در این مطلب، ویدئو مقدمه ای بر تجزیه و تحلیل داده ها با استفاده از پایتون | تجزیه و تحلیل داده ها و تجسم با پایتون|Simplilearn 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: 1:54:38
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:07,279 –> 00:00:09,040
سلام نام من ریچارد کیرشنر است با
2
00:00:09,040 –> 00:00:11,559
تیم یادگیری ساده که
3
00:00:11,559 –> 00:00:13,840
www.simplylearn.com گواهینامه
4
00:00:13,840 –> 00:00:17,039
دریافت کنید پانداها واقعاً یک
5
00:00:17,039 –> 00:00:20,080
ماژول اصلی پایتون هستند که برای انجام
6
00:00:20,080 –> 00:00:22,480
علم داده و پردازش داده ها
7
00:00:22,480 –> 00:00:24,080
8
00:00:24,080 –> 00:00:26,000
به آن نیاز دارید. به نوعی
9
00:00:26,000 –> 00:00:27,439
روی numpy می نشیند، بنابراین اگر قبلاً آرایه numpy ما را داشته
10
00:00:27,439 –> 00:00:28,640
اید، امیدواریم که قبلاً
11
00:00:28,640 –> 00:00:30,080
آموزش numpy
12
00:00:30,080 –> 00:00:31,679
یک و دو را گذرانده باشید، بنابراین امروز ما قصد داریم
13
00:00:31,679 –> 00:00:33,600
پانداها را پوشش
14
00:00:33,600 –> 00:00:36,239
دهیم، سری ها را مورد بحث قرار خواهیم داد و در مورد عملیات اساسی بحث خواهیم
15
00:00:36,239 –> 00:00:38,000
کرد. در سری،
16
00:00:38,000 –> 00:00:40,399
سپس ما به خود یک قاب داده وارد میشویم،
17
00:00:40,399 –> 00:00:42,879
عملیاتهای اساسی روی فایل قاب داده،
18
00:00:42,879 –> 00:00:45,399
عملیات مربوط به تصویرسازی قاب داده
19
00:00:45,399 –> 00:00:47,680
و سپس چند مثال تمرینی
20
00:00:47,680 –> 00:00:48,640
21
00:00:48,640 –> 00:00:50,559
، آستینهایمان را بالا میزنیم و مقداری کدنویسی
22
00:00:50,559 –> 00:00:51,920
در زیر آن دریافت میکنیم و
23
00:00:51,920 –> 00:00:54,000
اجازه دهید فقط با چند مورد کلی واقعی شروع کنیم.
24
00:00:54,000 –> 00:00:55,680
pandas
25
00:00:55,680 –> 00:00:58,160
pandas ابزاری برای پردازش داده است
26
00:00:58,160 –> 00:01:00,399
که به تجزیه و تحلیل داده ها کمک
27
00:01:00,399 –> 00:01:02,239
می کند و عملکردها و روش هایی را برای
28
00:01:02,239 –> 00:01:03,920
دستکاری کارآمد
29
00:01:03,920 –> 00:01:07,119
مجموعه داده های بزرگ ارائه
30
00:01:07,119 –> 00:01:10,320
می دهد. rk یا hadoop در دادههای بزرگ،
31
00:01:10,320 –> 00:01:12,080
بنابراین ما در اینجا در مورد دادههای بزرگ صحبت
32
00:01:12,080 –> 00:01:13,920
نمیکنیم، اما در مورد پانداها صحبت میکنیم، زمانی
33
00:01:13,920 –> 00:01:15,119
که برخی از اتصالات وجود دارد، مانند
34
00:01:15,119 –> 00:01:16,720
یک رابط در حال انجام است، بنابراین
35
00:01:16,720 –> 00:01:18,240
در دسترس بودن وجود دارد، اما شما واقعاً باید
36
00:01:18,240 –> 00:01:19,680
پانداهای خود را بشناسید زیرا اگر دوباره
37
00:01:19,680 –> 00:01:21,280
روی دادههای بزرگ کار میکنید، میدانید که فریمهای داده وجود دارد،
38
00:01:21,280 –> 00:01:22,479
خوب
39
00:01:22,479 –> 00:01:25,600
پانداها یک قاب داده هستند، در درجه اول
40
00:01:25,600 –> 00:01:26,960
چند قطعه مختلف دارد که در اینجا به آنها نگاه میکنیم
41
00:01:26,960 –> 00:01:27,439
42
00:01:27,439 –> 00:01:29,119
و اگر هرگز با فریمهای داده کار نکردهاید،
43
00:01:29,119 –> 00:01:31,439
یک قاب داده اساساً
44
00:01:31,439 –> 00:01:33,360
مانند یک اکسل است. صفحهگسترده شما سطرها
45
00:01:33,360 –> 00:01:34,240
و ستونهایی
46
00:01:34,240 –> 00:01:36,560
دارید که میتوانید از طریق سطر یا ستون به دادههای خود دسترسی پیدا کنید
47
00:01:36,560 –> 00:01:37,680
48
00:01:37,680 –> 00:01:40,000
و ایندکس دارید و این
49
00:01:40,000 –> 00:01:40,960
نوع تنظیمات را متفاوت میکنید،
50
00:01:40,960 –> 00:01:43,439
و هرچه
51
00:01:43,439 –> 00:01:45,680
عمیقتر به پانداها میرسیم، بیشتر به آن میپردازیم، اما آن را
52
00:01:45,680 –> 00:01:47,520
مانند یک صفحه گسترده اکسل غول پیکر
53
00:01:47,520 –> 00:01:50,240
که برای اجرای داده های بزرگتر روی رایانه شما بهینه شده است
54
00:01:50,240 –> 00:01:51,520
55
00:01:51,520 –> 00:01:53,360
و سپس گفتم که این یک
56
00:01:53,360 –> 00:01:56,000
قاب داده است بنابراین ساختارهای داده در پانداها
57
00:01:56,000 –> 00:01:56,560
58
00:01:56,560 –> 00:02:00,000
آرایه های یک بعدی سری هستند و سپس
59
00:02:00,000 –> 00:02:02,640
ما آرایه دو بعدی قاب داده داریم
60
00:02:02,640 –> 00:02:04,159
و دوباره ally در اطراف قاب داده متمرکز می
61
00:02:04,159 –> 00:02:06,079
شود، این سری به طور اتفاقی بخشی
62
00:02:06,079 –> 00:02:07,280
از آن فریم داده است
63
00:02:07,280 –> 00:02:09,199
و در اینجا نگاهی دقیق تر به
64
00:02:09,199 –> 00:02:11,200
سری های سری پانداها است که یک آرایه یک بعدی
65
00:02:11,200 –> 00:02:11,599
با
66
00:02:11,599 –> 00:02:14,160
برچسب هایی است که می تواند شامل هر نوع داده ای
67
00:02:14,160 –> 00:02:16,319
از جمله رشته های اعداد صحیح،
68
00:02:16,319 –> 00:02:18,800
اشیاء پایتون شناور و غیره باشد.
