در این مطلب، ویدئو نحوه انجام تابع جدول محوری در پایتون – تجزیه و تحلیل داده ها و تجسم – این تنها چیزی است که نیاز دارید..!!! 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: 00:29:30
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:06,080
2
00:00:06,080 –> 00:00:09,839
3
00:00:09,840 –> 00:00:12,000
4
00:00:12,000 –> 00:00:14,920
5
00:00:14,920 –> 00:00:18,480
6
00:00:18,480 –> 00:00:19,359
7
00:00:19,359 –> 00:00:21,840
8
00:00:21,840 –> 00:00:24,640
9
00:00:24,640 –> 00:00:27,840
10
00:00:27,840 –> 00:00:31,439
11
00:00:31,439 –> 00:00:35,040
12
00:00:35,040 –> 00:00:37,600
13
00:00:37,600 –> 00:00:39,520
14
00:00:39,520 –> 00:00:40,800
15
00:00:40,800 –> 00:00:42,480
16
00:00:42,480 –> 00:00:44,399
17
00:00:44,399 –> 00:00:47,360
18
00:00:47,360 –> 00:00:50,399
19
00:00:50,399 –> 00:00:52,640
20
00:00:52,640 –> 00:00:55,120
21
00:00:55,120 –> 00:00:56,399
22
00:00:56,399 –> 00:00:59,920
23
00:00:59,920 –> 00:01:01,120
24
00:01:01,120 –> 00:01:03,840
25
00:01:03,840 –> 00:01:05,600
26
00:01:05,600 –> 00:01:07,840
27
00:01:07,840 –> 00:01:09,600
28
00:01:09,600 –> 00:01:11,840
29
00:01:11,840 –> 00:01:14,799
30
00:01:14,799 –> 00:01:19,040
31
00:01:19,040 –> 00:01:21,200
32
00:01:21,200 –> 00:01:23,119
33
00:01:23,119 –> 00:01:25,920
34
00:01:25,920 –> 00:01:28,000
35
00:01:28,000 –> 00:01:28,960
36
00:01:28,960 –> 00:01:30,799
37
00:01:30,799 –> 00:01:33,040
38
00:01:33,040 –> 00:01:36,000
39
00:01:36,000 –> 00:01:37,040
40
00:01:37,040 –> 00:01:40,079
41
00:01:40,079 –> 00:01:43,439
42
00:01:43,439 –> 00:01:47,119
43
00:01:47,119 –> 00:01:49,040
44
00:01:49,040 –> 00:01:50,960
45
00:01:50,960 –> 00:01:54,079
46
00:01:54,079 –> 00:01:56,560
47
00:01:56,560 –> 00:02:00,079
48
00:02:00,880 –> 00:02:03,680
49
00:02:03,680 –> 00:02:05,600
50
00:02:05,600 –> 00:02:09,079
51
00:02:10,800 –> 00:02:12,080
52
00:02:12,080 –> 00:02:14,800
53
00:02:14,800 –> 00:02:17,599
54
00:02:17,599 –> 00:02:21,040
55
00:02:21,040 –> 00:02:23,280
56
00:02:23,280 –> 00:02:27,920
57
00:02:28,480 –> 00:02:29,440
58
00:02:29,440 –> 00:02:31,840
59
00:02:31,840 –> 00:02:33,760
60
00:02:33,760 –> 00:02:36,160
61
00:02:36,160 –> 00:02:38,239
62
00:02:38,239 –> 00:02:40,080
63
00:02:40,080 –> 00:02:42,400
64
00:02:42,400 –> 00:02:44,080
65
00:02:44,080 –> 00:02:46,640
66
00:02:46,720 –> 00:02:49,519
67
00:02:49,519 –> 00:02:51,680
68
00:02:51,680 –> 00:02:54,879
69
00:02:54,879 –> 00:02:56,879
70
00:02:56,879 –> 00:02:59,200
71
00:02:59,200 –> 00:03:01,200
72
00:03:01,200 –> 00:03:05,680
73
00:03:05,680 –> 00:03:08,159
74
00:03:08,159 –> 00:03:11,200
75
00:03:11,200 –> 00:03:16,599
76
00:03:18,080 –> 00:03:20,959
77
00:03:20,959 –> 00:03:22,720
78
00:03:22,720 –> 00:03:24,400
79
00:03:24,400 –> 00:03:28,000
80
00:03:28,000 –> 00:03:32,440
