه واقعاً یک مدل ایجاد کردید یا
427
00:21:01,150 –> 00:21:03,159
فرآیند را خودکار کردید و در واقع
428
00:21:03,159 –> 00:21:07,059
آنها را تکه تکه در
429
00:21:07,059 –> 00:21:10,990
تجزیه و تحلیل خود مرور کنید. ممکن است از همه این ابزار برای انجام
430
00:21:10,990 –> 00:21:12,190
آن نوع کار استفاده کنید،
431
00:21:12,190 –> 00:21:15,100
اما ممکن است بخواهید
432
00:21:15,100 –> 00:21:17,350
تجزیه و تحلیلی انجام دهید که نیاز به نگاه کردن به
433
00:21:17,350 –> 00:21:20,500
مجموعه داده ها با هم دارد، برخی از ابزارهایی
434
00:21:20,500 –> 00:21:22,690
که ما ایجاد کرده ایم در آن دسته قرار می گیرند
435
00:21:22,690 –> 00:21:25,600
، ابزارهای جدید و می توانید آنها را در
436
00:21:25,600 –> 00:21:28,270
تصویر پیدا کنید. جعبه ابزار تجزیه و تحلیل و جعبه ابزار تخصصی
437
00:21:28,270 –> 00:21:30,690
که تحت
438
00:21:30,690 –> 00:21:33,549
مجموعه ابزار تجزیه و تحلیل چند بعدی هستند، ما
439
00:21:33,549 –> 00:21:37,120
همچنین صدها تابع داریم که می
440
00:21:37,120 –> 00:21:40,299
توانید در واقع از آنها برای انجام تجزیه و تحلیل استفاده کنید همه
441
00:21:40,299 –> 00:21:43,120
این عملکردها در Python thro نیز موجود است.
442
00:21:43,120 –> 00:21:46,330
443
00:21:46,330 –> 00:21:52,029
اگر به هنر توسط API نگاه کنید، اگر به API PI یا API RGS ما برای پایتون نگاه کنید،
444
00:21:52,029 –> 00:21:56,230
1300
445
00:21:56,230 –> 00:21:58,630
ابزار جامع در دسترس هستند که
446
00:21:58,630 –> 00:22:00,760
در دستههای مختلفی مانند
447
00:22:00,760 –> 00:22:04,390
تجزیه و تحلیل موقعیت مکانی مدیریت دادهها دسته
448
00:22:04,390 –> 00:22:08,049
تجزیه و تحلیل سه بعدی و یادگیری ماشینی
449
00:22:08,049 –> 00:22:09,850
قرار میگیرند، اگر به مرکزی که در مورد آن صحبت میکنیم نگاه کنید.
450
00:22:09,850 –> 00:22:12,279
تجزیه و تحلیل شطرنجی و تجزیه و تحلیل تخیلی
451
00:22:12,279 –> 00:22:14,490
برای کار با
452
00:22:14,490 –> 00:22:17,169
فهرست چند بعدی و
453
00:22:17,169 –> 00:22:20,409
454
00:22:20,409 –> 00:22:26,049
455
00:22:26,049 –> 00:22:28,779
456
00:22:28,779 –> 00:22:31,000
مجموعه داده های مرتبط بسیار مفید هستند. مکعب عمق
457
00:22:31,000 –> 00:22:34,740
را به طور کلی انجام دهید و یک نوع تجزیه و
458
00:22:34,740 –> 00:22:37,240
تحلیل انجام دهید، البته
459
00:22:37,240 –> 00:22:39,070
فهرستی چند نسلی جمع آوری کنید که بسیار
460
00:22:39,070 –> 00:22:42,250
مفید است و به شما امکان می دهد داده ها را به
461
00:22:42,250 –> 00:22:44,529
روشی که می خواهید جمع آوری کنید، به عنوان مثال از
462
00:22:44,529 –> 00:22:47,679
روزانه به ماهانه یا ماهانه به سالانه
463
00:22:47,679 –> 00:22:50,889
می توانید خلاصه کنید. آمار
464
00:22:50,889 –> 00:22:52,600
انواع مختلف آمار خلاصه با این
465
00:22:52,600 –> 00:22:57,240
ابزار یکی دیگر از موارد جالب
466
00:22:57,240 –> 00:23:01,659
ایجاد ناهنجاری است که البته اتفاقاتی
467
00:23:01,659 –> 00:23:04,090
می افتد و شما می خواهید بفهمید که
468