69
00:02:18,800 –> 00:02:20,640
اگر به یاد داشته باشید از numpy که ما
70
00:02:20,640 –> 00:02:22,160
مطالعه کردیم همه آنها باید
71
00:02:22,160 –> 00:02:24,560
یکنواخت باشند نه در پانداها و پانداها ما می
72
00:02:24,560 –> 00:02:25,599
توانیم کارهای بیشتری انجام دهیم
73
00:02:25,599 –> 00:02:27,040
و قلم در واقع به نوعی روی
74
00:02:27,040 –> 00:02:28,640
numpy می نشیند، بنابراین شما واقعاً باید هر دوی
75
00:02:28,640 –> 00:02:30,080
آنها را بشناسید اگر این کار را نکرده اید. آموزش های numpy را انجام دادیم
76
00:02:30,080 –> 00:02:31,040
77
00:02:31,040 –> 00:02:32,640
و می توانید اینجا ببینید که ما ایندکس
78
00:02:32,640 –> 00:02:34,239
یک دو سه چهار پنج
79
00:02:34,239 –> 00:02:37,280
و سپس داده هایمان a b c d و e
80
00:02:37,280 –> 00:02:38,800
بسیار ساده است، فقط دو
81
00:02:38,800 –> 00:02:41,200
ستون است و ما یک برچسب شاخص خوب
82
00:02:41,200 –> 00:02:43,440
و یک برچسب ستون برای داده ها و سپس
83
00:02:43,440 –> 00:02:45,440
یک قاب داده داریم. یک ساختار داده دو بعدی
84
00:02:45,440 –> 00:02:47,040
با برچسبهایی است
85
00:02:47,040 –> 00:02:49,519
که میتوانیم از برچسبها برای مکانیابی دادهها استفاده کنیم و
86
00:02:49,519 –> 00:02:50,720
میتوانید در اینجا ببینید که
87
00:02:50,720 –> 00:02:53,120
اگر به عقب برگردیم، ایندکس یک
88
00:02:53,120 –> 00:02:53,920
دو سه چهار
89
00:02:53,920 –> 00:02:56,640
پنج داشتیم، بنابراین در هر یک از این سریها
90
00:02:56,640 –> 00:02:58,080
همان i به اشتراک گذاشته میشوند. نمایه سطر را در
91
00:02:58,080 –> 00:02:59,120
آنجا قرار دهید
92
00:02:59,120 –> 00:03:02,000
تا نمایه سطر خود را df dot index داشته باشید
93
00:03:02,000 –> 00:03:03,560
و سپس یک نمایه ستونی
94
00:03:03,560 –> 00:03:04,800
df.columns داشته باشید
95
00:03:04,800 –> 00:03:06,159
و این به نظر می رسد که من گفتم
96
00:03:06,159 –> 00:03:07,360
97
00:03:07,360 –> 00:03:08,959
اگر کاری با صفحات گسترده
98
00:03:08,959 –> 00:03:11,599
اکسل انجام داده باشید بسیار آشنا خواهد بود. شبیه این است که این
99
00:03:11,599 –> 00:03:13,519
کار دستکاری
100
00:03:13,519 –> 00:03:14,000
داده ها
101
00:03:14,000 –> 00:03:16,239
و اضافه
102
00:03:16,239 –> 00:03:17,120
103
00:03:17,120 –> 00:03:18,640
کردن ستون ها را آسان تر می کند.
104
00:03:18,640 –> 00:03:20,720
105
00:03:20,720 –> 00:03:22,239
106
00:03:22,239 –> 00:03:24,480
نوتبوک میتوانید از هر یک از ویرایشگرهای پایتون
107
00:03:24,480 –> 00:03:24,959
خود استفاده کنید،
108
00:03:24,959 –> 00:03:27,440
اما من به شدت پیشنهاد
109
00:03:27,440 –> 00:03:29,040
میکنم اگر jupiter را نصب نکردهاید و
110
00:03:29,040 –> 00:03:30,080
با آن کار
111
00:03:30,080 –> 00:03:32,400
نکردهاید، احتمالاً یکی از بهترین راهها برای
112
00:03:32,400 –> 00:03:34,000
نمایش آسان پروژهای است
113
00:03:34,000 –> 00:03:34,640
که روی آن کار میکنید.
114
00:03:34,640 –> 00:03:36,480
از
115
00:03:36,480 –> 00:03:37,920
رابط های کاربری مختلف یا ایدهای
116
00:03:37,920 –> 00:03:39,920
برای ویرایش پایتون من و فقط
117
00:03:39,920 –> 00:03:44,640
به سادگی jupiter.org j-u-p-y-t-e-r.org است
118
00:03:44,640 –> 00:03:46,400
و سپس من همیشه اجازه می دهم که در
119
00:03:46,400 –> 00:03:49,120
anaconda.
