در این مطلب، ویدئو پایتون | Pandas dataframe.skew() | GeeksforGeeks 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: 00:02:48
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,120 –> 00:00:02,220
سلام بچهها به گیکهایی خوش آمدید که
2
00:00:02,220 –> 00:00:03,899
امروز میخواهیم
3
00:00:03,899 –> 00:00:05,960
عملکرد q-turtoise قاب پاندا را ببینیم،
4
00:00:05,960 –> 00:00:08,700
بنابراین قبل از اینکه وارد آن شویم، بیایید
5
00:00:08,700 –> 00:00:10,889
ببینیم pandas چیست.
6
00:00:10,889 –> 00:00:12,840
7
00:00:12,840 –> 00:00:15,780
از
8
00:00:15,780 –> 00:00:17,460
زبان برنامه نویسی پایتون برای
9
00:00:17,460 –> 00:00:21,240
تجزیه و تحلیل کارآمد داده ها استفاده کنید و ما به ما
10
00:00:21,240 –> 00:00:23,130
در تمیز کردن و آماده سازی داده ها برای
11
00:00:23,130 –> 00:00:26,760
اهداف تحلیلی کمک می کنیم و می توانیم
12
00:00:26,760 –> 00:00:28,680
با انواع منابع داده مانند
13
00:00:28,680 –> 00:00:30,929
فایل های SQL فایل های واقعی برگه CSV و بسیاری
14
00:00:30,929 –> 00:00:35,130
دیگر به خوبی کار کنیم حالا بیایید ببینیم قاب داده قاب داده چیست.
15
00:00:35,130 –> 00:00:37,140
یک
16
00:00:37,140 –> 00:00:38,940
ساختار داده ناهمگن دوبعدی با
17
00:00:38,940 –> 00:00:42,420
محورهای برچسب دار برای تجزیه و تحلیل داده ها است که
18
00:00:42,420 –> 00:00:46,200
ما داده های خود را در قالب داده پانداها ذخیره می کنیم و به عنوان
19
00:00:46,200 –> 00:00:48,600
چارچوب داده مبتنی بر روش های داخلی است که
20
00:00:48,600 –> 00:00:50,070
به ما کمک می کند تا عملیات مختلفی را
21
00:00:50,070 –> 00:00:53,190
بر روی داده های خود انجام دهیم و قاب داده تابع dhatus q
22
00:00:53,190 –> 00:00:55,800
یکی از آنها است. اکنون بیایید ببینیم
23
00:00:55,800 –> 00:00:58,170
که این تابع چه می کند و ما
24
00:00:58,170 –> 00:00:59,850
تابع قاب داده protis q یک
25
00:00:59,850 –> 00:01:02,250
انحراف بی طرف را بر روی محور درخواست کننده برمی گرداند.
26
00:01:02,250 –> 00:01:05,390
چولگی با n منهای 1 ske نرمال می شود.
27
00:01:05,390 –> 00:01:07,950
wness معیاری برای عدم
28
00:01:07,950 –> 00:01:10,229
تقارن توزیع احتمال
29
00:01:10,229 –> 00:01:14,310
متغیر تصادفی با ارزش واقعی در مورد میانگین آن است، بنابراین
30
00:01:14,310 –> 00:01:16,350
چولگی اساساً تمام تقارن در
31
00:01:16,350 –> 00:01:20,040
توزیع آماری هر داده است،
32
00:01:20,040 –> 00