81
00:03:33,920 –> 00:03:35,920
82
00:03:35,920 –> 00:03:38,319
83
00:03:38,319 –> 00:03:42,080
84
00:03:42,080 –> 00:03:44,400
85
00:03:44,400 –> 00:03:46,319
86
00:03:46,319 –> 00:03:48,640
87
00:03:48,640 –> 00:03:50,640
88
00:03:50,640 –> 00:03:53,200
89
00:03:53,360 –> 00:03:57,000
90
00:04:00,080 –> 00:04:03,040
91
00:04:03,040 –> 00:04:06,319
92
00:04:06,319 –> 00:04:09,200
93
00:04:09,200 –> 00:04:13,280
94
00:04:13,280 –> 00:04:16,798
95
00:04:16,798 –> 00:04:19,199
96
00:04:19,199 –> 00:04:20,880
97
00:04:20,880 –> 00:04:24,080
98
00:04:24,080 –> 00:04:26,400
99
00:04:26,400 –> 00:04:28,560
100
00:04:28,560 –> 00:04:30,000
101
00:04:30,000 –> 00:04:32,320
102
00:04:32,320 –> 00:04:35,120
103
00:04:35,120 –> 00:04:36,479
104
00:04:36,479 –> 00:04:38,560
105
00:04:38,560 –> 00:04:40,960
106
00:04:40,960 –> 00:04:44,000
107
00:04:44,000 –> 00:04:44,880
108
00:04:44,880 –> 00:04:46,800
109
00:04:46,800 –> 00:04:51,280
110
00:04:51,280 –> 00:04:54,320
111
00:04:54,320 –> 00:04:56,000
112
00:04:56,000 –> 00:04:58,479
113
00:04:58,479 –> 00:05:01,520
114
00:05:01,520 –> 00:05:03,840
115
00:05:03,840 –> 00:05:04,800
116
00:05:04,800 –> 00:05:07,120
117
00:05:07,120 –> 00:05:10,479
118
00:05:10,479 –> 00:05:14,240
119
00:05:14,720 –> 00:05:16,240
120
00:05:16,240 –> 00:05:17,039
121
00:05:17,039 –> 00:05:19,600
122
00:05:19,600 –> 00:05:21,120
123
00:05:21,120 –> 00:05:22,800
124
00:05:22,800 –> 00:05:24,720
125
00:05:24,720 –> 00:05:26,160
126
00:05:26,160 –> 00:05:28,320
127
00:05:28,320 –> 00:05:30,000
128
00:05:30,000 –> 00:05:31,600
129
00:05:31,600 –> 00:05:32,960
130
00:05:32,960 –> 00:05:34,960
131
00:05:34,960 –> 00:05:37,199
132
00:05:37,199 –> 00:05:40,160
133
00:05:40,160 –> 00:05:43,120
134
00:05:43,120 –> 00:05:47,120
135
00:05:47,120 –> 00:05:49,039
136
00:05:49,039 –> 00:05:52,639
137
00:05:52,639 –> 00:05:55,360
138
00:05:55,360 –> 00:05:57,919
139
00:05:57,919 –> 00:06:00,639
140
00:06:00,639 –> 00:06:02,880
141
00:06:02,880 –> 00:06:05,199
142
00:06:05,199 –> 00:06:08,400
143
00:06:08,400 –> 00:06:11,520
144
00:06:11,520 –> 00:06:15,199
145
00:06:15,199 –> 00:06:18,560
146
00:06:18,639 –> 00:06:21,759
147
00:06:21,759 –> 00:06:24,240
148
00:06:24,240 –> 00:06:26,240
149
00:06:26,240 –> 00:06:28,880
150
00:06:29,120 –> 00:06:30,880
151
00:06:30,880 –> 00:06:32,840
152
00:06:32,840 –> 00:06:37,360
153
00:06:37,360 –> 00:06:39,440
154
00:06:39,440 –> 00:06:41,199
155
00:06:41,199 –> 00:06:44,080
156
00:06:44,080 –> 00:06:47,120
157
00:06:47,120 –> 00:06:50,319
158
00:06:50,319 –> 00:06:52,960
159
00:06:53,440 –> 00:06:54,400
160
00:06:54,400 –> 00:06:57,039
161
00:06:57,039 –> 00:06:59,120
162
00:06:59,120 –> 00:07:00,080
163
00:07:00,080 –> 00:07:02,960
164
00:07:02,960 –> 00:07:04,240