120
00:03:49,120 –> 00:03:50,959
121
00:03:50,959 –> 00:03:52,879
122
00:03:52,879 –> 00:03:55,040
آن را دوباره به من نشان بده در اینجا می توانید ببینید
123
00:03:55,040 –> 00:03:56,080
که من
124
00:03:56,080 –> 00:03:57,439
ابزارهای مختلفی دارم که می توانم آنها
125
00:03:57,439 –> 00:04:00,000
را در آناکوندای خود نصب کنم، از جمله
126
00:04:00,000 –> 00:04:02,319
نوت بوک مشتری که به طور پیش فرض می آید
127
00:04:02,319 –> 00:04:03,519
و سپس به محیط ها دسترسی دارم
128
00:04:03,519 –> 00:04:06,200
و دوباره آن anaconda.com است که به
129
00:04:06,200 –> 00:04:08,799
نام
130
00:04:08,799 –> 00:04:10,080
یکی از بزرگ ترین های جهان نامگذاری شده است. بزرگترین
131
00:04:10,080 –> 00:04:10,640
مارها
132
00:04:10,640 –> 00:04:12,879
و سپس نوت بوک مشتری در این مورد
133
00:04:12,879 –> 00:04:14,239
jupiter.org
134
00:04:14,239 –> 00:04:16,160
و زمانی که ما در محل خود هستیم من می خواهم به
135
00:04:16,160 –> 00:04:17,759
اینجا به دفترچه یادداشت مشتری خود برویم و
136
00:04:17,759 –> 00:04:18,880
ما به جلو برویم و فقط
137
00:04:18,880 –> 00:04:22,479
یک پایتون 3 جدید انجام دهیم و این کار را انجام خواهد داد.
138
00:04:22,479 –> 00:04:25,199
یک پوشه بدون عنوان python 3 باز کنید،
139
00:04:25,199 –> 00:04:27,919
بنابراین وارد شوید، بیایید ادامه دهیم و
140
00:04:27,919 –> 00:04:29,199
به این عنوان
141
00:04:29,199 –> 00:04:32,080
آموزش پانداها بدهیم و به سلول می رویم
142
00:04:32,080 –> 00:04:32,639
143
00:04:32,639 –> 00:04:34,960
و نوع سلول را به markdown تغییر می دهیم تا آن
144
00:04:34,960 –> 00:04:37,280
را به عنوان کد یک واقعی اجرا نکند.
145
00:04:37,280 –> 00:04:39,120
وقتی
146
00:04:39,120 –> 00:04:41,120
نوتبوکهای ژوپیتر دارید،
147
00:04:41,120 –> 00:04:42,960
میتوانید دموها را با آن انجام دهید و بیایید جلوتر برویم
148
00:04:42,960 –> 00:04:44,240
و
149
00:04:44,240 –> 00:04:47,360
پانداها را وارد کنیم و معمولاً مردم فقط آن را
150
00:04:47,360 –> 00:04:49,120
pd مینامند که به استانداردی
151
00:04:49,120 –> 00:04:49,919
در صنعت تبدیل شده است،
152
00:04:49,919 –> 00:04:51,440
بنابراین ما ادامه میدهیم و اجرا میکنیم که اکنون
153
00:04:51,440 –> 00:04:53,120
داریم پانداهای ما تحمیل شده است
154
00:04:53,120 –> 00:04:56,000
به دفترچه یادداشت jupyter ما وارد شد و سپس اوه، ما می توانیم ادامه دهیم
155
00:04:56,000 –> 00:04:56,960
156
00:04:56,960 –> 00:04:58,800
و اجازه دهید کنترل را انجام دهم، چون
157
00:04:58,800 –> 00:05:00,479
اینترنت اکسپلورر است، می توانم آن را
158
00:05:00,479 –> 00:05:02,000
به راحتی بزرگ کنم تا نمای زیبایی داشته باشید،
159
00:05:02,000 –> 00:05:03,199
اوه خیلی بزرگ
160
00:05:03,199 –> 00:05:04,800
است، ما می رویم و هر زمان که
161
00:05:04,800 –> 00:05:06,080
با یک اکسپلورر کار می کنید ماژول جدید خوب است که
162
00:05:06,080 –> 00:05:06,560
163
00:05:06,560 –> 00:05:09,039
نسخه خود را از ماژول در پانداها بررسی
164
00:05:09,039 –> 00:05:10,080
کنید، در این مورد فقط از
165
00:05:10,080 –> 00:05:12,240
pd dot underscore نسخه
166
00:05:12,240 –> 00:05:13,520
underscore underscore استفاده کنید
167
00:05:13,520 –> 00:05:15,199
که در واقع در اکثر
168
00:05:15,199 –> 00:05:16,960
ماژول های پایتون ما بسیار رایج است،
169
00:05:16,960 –> 00:05:18,240
راه های مختلفی برای جستجوی نسخه وجود دارد، اما این
170
00:05:18,240 –> 00:05:19,360
یکی از مواردی است که موارد رایج تر
171
00:05:19,360 –> 00:05:21,400
و ما ادامه می دهیم و اجرا می کنیم که
172
00:05:21,400 –> 00:05:22,800
0.23.4 می گیریم
173
00:05:22,800 –> 00:05:25,960
و اگر به سایت
174
00:05:25,960 –> 00:05:28,560
pandas برویم 0.23.4 را به عنوان آخرین نسخه
175
00:05:28,560 –> 00:05:30,560
و البته یادآوری می کنیم که اگر
176
00:05:30,560 –> 00:05:31,840
به محیط
177
00:05:31,840 –> 00:05:33,680
می روید باید آن را نصب کنید، بنابراین
178
00:05:33,680 –> 00:05:35,680
اگر از نصب کننده pip استفاده می کنید، باید
179
00:05:35,680 –> 00:05:36,880
pandas نصب کنید،
180
00:05:36,880 –> 00:05:39,520
ما می رویم و آن را می بندیم و
181
00:05:39,520 –> 00:05:40,560
اولین کاری که می خواهیم انجام دهیم این است که
182
00:05:40,560 –> 00:05:41,360
با
183
00:05:41,360 –> 00:05:43,360
بسیاری از موارد شما کار می کنیم. به صورت سری
184
00:05:43,360 –> 00:05:44,960
انجام دهید، سپس می توانید به طور کلی انجام دهید
185
00:05:44,960 –> 00:05:47,600
مجموعه داده را باید انجام دهیم که یکی را ایجاد
186
00:05:47,600 –> 00:05:48,400
کنیم تا
187
00:05:48,400 –> 00:05:52,160
آن را دستکاری کنیم، تکههایی از آن را میگیریم، بنابراین
188
00:05:52,160 –> 00:05:55,440
آن را پرس و جو کنید آن را حذف کنید
189
00:05:55,440 –> 00:05:56,880
تا بتوانید قسمتهای مختلف آن را حذف کنید،
190
00:05:56,880 –> 00:05:58,560
بنابراین میخواهیم همه آن کارها را
191
00:05:58,560 –> 00:05:59,600
با مجموعه انجام
192
00:05:59,600 –> 00:06:01,280
دهیم و با این مجموعه شروع میکنیم. سری و سپس
193
00:06:01,280 –> 00:06:03,440
تقریباً تمام کدها در واقع همه کدها
194
00:06:03,440 –> 00:06:04,720
195
00:06:04,720 –> 00:06:07,759
مستقیماً به جدول داده های واقعی منتقل می شوند ،
196
00:06:07,759 –> 00:06:10,160
بنابراین از یک سری
197
00:06:10,160 –> 00:06:10,800
198
00:06:10,800 –> 00:06:12,800
لیست واحد از یک ستون می رویم و سپس آن را می
199
00:06:12,800 –> 00:06:14,400
گیریم و آن را به
200
00:06:14,400 –> 00:06:15,360
کل منتقل می کنیم. جدول
201
00:06:15,360 –> 00:06:17,919
را شروع می کنیم، اجازه دهید در
202
00:06:17,919 –> 00:06:19,199
آنجا قرار دهیم،
203
00:06:19,199 –> 00:06:23,199
یک سری از
204
00:06:23,199 –> 00:06:26,400
لیست ایجاد می کنیم و این arr را
205
00:06:26,400 –> 00:06:29,600
برابر می نامیم و 0 1 2
206
00:06:29,600 –> 00:06:31,840
3 4
207
00:06:31,840 –> 00:06:33,120
را انجام می دهیم.
