در این مطلب، ویدئو خودکار کردن گزارشات اکسل با پایتون | پایگاه داده پرس و جو با پاندا | Dataframe را در فایل تقسیم و ذخیره کنید 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: 00:08:52
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:02,130 –> 00:00:06,240
[موسیقی]
2
00:00:06,240 –> 00:00:07,040
سلام و
3
00:00:07,040 –> 00:00:09,760
خوش آمدید به یک آموزش پایتون دیگر
4
00:00:09,760 –> 00:00:10,880
امروز ما به
5
00:00:10,880 –> 00:00:13,280
یک اسکریپت مفید پایتون نگاه خواهیم کرد که
6
00:00:13,280 –> 00:00:13,920
7
00:00:13,920 –> 00:00:16,880
گزارش های
8
00:00:16,880 –> 00:00:18,240
9
00:00:18,240 –> 00:00:22,080
10
00:00:22,080 –> 00:00:24,240
اکسل را خودکار می کند.
11
00:00:24,240 –> 00:00:26,560
فایلهای مختلف بر اساس یک ستون
12
00:00:26,560 –> 00:00:28,960
در هر مورد نیاز کسبوکار، هر
13
00:00:28,960 –> 00:00:30,960
واحد تجاری میخواهد یک فایل جداگانه برای
14
00:00:30,960 –> 00:00:32,159
بخش خود
15
00:00:32,159 –> 00:00:34,559
در یک پوشه جداگانه در اشتراک شبکه ببیند،
16
00:00:34,559 –> 00:00:35,280
17
00:00:35,280 –> 00:00:37,200
سپس آنها فایل خود را برمیدارند و
18
00:00:37,200 –> 00:00:40,079
تجزیه و تحلیل بیشتری روی این دادهها
19
00:00:40,079 –> 00:00:42,640
انجام میدهند.
20
00:00:42,640 –> 00:00:43,600
هفته
21
00:00:43,600 –> 00:00:46,640
ای که تصمیم گرفتم آن را با استفاده از
22
00:00:46,640 –> 00:00:49,840
پایتون خودکار کنم، به استودیوی مدیریت می روم،
23
00:00:49,840 –> 00:00:50,879
فرض کنید
24
00:00:50,879 –> 00:00:53,840
این مجموعه داده را در پایگاه داده خود داریم و هر
25
00:00:53,840 –> 00:00:55,920
هفته این مجموعه داده را به یک فایل
26
00:00:55,920 –> 00:00:56,399
اکسل استخراج
27
00:00:56,399 –> 00:00:58,879
می کنیم، باید فایل را بر اساس
28
00:00:58,879 –> 00:01:01,039
ستون منطقه فروش تقسیم
29
00:01:01,039 –> 00:01:03,280
کنیم. مقادیر متمایز
30
00:01:03,280 –> 00:01:05,760
ستون منطقه فروش را چاپ کنید،
31
00:01:05,760 –> 00:01:09,280
ما 10 منطقه مجزا داریم،
32
00:01:09,280 –> 00:01:12,080
بنابراین باید این مجموعه داده را به
33
00:01:12,080 –> 00:01:14,159
10 فایل مختلف تقسیم کنم و 10 فایل
34
00:01:14,159 –> 00:01:17,040
متفاوت ایجاد کنم. t پوشه ها را ذخیره کنید و
35
00:01:17,040 –> 00:01:17,600
فایل ها را
36
00:01:17,600 –> 00:01:20,479
در پوشه های مربوطه ذخیره کنید، این کار
37
00:01:20,479 –> 00:01:22,320
نسبتاً آسانی است،
38
00:01:22,320 –> 00:01:24,479
زیرا ما در حال حاضر فقط 10 منطقه داریم،
39
00:01:24,479 –> 00:01:25,600
40
00:01:25,600 –> 00:01:27,600
اما تصور کنید اگر 50 قلمرو به اضافه
41
00:01:27,600 –> 00:01:28,799
42
00:01:28,799 –> 00:01:31,680
داشته باشید، اگر
43
00:01:31,680 –> 00:01:33,360
مجبور باشید همه این فهرست ها را ایجاد
44
00:01:33,360 –> 00:01:34,159
کنید،
45
00:01:34,159 –> 00:01:36,159
تقسیم دستی فایل انجام می شود، این کار دشوار می شود. یک
46
00:01:36,159 –> 00:01:37,520
کار وقت گیر
47
00:01:37,520 –> 00:01:40,479
و سپس ذخیره هر فایل در یکی از
48
00:01:40,479 –> 00:01:42,240
آن پوشه ها
49
00:01:42,240 –> 00:01:45,600
به طوری که با افزایش
50
00:01:45,600 –> 00:01:48,159
داده ها به اندازه کافی رشد نمی کند
51
00:01:48,159 –> 00:01:49,040
52
00:01:49,040 –> 00:01:50,799
53
00:01:50,799 –> 00:01:52,720
54
00:01:52,720 –> 00:01:56,000
55
00:01:56,000 –> 00:01:59,040
. بستههای مورد نیاز را نصب میکند،
56
00:01:59,040 –> 00:02:00,000
اولین مورد
57
00:02:00,000 –> 00:02:03,200
کانکتور odbc پایتون است، ما از این
58
00:02:03,200 –> 00:02:04,880
برای اتصال به سرور sql
59
00:02:04,880 –> 00:02:08,318
و صادرات دادهها به یک قاب داده
60
00:02:08,318 –> 00:02:11,680
61
00:02:11,680 –> 00:02:15,120
62
00:02:15,120 –> 00:02:18,319