165
00:07:04,240 –> 00:07:06,639
166
00:07:06,720 –> 00:07:09,520
167
00:07:09,759 –> 00:07:13,360
168
00:07:13,520 –> 00:07:16,000
169
00:07:16,000 –> 00:07:18,400
170
00:07:18,400 –> 00:07:22,319
171
00:07:23,840 –> 00:07:27,680
172
00:07:27,680 –> 00:07:29,840
173
00:07:29,840 –> 00:07:33,199
174
00:07:33,199 –> 00:07:34,240
175
00:07:34,240 –> 00:07:36,479
176
00:07:36,880 –> 00:07:40,960
177
00:07:41,120 –> 00:07:44,800
178
00:07:44,800 –> 00:07:48,240
179
00:07:48,240 –> 00:07:50,319
180
00:07:50,319 –> 00:07:52,479
181
00:07:52,479 –> 00:07:56,240
182
00:07:56,240 –> 00:07:58,720
183
00:07:58,720 –> 00:07:59,599
184
00:07:59,599 –> 00:08:03,440
185
00:08:04,240 –> 00:08:07,520
186
00:08:07,520 –> 00:08:08,479
187
00:08:08,479 –> 00:08:09,360
188
00:08:09,360 –> 00:08:10,960
189
00:08:10,960 –> 00:08:13,360
190
00:08:13,360 –> 00:08:14,720
191
00:08:14,720 –> 00:08:15,919
192
00:08:15,919 –> 00:08:18,000
193
00:08:18,000 –> 00:08:20,720
194
00:08:20,720 –> 00:08:22,479
195
00:08:22,479 –> 00:08:25,039
196
00:08:25,039 –> 00:08:28,000
197
00:08:28,000 –> 00:08:29,840
198
00:08:29,840 –> 00:08:32,880
199
00:08:32,880 –> 00:08:35,919
200
00:08:35,919 –> 00:08:38,399
201
00:08:38,399 –> 00:08:39,279
202
00:08:39,279 –> 00:08:44,599
203
00:08:45,120 –> 00:08:46,880
204
00:08:46,880 –> 00:08:49,920
205
00:08:51,279 –> 00:08:55,680
206
00:08:55,680 –> 00:08:58,000
207
00:08:58,000 –> 00:09:00,800
208
00:09:00,800 –> 00:09:03,760
209
00:09:03,760 –> 00:09:08,240
210
00:09:08,240 –> 00:09:10,880
211
00:09:10,880 –> 00:09:13,519
212
00:09:13,519 –> 00:09:16,160
213
00:09:16,160 –> 00:09:18,959
214
00:09:19,519 –> 00:09:23,560
215
00:09:25,200 –> 00:09:28,640
216
00:09:29,120 –> 00:09:31,519
217
00:09:31,839 –> 00:09:34,320
218
00:09:34,320 –> 00:09:36,560
219
00:09:36,560 –> 00:09:38,560
220
00:09:38,560 –> 00:09:40,880
221
00:09:40,880 –> 00:09:41,839
222
00:09:41,839 –> 00:09:45,200
223
00:09:45,360 –> 00:09:47,120
224
00:09:47,120 –> 00:09:49,279
225
00:09:49,279 –> 00:09:51,360
226
00:09:51,360 –> 00:09:54,640
227
00:09:54,640 –> 00:09:56,720
228
00:09:56,720 –> 00:09:58,480
229
00:09:58,480 –> 00:10:00,959
230
00:10:00,959 –> 00:10:04,640
231
00:10:04,640 –> 00:10:08,640
232
00:10:09,680 –> 00:10:11,920
233
00:10:11,920 –> 00:10:14,720
234
00:10:15,200 –> 00:10:17,519
235
00:10:17,519 –> 00:10:20,160
236
00:10:20,160 –> 00:10:22,320
237
00:10:22,320 –> 00:10:25,360
238
00:10:25,680 –> 00:10:28,560
239
00:10:29,279 –> 00:10:31,120
240
00:10:31,120 –> 00:10:33,760
241
00:10:33,760 –> 00:10:36,560
242
00:10:36,560 –> 00:10:39,760
243
00:10:40,000 –> 00:10:42,240
244
00:10:42,240 –> 00:10:46,760
245
00:10:50,720 –> 00:10:54,240
246
00:10:54,399 –> 00:10:55,440
247
00:10:55,440 –> 00:10:58,240
248
00:10:59,279 –> 00:11:01,760