208
00:06:33,120 –> 00:06:36,479
محدوده پنج که
209
00:06:36,479 –> 00:06:37,680
صفر تا چهار خواهد بود
210
00:06:37,680 –> 00:06:40,000
اما r را انجام می دهیم برابر صفر تا چهار است و
211
00:06:40,000 –> 00:06:41,520
این را s1
212
00:06:41,520 –> 00:06:44,880
می نامیم و به pd می رویم و سری با بزرگ می نویسیم.
213
00:06:44,880 –> 00:06:46,479
214
00:06:46,479 –> 00:06:48,400
215
00:06:48,400 –> 00:06:50,160
216
00:06:50,160 –> 00:06:51,680
آنها روز به روز یکنواخت تر می شوند،
217
00:06:51,680 –> 00:06:53,599
اما شما باید آن را با پایتون تماشا کنید
218
00:06:53,599 –> 00:06:55,120
و ما هستیم فقط میرویم و
219
00:06:55,120 –> 00:06:57,680
arr را انجام میدهیم، بنابراین ما فقط میخواهیم این
220
00:06:57,680 –> 00:06:59,440
فهرست پایتون را بگیریم و آن را به یک سری تبدیل کنیم
221
00:06:59,440 –> 00:07:00,960
222
00:07:00,960 –> 00:07:03,039
و سپس چون در مشتری هستیم،
223
00:07:03,039 –> 00:07:04,560
مجبور نیستیم عبارت چاپی را قرار دهیم.
224
00:07:04,560 –> 00:07:05,280
فقط
225
00:07:05,280 –> 00:07:08,080
s1 را قرار دهید و این سری را برای ما چاپ می
226
00:07:08,080 –> 00:07:08,880
کند
227
00:07:08,880 –> 00:07:10,240
و بیایید ادامه دهیم و آن را اجرا کنیم و
228
00:07:10,240 –> 00:07:13,360
نگاهی بیندازیم و خواهید دید که ما دو ردیف
229
00:07:13,360 –> 00:07:14,319
از اعداد داریم
230
00:07:14,319 –> 00:07:17,599
بنابراین اولین ردیف ایندکس است و اکنون به
231
00:07:17,599 –> 00:07:19,280
طور خودکار ایندکس را ایجاد می کند که با شروع آن شروع
232
00:07:19,280 –> 00:07:20,960
می شود. 0 مگر اینکه به آن بگویید
233
00:07:20,960 –> 00:07:21,680
متفاوت عمل کند،
234
00:07:21,680 –> 00:07:24,880
بنابراین ما 0 ردیف فهرست 0 0 1
235
00:07:24,880 –> 00:07:28,720
1 2 2 3 3 4 4 4 دریافت می کنیم. و چون یک سری
236
00:07:28,720 –> 00:07:30,960
است، برای ستون نیازی به عنوان
237
00:07:30,960 –> 00:07:34,000
ندارد، تنها یک ستون وجود دارد، پس چرا آن را عنوان کنید
238
00:07:34,000 –> 00:07:35,599
و این همچنین به شما اطلاع می دهد که این یک
239
00:07:35,599 –> 00:07:38,080
نوع داده از عدد صحیح 64 است.
240
00:07:38,080 –> 00:07:40,000
بنابراین ما این را چاپ می کنیم این
241
00:07:40,000 –> 00:07:42,240
سری اصلی ما است که اکنون ایجاد کرده ایم،
242
00:07:42,240 –> 00:07:45,520
بیایید یک pdf سری دوم انجام
243
00:07:45,520 –> 00:07:49,120
دهیم و از همان لیست داده استفاده می کنیم
244
00:07:49,120 –> 00:07:51,840
و ادامه می دهیم و دستور انجام دهید
245
00:07:51,840 –> 00:07:53,759
، به آن دستوری
246
00:07:53,759 –> 00:07:57,440
برابر خواهیم داد، اوه بیایید این کار را به این ترتیب انجام دهیم، برویم
247
00:07:57,440 –> 00:08:00,479
فهرست برابر با دستور است
248
00:08:00,479 –> 00:08:02,000
و اگر واقعاً آن را بدهیم کمک می کند یک
249
00:08:02,000 –> 00:08:04,160
دستور، بنابراین، ترتیب را انجام می دهیم،
250
00:08:04,160 –> 00:08:07,520
و بیایید یک دو سه
251
00:08:07,520 –> 00:08:09,840
چهار پنج انجام دهیم، بنابراین به جای اینکه با
252
00:08:09,840 –> 00:08:11,120
صفر شروع کنیم، به آن دستوری می دهیم
253
00:08:11,120 –> 00:08:12,240
که با یک شروع شود
254
00:08:12,240 –> 00:08:14,240
، آن را اجرا می کنیم و ادامه می دهیم
255
00:08:14,240 –> 00:08:15,840
و چاپ می کنیم آن را در اینجا
256
00:08:15,840 –> 00:08:19,199
s2 و خواهیم دید که ما اکنون یک
257
00:08:19,199 –> 00:08:21,199
شاخص 1 2 3 4 5 داریم
258
00:08:21,199 –> 00:08:24,240
و این نشان دهنده 0 1 2 3 4
259
00:08:24,240 –> 00:08:26,479
در سری است و ما هنوز از نوع داده
260
00:08:26,479 –> 00:08:28,000
عدد صحیح 64 هستیم.