استفاده میکنیم، سپس پانداها را به صورت pdf وارد میکنم و سپس ماژول os را که استفاده میکنیم وارد میکنم. ماژول OS
63
00:02:18,319 –> 00:02:21,280
برای ایجاد دایرکتوری ها و سپس
64
00:02:21,280 –> 00:02:23,920
ذخیره فایل ها در آن دایرکتوری ها،
65
00:02:23,920 –> 00:02:25,840
من می توانم سلول را از
66
00:02:25,840 –> 00:02:27,360
نوار ابزار بالا اجرا
67
00:02:27,360 –> 00:02:31,280
کنم یا می توانم ctrl به همراه shift enter را فشار دهم
68
00:02:31,280 –> 00:02:33,760
و این کار اجرا می شود. سلول e برای ما این
69
00:02:33,760 –> 00:02:34,640
70
00:02:34,640 –> 00:02:38,400
بسته ها را به نوت بوک jupyter وارد می کند
71
00:02:38,400 –> 00:02:41,200
به من اجازه می دهد یک اتصال پایگاه داده
72
00:02:41,200 –> 00:02:42,239
را بچرخانم، این را
73
00:02:42,239 –> 00:02:45,200
در متغیری به نام اتصال ذخیره می کنم،
74
00:02:45,200 –> 00:02:46,440
75
00:02:46,440 –> 00:02:49,840
روش pi odbc.connect را فراخوانی می کنم و به جای
76
00:02:49,840 –> 00:02:51,040
تایپ دستی
77
00:02:51,040 –> 00:02:54,000
همه آرگومان ها
78
00:02:54,000 –> 00:02:55,040
رشته اتصال را کپی کنید
79
00:02:55,040 –> 00:02:57,840
و من آن را مرور می کنم، ما از
80
00:02:57,840 –> 00:02:59,360
سرویس گیرنده اصلی sql server
81
00:02:59,360 –> 00:03:02,319
11 استفاده می کنیم. اگر این درایور
82
00:03:02,319 –> 00:03:04,000
را روی دستگاه خود نصب
83
00:03:04,000 –> 00:03:06,959
ندارید، می توانید آن را دانلود کرده و نصب کنید،
84
00:03:06,959 –> 00:03:09,200
لینک در توضیحات زیر آمده است.
85
00:03:09,200 –> 00:03:11,680
نام سرور را داشته باشید که
86
00:03:11,680 –> 00:03:14,159
نام کامپیوتر خود را ارائه خواهم کرد
87
00:03:14,159 –> 00:03:16,959
و بعد نام پایگاه داده ای است که من از
88
00:03:16,959 –> 00:03:20,000
adventureworks
89
00:03:20,000 –> 00:03:21,599
dw2012 برای پایگاه داده استفاده می کنم، لینک نیز در
90
00:03:21,599 –> 00:03:23,120
توضیحات زیر آمده است
91
00:03:23,120 –> 00:03:25,280
و اگر نمی خواهید یک را راه اندازی کنید، اتصال مطمئن را روی
92
00:03:25,280 –> 00:03:26,640
بله
93
00:03:26,640 –> 00:03:29,040
تنظیم می کنم.
94
00:03:29,040 –> 00:03:31,040
پایگاه داده لینک
95
00:03:31,040 –> 00:03:33,599
مجموعه داده را به عنوان یک فایل اکسل در
96
00:03:33,599 –> 00:03:34,959
توضیحات زیر قرار
97
00:03:34,959 –> 00:03:36,879
می دهم تا بتوانید آن را دانلود کنید و
98
00:03:36,879 –> 00:03:39,120
فایل اکسل را در دیتا فریم بخوانید و در ادامه
99
00:03:39,120 –> 00:03:40,000
100
00:03:40,000 –> 00:03:42,879
یک دیتا فریم به نام df
101
00:03:42,879 –> 00:03:43,599
و با استفاده از
102
00:03:43,599 –> 00:03:47,440
pandas read query s اعلام کنم. روش ql
103
00:03:47,440 –> 00:03:50,959
پرس و جو از پایگاه داده این متد دو آرگومان می گیرد
104
00:03:50,959 –> 00:03:52,000
105
00:03:52,000 –> 00:03:54,799
یک دستور select و
106
00:03:54,799 –> 00:03:57,360
یک اتصال، متغیر اتصال را به آن پاس می دهم
107
00:03:57,360 –> 00:04:00,080
و عبارت view select را از سرور sql پیست می کنم،
108
00:04:00,080 –> 00:04:01,599
109
00:04:01,599 –> 00:04:03,519
اسکریپت برای view نیز در
110
00:04:03,519 –> 00:04:04,720
مخزن github است
111
00:04:04,720 –> 00:04:07,120
که می توانید آن را بگیرید اسکریپت از github و
112
00:04:07,120 –> 00:04:08,319
ایجاد نمای
113
00:04:08,319 –> 00:04:11,040
در پایگاه داده کارهای ماجراجویی خود، من
114
00:04:11,040 –> 00:04:12,799
میروم و Shift
115
00:04:12,799 –> 00:04:15,760
به علاوه enter را فشار میدهم تا این سلول اجرا شود، این قرار است
116
00:04:15,760 –> 00:04:17,680
اتصال به سرور sql ایجاد
117
00:04:17,680 –> 00:04:18,478
شود
118
00:04:18,478 –> 00:04:21,440
و پس از اتمام این کار، دادهها را در قاب داده بخوانم.
119
00:04:21,440 –> 00:04:22,240
120
00:04:22,240 –> 00:04:25,280
ادامه دهید و چار