249
00:11:01,760 –> 00:11:06,160
250
00:11:06,160 –> 00:11:09,680
251
00:11:09,680 –> 00:11:10,640
252
00:11:10,640 –> 00:11:13,839
253
00:11:13,839 –> 00:11:16,079
254
00:11:16,079 –> 00:11:19,279
255
00:11:19,279 –> 00:11:21,839
256
00:11:21,839 –> 00:11:24,079
257
00:11:24,880 –> 00:11:27,360
258
00:11:27,360 –> 00:11:29,600
259
00:11:29,600 –> 00:11:32,079
260
00:11:36,160 –> 00:11:38,480
261
00:11:38,480 –> 00:11:40,880
262
00:11:40,880 –> 00:11:43,519
263
00:11:43,519 –> 00:11:44,560
264
00:11:44,560 –> 00:11:47,839
265
00:11:48,079 –> 00:11:51,839
266
00:11:52,320 –> 00:11:53,839
267
00:11:53,839 –> 00:11:54,880
268
00:11:54,880 –> 00:11:58,560
269
00:11:58,560 –> 00:12:02,000
270
00:12:02,399 –> 00:12:05,279
271
00:12:05,279 –> 00:12:07,600
272
00:12:07,600 –> 00:12:11,800
273
00:12:12,320 –> 00:12:14,240
274
00:12:14,240 –> 00:12:17,200
275
00:12:17,200 –> 00:12:19,600
276
00:12:19,600 –> 00:12:20,959
277
00:12:20,959 –> 00:12:23,279
278
00:12:23,279 –> 00:12:26,240
279
00:12:26,240 –> 00:12:28,399
280
00:12:28,399 –> 00:12:32,240
281
00:12:36,800 –> 00:12:38,399
282
00:12:38,399 –> 00:12:40,800
283
00:12:40,800 –> 00:12:43,839
284
00:12:44,480 –> 00:12:49,120
285
00:12:49,920 –> 00:12:52,480
286
00:12:52,480 –> 00:12:54,800
287
00:12:54,800 –> 00:12:56,720
288
00:12:56,720 –> 00:13:00,639
289
00:13:01,920 –> 00:13:06,240
290
00:13:06,240 –> 00:13:07,680
291
00:13:07,680 –> 00:13:10,320
292
00:13:10,320 –> 00:13:13,279
293
00:13:13,920 –> 00:13:16,720
294
00:13:16,720 –> 00:13:18,720
295
00:13:18,720 –> 00:13:22,000
296
00:13:22,000 –> 00:13:22,959
297
00:13:22,959 –> 00:13:25,920
298
00:13:25,920 –> 00:13:28,000
299
00:13:28,000 –> 00:13:32,639
300
00:13:32,959 –> 00:13:36,959
301
00:13:39,040 –> 00:13:40,880
302
00:13:40,880 –> 00:13:43,760
303
00:13:43,760 –> 00:13:46,240
304
00:13:46,240 –> 00:13:49,360
305
00:13:49,360 –> 00:13:51,920
306
00:13:51,920 –> 00:13:54,240
307
00:13:54,240 –> 00:13:56,800
308
00:13:56,800 –> 00:13:59,760
309
00:13:59,760 –> 00:14:02,399
310
00:14:02,399 –> 00:14:04,560
311
00:14:04,560 –> 00:14:06,240
312
00:14:06,240 –> 00:14:08,959
313
00:14:08,959 –> 00:14:12,000
314
00:14:12,000 –> 00:14:13,920
315
00:14:13,920 –> 00:14:16,880
316
00:14:16,880 –> 00:14:19,360
317
00:14:19,360 –> 00:14:21,440
318
00:14:21,440 –> 00:14:24,399
319
00:14:24,560 –> 00:14:27,600
320
00:14:27,600 –> 00:14:30,800
321
00:14:30,800 –> 00:14:33,279
322
00:14:33,279 –> 00:14:35,680
323
00:14:36,160 –> 00:14:39,279
324
00:14:39,279 –> 00:14:43,720
325
00:14:52,959 –> 00:14:57,000
326
00:15:00,720 –> 00:15:03,680
327
00:15:03,680 –> 00:15:06,480
328
00:15:06,480 –> 00:15:08,720
329
00:15:08,720 –> 00:15:11,760
330
00:15:11,760 –> 00:15:13,519
331
00:15:13,519 –> 00:15:15,519
332