261
00:08:28,000 –> 00:08:29,680
و همانطور که شما بسیار رایج هستید از دست رفته
262
00:08:29,680 –> 00:08:32,159
آرایه های numpy این است که می توانیم numpy خود را
263
00:08:32,159 –> 00:08:33,839
به عنوان np وارد کنیم به یاد داشته باشید که از آموزش های numpy خود
264
00:08:33,839 –> 00:08:34,719
265
00:08:34,719 –> 00:08:36,880
می توانیم ادامه دهیم و یک numpy به
266
00:08:36,880 –> 00:08:37,760
صورت تصادفی
267
00:08:37,760 –> 00:08:40,159
با اعداد تصادفی پنج ایجاد کنیم و
268
00:08:40,159 –> 00:08:41,360
اجازه دهید ببینیم
269
00:08:41,360 –> 00:08:42,958
انتهای آن چگونه است تا بتوانیم ببینیم
270
00:08:42,958 –> 00:08:44,560
عدد به نظر می رسد بنابراین ما
271
00:08:44,560 –> 00:08:46,399
مقادیر شناور تصادفی خوبی داریم در اینجا دو نقطه سه
272
00:08:46,399 –> 00:08:47,440
سه و به همین ترتیب
273
00:08:47,440 –> 00:08:49,279
و این از آخرین آموزش ما
274
00:08:49,279 –> 00:08:51,040
آموزش numpy یک و دو است
275
00:08:51,040 –> 00:08:53,200
و به جای اینکه آن را order
276
00:08:53,200 –> 00:08:55,040
بنامیم، آن را شاخص
277
00:08:55,040 –> 00:08:56,720
بنامیم و شاخص خود را برابر قرار می دهیم.
278
00:08:56,720 –> 00:08:58,160
به b c d و
279
00:08:58,160 –> 00:09:00,240
e میخواهم به شما نشان دهم که
280
00:09:00,240 –> 00:09:01,360
شاخص نباید یک
281
00:09:01,360 –> 00:09:03,120
عدد صحیح باشد، بنابراین من t می تواند
282
00:09:03,120 –> 00:09:04,800
در اینجا چیز بسیار متفاوتی باشد و سپس بیایید ادامه دهیم
283
00:09:04,800 –> 00:09:07,600
و ما فقط از s2 دوباره استفاده خواهیم کرد
284
00:09:07,600 –> 00:09:10,720
و اینجا np ما برای
285
00:09:10,720 –> 00:09:14,320
سری numpy بزرگ s است و n
286
00:09:14,320 –> 00:09:17,519
np ما برای numpy pd برای پانداها
287
00:09:17,519 –> 00:09:20,560
288
00:09:20,560 –> 00:09:22,320
است. pd.series از
289
00:09:22,320 –> 00:09:25,360
n و ما می خواهیم ایندکس خود را برابر با ایندکسی
290
00:09:25,360 –> 00:09:25,839
291
00:09:25,839 –> 00:09:28,880
که ایجاد کرده ایم انجام دهیم و سپس بیایید
292
00:09:28,880 –> 00:09:30,320
جلوتر برویم و ببینیم که s2 به نظر می رسد
293
00:09:30,320 –> 00:09:33,120
یک چاپ آن است و بیایید آن را اجرا کنیم و
294
00:09:33,120 –> 00:09:34,959
می توانیم اینجا ببینیم که یک سری خوب داریم.
295
00:09:34,959 –> 00:09:37,279
برای ایندکسهایمان روی b c d و e میرویم،
296
00:09:37,279 –> 00:09:39,120
بنابراین بهجای صفر بودن یک دو
297
00:09:39,120 –> 00:09:40,560
سه یا چهار، میتوانیم این شاخص را
298
00:09:40,560 –> 00:09:41,680
هر چه میخواهیم بسازیم
299
00:09:41,680 –> 00:09:43,360
و میتوانید اعدادی را در اینجا ببینید
300
00:09:43,360 –> 00:09:45,200
که به صورت تصادفی از آرایه اعداد تولید میشوند،
301
00:09:45,200 –> 00:09:47,680
بنابراین از numpy برای
302
00:09:47,680 –> 00:09:51,200
ایجاد خود استفاده میکنیم. سری panda درست در اینجا
303
00:09:51,200 –> 00:09:53,200
و بنابراین با ساختن
304
00:09:53,200 –> 00:09:54,880
سری ما این یکی را که من اغلب استفاده می کنم
305
00:09:54,880 –> 00:09:57,200
ادامه می دهیم، ما یک سری از یک
306
00:09:57,200 –> 00:09:59,120
فرهنگ لغت ایجاد می کنیم، بنابراین فرهنگ لغت خود را داریم
307
00:09:59,120 –> 00:10:00,959
در این مورد ما جلو رفتیم و a از
308
00:10:00,959 –> 00:10:02,320
1 b is 2 c
309
00:10:02,320 –> 00:10:05,360
of 3 d4 ef5 بنابراین هر یک از آن ها یک
310
00:10:05,360 –> 00:10:06,000
کلید
311
00:10:06,000 –> 00:10:07,839
و سپس یک مقدار و n ما
312
00:10:07,839 –> 00:10:09,920
از oh اجازه دهید از s3
313
00:10:09,920 –> 00:10:12,959
برابر با pd برای
314
00:10:12,959 –> 00:10:15,360
سری پانداها استفاده کنیم و سپس میخواهیم به جلو برویم و
315
00:10:15,360 –> 00:10:16,000
فقط
316
00:10:16,000 –> 00:10:19,200
d را در اینجا انجام دهیم s3 را اینجا چاپ کنید و بیایید ادامه دهیم
317
00:10:19,200 –> 00:10:20,320
و این را اجرا کنیم
318
00:10:20,320 –> 00:10:23,040
و میبینید که a is one b است. دو
319
00:10:23,040 –> 00:10:24,000
c است سه d
320
00:10:24,000 –> 00:10:26,399
است چهار e پنج است و هنوز از
321
00:10:26,399 –> 00:10:28,959
عدد صحیح 64 است زیرا داده
322
00:10:28,959 –> 00:10:30,640
واقعی یک دو سه چهار پنج است و همه
323
00:10:30,640 –> 00:10:32,959
اعداد صحیح 64 نوع 64 هستند.