00:23:04,090 –> 00:23:07,450
آیا معمولاً طبیعی است یا چیزی
469
00:23:07,450 –> 00:23:10,210
متفاوت است پس بقیه سال یا برخی
470
00:23:10,210 –> 00:23:12,399
ناهنجاری های دوره زمانی دیگر
471
00:23:12,399 –> 00:23:14,919
ابزار بسیار مهمی برای انجام آن
472
00:23:14,919 –> 00:23:17,049
نوع تجزیه و تحلیل است که شما همچنین می خواهید روند را پیدا کنید
473
00:23:17,049 –> 00:23:19,600
، بنابراین مطمئناً ما
474
00:23:19,600 –> 00:23:23,049
یک بار ابزار فهرست روندها را تولید کرده ایم. شما
475
00:23:23,049 –> 00:23:24,850
دارای روندی هستید که ممکن است
476
00:23:24,850 –> 00:23:26,950
بخواهید اتفاقات بعدی را پیشبینی کنید و با استفاده از
477
00:23:26,950 –> 00:23:30,460
فهرست روندها پیشبینی کنید که برای انجام این
478
00:23:30,460 –> 00:23:32,529
نوع تحلیل
479
00:23:32,529 –> 00:23:34,570
ابزار جالب دیگر، یافتن آمار استدلال است که
480
00:23:34,570 –> 00:23:37,809
در واقع به شما امکان میدهد یک پدیده را پیدا کنید و
481
00:23:37,809 –> 00:23:40,330
به شما بگوید چه زمانی اتفاق افتاده است. همچنین
482
00:23:40,330 –> 00:23:44,880
ابزار مفیدی است که ما همچنین ابزار موجود را
483
00:23:44,880 –> 00:23:50,200
برای انجام انواع مختلف آنالیز در
484
00:23:50,200 –> 00:23:54,070
این مورد خاص تقویت میکنیم آنچه که میخواهید انجام دهید این
485
00:23:54,070 –> 00:23:58,600
است که میخواهید همان تحلیلی را
486
00:23:58,600 –> 00:24:00,190
انجام دهید که با 2d era
487
00:24:00,190 –> 00:24:03,700
stur روی یک مکعب فهرستی چند بعدی
488
00:24:03,700 –> 00:24:06,100
انجام میدهید. در هر برش یک به یک اتفاق می افتد،
489
00:24:06,100 –> 00:24:12,279
بنابراین ما
490
00:24:12,279 –> 00:24:15,220
با افزودن یک پارامتر جدید به نام فرآیند
491
00:24:15,220 –> 00:24:18,070
به صورت چند بعدی در برخی از
492
00:24:18,070 –> 00:24:20,830
ابزارهایی که داریم به
493
00:24:20,830 –> 00:24:23,440
آن هدف دست پیدا می کنیم. شما در واقع یک
494
00:24:23,440 –> 00:24:25,179
دسته از نقاط دارید و می خواهید
495
00:24:25,179 –> 00:24:28,179
مقدار زیر آن نقطه را استخراج کنید مانند
496
00:24:28,179 –> 00:24:31,149
کاوشگری است و ابزار نمونه کار فوق العاده ای انجام می دهد
497
00:24:31,149 –> 00:24:33,549
که در آن می توانید در
498
00:24:33,549 –> 00:24:36,159
مکعب و تمام ابعاد خود کاوش کنید و
499
00:24:36,159 –> 00:24:39,309
مقدار مورد نیاز خود را بدست آورید آمار منطقه ای
500
00:24:39,309 –> 00:24:41,769
قدرتمند دیگری است. ابزاری که برای
501
00:24:41,769 –> 00:24:44,139
بسیاری از تحلیل های مختلف استفاده می شود که
502
00:24:44,139 –> 00:24:46,539
پردازش چند بعدی را
503
00:24:46,539 –> 00:24:49,080
نیز پشتیبانی می کند، تقریباً از نظر آماری
504
00:24:49,080 –> 00:24:55,120
Buehler است که گاهی اوقات می خواهید
505
00:24:55,120 –> 00:24:57,700
تجزیه و تحلیل انجام دهید و یک خروجی روی دیسک ایجاد کنید،
506
00:24:57,700 –> 00:25:01,289
گاهی اوقات نمی بینید که یک مثال
507
00:25:01,289 –> 00:25:04,269
است فرض کنید دما را بر حسب کلوین دارید.