00:15:15,519 –> 00:15:17,839
333
00:15:17,839 –> 00:15:21,360
334
00:15:21,519 –> 00:15:24,560
335
00:15:24,800 –> 00:15:27,839
336
00:15:28,000 –> 00:15:30,639
337
00:15:30,639 –> 00:15:34,560
338
00:15:34,560 –> 00:15:37,279
339
00:15:37,279 –> 00:15:39,680
340
00:15:39,680 –> 00:15:41,040
341
00:15:41,040 –> 00:15:43,360
342
00:15:43,360 –> 00:15:45,600
343
00:15:45,600 –> 00:15:49,680
344
00:15:49,680 –> 00:15:51,360
345
00:15:51,360 –> 00:15:52,839
346
00:15:52,839 –> 00:15:55,440
347
00:15:55,440 –> 00:15:58,320
348
00:15:59,279 –> 00:16:02,320
349
00:16:02,320 –> 00:16:04,560
350
00:16:04,800 –> 00:16:05,920
351
00:16:05,920 –> 00:16:09,759
352
00:16:09,759 –> 00:16:11,680
353
00:16:11,680 –> 00:16:14,560
354
00:16:14,560 –> 00:16:17,839
355
00:16:17,839 –> 00:16:20,839
356
00:16:22,000 –> 00:16:27,040
357
00:16:30,880 –> 00:16:33,120
358
00:16:33,120 –> 00:16:35,279
359
00:16:35,279 –> 00:16:38,639
360
00:16:39,040 –> 00:16:41,279
361
00:16:41,279 –> 00:16:44,000
362
00:16:44,000 –> 00:16:46,560
363
00:16:46,560 –> 00:16:48,399
364
00:16:48,399 –> 00:16:50,639
365
00:16:50,639 –> 00:16:51,519
366
00:16:51,519 –> 00:16:53,920
367
00:16:53,920 –> 00:16:54,800
[موسیقی] سلام دوستان، امروز به کانال من بازگردید، من به شما یاد خواهم داد که چگونه داده ها را در نوت بوک jupyter تجزیه و تحلیل کنید و همچنین داده های تجزیه و تحلیل شده را در نوت بوک jupyter تجسم کنید و امروز عمدتاً روی عملکرد اکسل تمرکز خواهیم کرد که محور اصلی است. جدول و بیایید ببینیم چگونه می توانیم این کار را در مشتری با کدگذاری بسیار کم انجام دهیم، به طوری که آموزش ویدیویی امروز است، امیدوارم لذت ببرید و اگر تازه وارد این کانال هستید، لطفاً دکمه اشتراک را فشار دهید و روی نماد زنگ کلیک کنید تا به شما اطلاع داده شود. شروع به کدنویسی کنید، ما در تب notebook jupiter هستیم، به new بروید و python3 را انتخاب کنید، این نوت بوک jupyter را باز می کند و می توانیم نام نوت بوک را به عنوان crosstab در آموزش discord تغییر نام دهیم، بنابراین امروز شاهد عملکرد crosstab در نوت بوک jupyter یا زیر خواهیم بود. پانداها در نوت بوک ژوپیتر پس ما خوب هستیم پس آموزش 2 داریم بیایید برچسب بزنیم بله اکنون نام فایل را آماده کرده ایم و بیایید به پایگاه داده نگاهی بیندازیم که چه چیزی را می خواهیم تجزیه و تحلیل کنیم. پس ما پایگاه داده را در اینجا داریم، بیایید به سرعت باز کنیم و بنابراین این جزئیات فروش کتاب آمازون در آمازون است، ما نام نویسنده رتبه بندی کاربران نظرات سال قیمت و ژانر را داریم، بنابراین ما امروز این داده ها را تجزیه و تحلیل خواهیم کرد. بنابراین ما در اینجا داده های زیادی داریم، بنابراین بیایید ببینیم چگونه این را تجزیه و تحلیل کنیم، بنابراین من فقط می خواهم این را ببندم و اکنون به صفحه نوت بوک برمی گردم تا داده هایی را که برای وارد کردن پانداها نیاز داریم را تجزیه و تحلیل کنیم و به واردات Uh نیاز داریم. برای تجسم به پیوند uh c به عنوان sns و وارد کردن mat plot lib dot pi