324
00:10:32,959 –> 00:10:35,360
و آخرین کاری که می خواهیم در بخش
325
00:10:35,360 –> 00:10:36,000
ایجاد
326
00:10:36,000 –> 00:10:39,760
سری خود انجام دهیم. این است که به جلو بروید و
327
00:10:39,760 –> 00:10:41,279
ایندکس را تغییر دهید زیرا ما شروع به
328
00:10:41,279 –> 00:10:43,040
اصلاح همه این داده ها خواهیم کرد، بنابراین
329
00:10:43,040 –> 00:10:45,040
بیایید با اصلاح ایندکس
330
00:10:45,040 –> 00:10:46,959
سری شروع کنیم و اگر به خاطر دارید
331
00:10:46,959 –> 00:10:50,079
بیایید این بار s1 یک پرینت انجام دهیم، من ادامه می دهم
332
00:10:50,079 –> 00:10:51,680
و این و دلیل اینکه چاپ کردم این
333
00:10:51,680 –> 00:10:53,279
است که فقط
334
00:10:53,279 –> 00:10:55,839
آخرین متغیر را چاپ می کند، بنابراین اگر
335
00:10:55,839 –> 00:10:56,800
s1 را در اینجا
336
00:10:56,800 –> 00:10:58,399
قرار دهم و متغیر دیگری
337
00:10:58,399 –> 00:11:00,480
را پایین تر انجام دهیم، اولین متغیر فقط آخرین مورد چاپ نخواهد شد
338
00:11:00,480 –> 00:11:01,680
339
00:11:01,680 –> 00:11:05,440
و ما ادامه دهید و
340
00:11:05,440 –> 00:11:07,760
شاخص s1 را بگیرید و ما فقط آن را
341
00:11:07,760 –> 00:11:08,560
برابر با
342
00:11:08,560 –> 00:11:12,079
یک شاخص جدید و واضح است که عدد از
343
00:11:12,079 –> 00:11:14,240
اشیاء در ایندکس ما باید با
344
00:11:14,240 –> 00:11:16,000
تعداد اشیاء در دادههای ما برابر باشد
345
00:11:16,000 –> 00:11:17,920
و سپس چون آخرین متغیر است،
346
00:11:17,920 –> 00:11:19,760
میتوانیم جلو برویم و فقط یک s1 انجام دهیم
347
00:11:19,760 –> 00:11:22,000
و اجازه دهید آن را اجرا کنیم و میتوانید ببینید که
348
00:11:22,000 –> 00:11:23,279
چگونه از 0
349
00:11:23,279 –> 00:11:26,000
به 0 0 1 2 3 رسیدیم. 4 به عنوان ایندکس ما اکنون
350
00:11:26,000 –> 00:11:27,120
آن را به b
351
00:11:27,120 –> 00:11:29,920
c d و e تغییر دادهایم تا این بسیار
352
00:11:29,920 –> 00:11:31,920
خواناتر باشد یا ممکن است نمایانگر
353
00:11:31,920 –> 00:11:32,160
یک
354
00:11:32,160 –> 00:11:34,800
پایگاه داده بزرگتر باشد که با آن کار میکنید،
355
00:11:34,800 –> 00:11:35,600
ابزارهای جالبی
356
00:11:35,600 –> 00:11:38,720
که ایجاد پایگاه داده بر
357
00:11:38,720 –> 00:11:42,079
اساس آرایه پایتون آرایه پایه را پوشش دادهایم.
358
00:11:42,079 –> 00:11:45,680
ما به شما نشان دادیم که چگونه ایندکس را تنظیم مجدد کنید،
359
00:11:45,680 –> 00:11:47,440
سپس به شما نشان دادیم که چگونه از یک
360
00:11:47,440 –> 00:11:49,600
آرایه numpy استفاده کنید تا بتوانید یک آرایه numpy را در
361
00:11:49,600 –> 00:11:50,000
362
00:11:50,000 –> 00:11:52,720
آنجا قرار دهید.