508
00:25:04,269 –> 00:25:06,820
تنها کاری که میخواهید انجام دهید این است که
509
00:25:06,820 –> 00:25:09,460
میخواهید آن مقدار را در فارنهایت نشان
510
00:25:09,460 –> 00:25:11,799
دهید، لازم نیست یک مجموعه داده جدید ایجاد کنید تا بتوانید
511
00:25:11,799 –> 00:25:13,779
512
00:25:13,779 –> 00:25:17,200
با استفاده از تابع فهرست، آنالیز در
513
00:25:17,200 –> 00:25:20,019
لحظه انجام دهید، مثال دیگر این است که محاسبات
514
00:25:20,019 –> 00:25:22,090
در جایی که هستید سرد میشود. ترکیب چند متغیر
515
00:25:22,090 –> 00:25:24,940
با هم برای ایجاد یک اطلاعات جدید، اما
516
00:25:24,940 –> 00:25:27,370
برای انجام این کار، نیازی به ایجاد یک
517
00:25:27,370 –> 00:25:32,860
مجموعه داده جدید ندارید، بنابراین می توانید بسیاری از تابع شطرنجی را پیدا کنید
518
00:25:32,860 –> 00:25:34,779
که به y اجازه می دهد
519
00:25:34,779 –> 00:25:37,570
شما می توانید این کارها را انجام دهید و می توانید این توابع را
520
00:25:37,570 –> 00:25:40,809
با هم در یک زنجیره ترکیب کنید و تجزیه و تحلیل را انجام دهید
521
00:25:40,809 –> 00:25:43,149
، البته آنالیز در
522
00:25:43,149 –> 00:25:45,039
لحظه انجام می دهد تا مجبور نباشید مجموعه داده را ذخیره کنید،
523
00:25:45,039 –> 00:25:48,250
در واقع توانایی تحلیل شما
524
00:25:48,250 –> 00:25:52,539
را بسیار گسترش می دهد اگر بخواهید می
525
00:25:52,539 –> 00:25:55,179
توانید آن را به عنوان یک الگوی تابع شطرنجی ذخیره کنید
526
00:25:55,179 –> 00:25:57,610
تا آن را به دوست همکار خود بدهید یا از
527
00:25:57,610 –> 00:26:00,779
آن برای تجزیه و تحلیل آینده مانند هر
528
00:26:00,779 –> 00:26:04,409
تابع خارج از جعبه دیگری استفاده کنید،
529
00:26:05,710 –> 00:26:10,159
زمانی که در حال انجام تجزیه و تحلیل بیشتر آنها
530
00:26:10,159 –> 00:26:12,440
هستید، متوجه خواهید شد که ممکن است باید پیش پردازش
531
00:26:12,440 –> 00:26:15,049
داده های مدیریت داده دیگری را انجام دهید
532
00:26:15,049 –> 00:26:18,169
و غیره،
533
00:26:18,169 –> 00:26:20,419
ممکن است قبل از انجام
534
00:26:20,419 –> 00:26:22,510
تجزیه و تحلیل اتفاق بیفتد، ممکن است بعد از
535
00:26:22,510 –> 00:26:25,250
اجرای شما یا در هر نقطه ای
536
00:26:25,250 –> 00:26:29,360
بین این دو اتفاق بیفتد، بنابراین چه روش خوبی برای انجام این
537
00:26:29,360 –> 00:26:30,620
نوع مدیریت داده ها از
538
00:26:30,620 –> 00:26:34,429
قبل پردازش و همچنین انجام برخی تحلیلها
539
00:26:34,429 –> 00:26:37,419
با منقاری چند بعدی در PI ما
540
00:26:37,419 –> 00:26:39,950
، راههای بسیار خوبی وجود دارد که
541
00:26:39,950 –> 00:26:42,380
میتوانید آن را انجام دهید و در واقع میتوانی