نمودار به عنوان plt نیاز داریم و میخواهیم این خطی را رسم کنیم تا بتوانید از این کد طرح مات lib به صورت درون خطی استفاده کنید، بنابراین بخش اول وارد کردن ویژگیهای ضروری uh اکنون انجام شده است. میتوانیم به دادههایی که میخواهیم تجزیه و تحلیل کنیم یا فایلی را که میخواهیم آنالیز کنیم دسترسی داشته باشیم، بنابراین میتوانیم به صورت df برای قاب داده بنویسیم و pd dot read underscore csv اکنون باید نام فایل را در اینجا وارد کنیم، بنابراین به اینجا بروید و فقط کپی میکنیم. این را در اینجا بچسبانیم که نیاز داریم d برای قرار دادن براکت باید در آن باشد و یک چیزی را که باید به خاطر بسپارید این است که این اسلش باید تغییر کند در غیر این صورت مقداری خطا ایجاد می کند و نام فایل کتاب underscore sales dot csv است ما فقط می توانیم تأیید کنیم که کتاب بله فروش زیرخط یک نام است خوب حالا ما فایل را آماده داریم خوب اجازه دهید چارچوب داده را بررسی کنیم فقط اجرای را فشار دهید بله اکنون داده ها آماده است بنابراین به طور پیش فرض پنج امتیاز داده را می دهد اگر می خواهید 10 را افزایش دهید می توانید 10 دریافت کنید. یا فقط df را تایپ کنید سپس اطلاعات کامل را دریافت خواهید کرد، بنابراین ما 550 ردیف در اینجا داریم، بنابراین داده های کامل نمایش داده می شود و اگر می خواهید فقط اولی را ببینید، می توانیم فقط هد را بدهیم و 10 را در براکت بدهیم. 10 ردیف اول فایل یا را خروجی میدهد، بنابراین حالا که انجام شد، بیایید توضیح دهیم بیایید ببینیم توضیحات قاب داده چیست، فقط به توصیف بروید تا ما رتبهبندی متفاوتی از کاربران داشته باشیم، نظرات آنها قیمت آنها است. آنجا و سال آنجاست و تعداد هر یک از اینها 550 است، بنابراین 550 نقطه داده در دسترس است و شما می توانید بعد از اعشار ببینید که تعداد زیادی ارقام Uh وجود دارد، بنابراین برای کنترل آن می توانید از یک گرد استفاده کنید که فقط یک اعشار را نشان می دهد، بنابراین اگر دو عدد می خواهید. یا سه اعشار بعد از نقطه اعشار اگر دو رقم می خواهید و سپس می توانید فقط دو رقم بزنید سپس دو می دهید بنابراین ما این تابع را توضیح دادیم حالا بیایید اطلاعات این قاب داده را ببینیم اگر به قسمت اطلاعات بروید اطلاعات مربوط به آن را دریافت خواهید کرد. نوع بنابراین ما اینجا داریم um 550 ورودی وجود دارد از 0 تا 549 بنابراین شاخص پانداها از 0 شروع می شود بنابراین به همین دلیل است که 550 ورودی وجود دارد و از 0 تا 549 شروع می شود. ژانر و همه اینها دارای داده هستند، به همین دلیل است که همه چیز دارای داده است، بنابراین ما این را پوشش دادیم و حالا بیایید از تابع crosstab استفاده کنیم بسیار خوب، اجازه دهید استفاده کنیم تا بتوانیم به اینجا برویم و از تابع crosstab برای آن استفاده کنیم که می توانیم به pd dot cross بروید. برگه بنابراین میخواهید ببینید چه چیزی در دادهها وجود دارد، فقط اجازه دهید سر نقطه df را بررسی کنیم تا ایدهای از سرهای مختلف در این مورد بدست آوریم، بنابراین ما فیلد نام نویسنده فیلد ارزیابی رتبهبندی کاربر سال و ژانر را داشته باشیم، بنابراین میتوانیم به پی دی نقطه متقاطع برویم. برگه و یک df dot نویسنده کاما df dot here کاما اکنون دیگر و جزئیات