363
00:11:52,720 –> 00:11:54,160
364
00:11:54,160 –> 00:11:55,680
و همین مورد
365
00:11:55,680 –> 00:11:56,639
با دیکشنری،
366
00:11:56,639 –> 00:11:58,639
بنابراین نحوه جمعآوری دادهها بسیار متنوع است
367
00:11:58,639 –> 00:12:00,399
و میتوانید دادهها را از
368
00:12:00,399 –> 00:12:02,160
منابع مختلف و تنظیمات مختلف بیرون بکشید
369
00:12:02,160 –> 00:12:04,480
و یک سری جدید را به راحتی
370
00:12:04,480 –> 00:12:06,959
در پانداها ایجاد کنید و سپس ما به دنبال
371
00:12:06,959 –> 00:12:09,120
تغییر ایندکس شما بودیم، بنابراین اکنون داریم یک
372
00:12:09,120 –> 00:12:10,959
شاخص جدید در اینجا
373
00:12:10,959 –> 00:12:12,560
و سپس ما می خواهیم به a سر بزنید و کمی
374
00:12:12,560 –> 00:12:15,519
انتخاب کنید، بیایید یک برش اساسی را انجام دهیم،
375
00:12:15,519 –> 00:12:17,279
رایج ترین کاری که
376
00:12:17,279 –> 00:12:18,800
احتمالاً در اینجا انجام می دهید
377
00:12:18,800 –> 00:12:21,360
و ما فقط
378
00:12:21,360 –> 00:12:22,240
379
00:12:22,240 –> 00:12:24,560
380
00:12:24,560 –> 00:12:25,839
381
00:12:25,839 –> 00:12:28,720
s1 را انجام می دهیم. s1 را تغییر نمی دهیم، این
382
00:12:28,720 –> 00:12:29,279
فقط
383
00:12:29,279 –> 00:12:32,240
آن را انتخاب می کند، بنابراین ممکن است یک برابر s1 انجام دهیم
384
00:12:32,240 –> 00:12:34,160
و سپس a را چاپ کنیم
385
00:12:34,160 –> 00:12:35,600
و خواهید دید که فقط به
386
00:12:35,600 –> 00:12:37,440
سه صفر اول نگاه
387
00:12:37,440 –> 00:12:39,680
می
388
00:12:39,680 –> 00:12:41,200
کند
389
00:12:41,200 –> 00:12:42,639
. ادامه میدهیم و آن را حذف میکنیم، اما
390
00:12:42,639 –> 00:12:43,920
فقط یادآوری میکنیم که در واقع
391
00:12:43,920 –> 00:12:45,279
s1
392
00:12:45,279 –> 00:12:47,920
را تغییر نمیدهد، فقط در اینجا s1 را مشاهده
393
00:12:47,920 –> 00:12:48,720
394
00:12:48,720 –> 00:12:51,120
میکنیم و به همین ترتیب میتوانیم یک ضمیمه انجام دهیم، بنابراین
395
00:12:51,120 –> 00:12:52,800
قبل از اینکه قلم بزنیم، اجازه دهید یک
396
00:12:52,800 –> 00:12:55,519
نوع سرگرمکننده سریع انجام دهیم. دو منهای یک را انجام
397
00:12:55,519 –> 00:12:56,959
میدهید و خواهید دید که همه چیز را پوشش میدهد،
398
00:12:56,959 –> 00:12:59,360
اما e البته میتوانید منهای دو را
399
00:12:59,360 –> 00:13:00,639
در این سمت انجام دهید،
400
00:13:00,639 –> 00:13:02,480
بنابراین یکی از راههای دیگر برای انتخاب آن این است که
401
00:13:02,480 –> 00:13:04,000
چقدر از انتها فاصله بگیرید
402
00:13:04,000 –> 00:13:07,920
و به همین ترتیب میتوانیم یک 2 را در اینجا انجام دهیم. یک cde
403
00:13:07,920 –> 00:13:09,839
تا انتها بنابراین از دومی شروع می
404
00:13:09,839 –> 00:13:12,079
شود و راه دیگری که می توانیم این کار را انجام دهیم این است که
405
00:13:12,079 –> 00:13:14,240
می توانیم منهای 2 را انجام دهیم اینجا
406
00:13:14,240 –> 00:13:15,920
و آن فقط به دو مورد آخر
407
00:13:15,920 –> 00:13:18,320
در برش نگاه می کند، بنابراین می توانید ببینید چقدر آسان است
408
00:13:18,320 –> 00:13:20,480
که داده ها را برش دهید و البته
409
00:13:20,480 –> 00:13:21,920
دلیلی برای انجام این کار وجود ندارد، اما اگر
410
00:13:21,920 –> 00:13:23,600
می خواهید همه آنها را در آنجا مشاهده کنید، می توانید همه آنها را انتخاب کنید.
411
00:13:23,600 –> 00:13:25,040
412
00:13:25,040 –> 00:13:26,720
تا 32
413
00:13:26,720 –> 00:13:28,240
، 32 وجود ندارد، بنابراین فقط
414
00:13:28,240 –> 00:13:30,000
سه مورد اول را نشان می دهد که می رویم
415
00:13:30,000 –> 00:13:32,160
و سپس می توانیم اضافه کنیم تا بتوانم
416
00:13:32,160 –> 00:13:34,240
بگیرم و اوه، بیایید یک سری دیگر بسازیم
417
00:13:34,240 –> 00:13:36,880
و یکی به آن اضافه کنیم و اگر
418
00:13:36,880 –> 00:13:38,560
به خاطر دارید که ما s3 داشتیم، S3
419
00:13:38,560 –> 00:13:41,680
ما است و ما s1 خود را داشته باشیم و
420
00:13:41,680 –> 00:13:44,560
s1 را انجام دهیم و اجازه دهید
421
00:13:44,560 –> 00:13:45,040
422
00:13:45,040 –> 00:13:48,720
آن را s4 بنامیم
423
00:13:48,720 –> 00:13:51,760
برابر با s1
424
00:13:51,760 –> 00:13:55,040
یک پین s3 است، بنابراین ما فقط می خواهیم
425
00:13:55,040 –> 00:13:57,199
آن دو را در s4 ترکیب
426
00:13:57,199 –> 00:14:00,560
کنیم و اگر جلو برویم و s4 را در اینجا چاپ
427
00:14:00,560 –> 00:14:03,360
کنیم اکنون می بینیم که یک b c d e a
428
00:14:03,360 –> 00:14:03,600
b
429
00:14:03,600 –> 00:14:05,680
c d e صفر داریم یک دو سه چهار یک دو
430
00:14:05,680 –> 00:14:06,800
سه چهار پنج چون
431
00:14:06,800 –> 00:14:07,920
داده ها را در یک شروع کردیم،
432
00:14:07,920 –> 00:14:10,399
اضافه کردن یک سری به سری بعدی بسیار آسان است
433
00:14:10,399 –> 00:14:11,680
434
00:14:11,680 –> 00:14:13,760
و اگر قرار باشد یک سری را
435
00:14:13,760 –> 00:14:14,720
به سری بعدی اضافه
436
00:14:14,720 –> 00:14:17,360
کنیم، نیاز به ادامه دادن و حذف یا حذف
437
00:14:17,360 –> 00:14:17,839
یکی
438
00:14:17,839 –> 00:14:20,320
و رها کردن یک کلمه کلیدی برای آن است و
439
00:14:20,320 –> 00:14:21,040
اجازه دهید فقط
440
00:14:21,040 –> 00:14:24,399
e یا ایندکس e و بنابراین اگر این را اجرا کنم
441
00:14:24,399 –> 00:14:26,959
می بینید که آن را چاپ می کند و a
442
00:14:26,959 –> 00:14:27,440
b c
443
00:14:27,440 –> 00:14:30,160
d هیچ e وجود ندارد و
444
00:14:30,160 –> 00:14:30,959
445
00:14:30,959 –> 00:14:34,560
اگر دوباره s4 را تایپ کنم همه این تغییرات را به خاطر بسپارید، خواهید دید که s4
446
00:14:34,560 –> 00:14:37,199
هنوز e را در آن دارد، بنابراین این تغییر این سریال را
447
00:14:37,199 –> 00:14:38,160
تحت تأثیر قرار نمی دهد
448
00:14:38,160 –> 00:14:41,440
، مگر اینکه شما آن را به آن بگویید، بنابراین من
449
00:14:41,440 –> 00:14:42,480
باید مانند x
450
00:14:42,480 –> 00:14:45,120
s4 برابر s4.drop e این کار
451
00:14:45,120 –> 00:14:46,240
را انجام دهم و راه دیگری برای انجام آن وجود دارد که بعداً به شما نشان خواهیم داد،
452
00:14:46,240 –> 00:14:49,360
اجازه دهید فقط این یکی را قطع
453
00:14:49,360 –> 00:14:51,680
کنم. بسیار خوب، بنابراین ما
454
00:14:51,680 –> 00:14:53,440
انواع ابزارهای جالب را در اینجا پوشش داده
455
00:14:53,440 –> 00:14:56,399
ایم، اضافه می کنیم، ما
456
00:14:56,399 –> 00:14:58,240
همه چیزهای ایجاد شده را زودتر انجام دادیم،
457
00:14:58,240 –> 00:14:59,680
همانطور که در اینجا در تنظیمات می بینید که چقدر
458
00:14:59,680 –> 00:15:01,760
آسان است که این سری را دستکاری کنیم
459
00:15:01,760 –> 00:15:05,199
تا بعداً به چه چیزی می خواهیم وارد شویم.
460
00:15:05,199 –> 00:15:08,480
آیا میخواهیم وارد عملیاتهایی
461
00:15:08,480 –> 00:15:10,000
شویم که در سریال اتفاق میافتد، اجازه دهید من ادامه دهم
462
00:15:10,000 –> 00:15:12,720
و این سلول را تغییر دهم تا
463
00:15:12,720 –> 00:15:15,279
علامتگذاری شود، ما میرویم و
464
00:15:15,279 –> 00:15:16,800
عملیات سری را اجرا میکنیم با این سری چه کار میتوانیم انجام دهیم
465
00:15:16,800 –> 00:15:17,920
466
00:15:17,920 –> 00:15:19,440
و بیایید با ایجاد چند
467
00:15:19,440 –> 00:15:21,680
آرایه شروع کنیم. آن را آرایه 1 بنامیم و از
468
00:15:21,680 –> 00:15:22,160
469
00:15:22,160 –> 00:15:25,440
0 تا 7 و آرایه 2 شش
470
00:15:25,440 –> 00:15:28,000
تا شش هفت هشت نه پنج را
471
00:15:28,000 –> 00:15:29,279
انجام می دهیم. حالا اگر ما پنج را در انتها پرتاب کنیم،
472
00:15:29,279 –> 00:15:29,920
473
00:15:29,920 –> 00:15:31,519
بیایید جلو برویم و آن ها را اجرا کنیم تا آنها
474
00:15:31,519 –> 00:15:33,199
در مشتری بارگیری کنند
475
00:15:33,199 –> 00:15:34,880
و اوه ما این کار را کمی به عقب
476
00:15:34,880 –> 00:15:36,880
انجام می دهیم، s5
477
00:15:36,880 –> 00:15:39,839
برابر با یک سری پاندا از آرایه دو است، بنابراین
478
00:15:39,839 –> 00:15:40,079
من
479
00:15:40,079 –> 00:15:42,000
این کار را انجام می دهم. به صورت معکوس و سپس وقتی
480
00:15:42,000 –> 00:15:44,480
s5 را انجام می دهیم، می بینید که صفر تا
481
00:15:44,480 –> 00:15:45,839
چهار داریم، به طور خودکار
482
00:15:45,839 –> 00:15:49,600
شاخص 67895 را
483
00:15:49,600 –> 00:15:51,920
برای سری ما اختصاص می دهد و بیایید ادامه دهیم و همین کار را انجام دهیم
484
00:15:51,920 –> 00:15:53,519
و این را
485
00:15:53,519 –> 00:15:56,880
s6 صدا می زنیم و این را برابر می کنیم.
486
00:15:56,880 –> 00:16:00,320
سری pd برای اولین آرایه ما
487
00:16:00,320 –> 00:16:02,720
و اگر ما یک s6 را در اینجا انجام دهیم تا آن را چاپ
488
00:16:02,720 –> 00:16:03,839
489
00:16:03,839 –> 00:16:06,000
کنیم، چیزی شبیه به آن را مشاهده خواهیم کرد.
490
00:16:06,000 –> 00:16:07,199
491
00:16:07,199 –> 00:16:09,199
492
00:16:09,199 –> 00:16:11,440
493
00:16:11,440 –> 00:16:12,800
494
00:16:12,800 –> 00:16:15,519
و شش و یکی از اولین کارهایی
495
00:16:15,519 –> 00:16:17,279
که میتوانیم انجام دهیم این است که میتوانیم یک
496
00:16:17,279 –> 00:16:20,079
سری را به سری بعدی اضافه کنیم، بنابراین من میتوانم s5 dot
497
00:16:20,079 –> 00:16:20,880
add
498
00:16:20,880 –> 00:16:24,320
s6 را انجام دهم و بیایید ببینیم چه چیزی تولید میکند
499
00:16:24,320 –> 00:16:26,320
و اگر هرگز از
500
00:16:26,320 –> 00:16:27,680
پاندا استفاده نمیکنید، فکر میکنید چه اتفاقی میافتد.
501
00:16:27,680 –> 00:16:28,480
502
00:16:28,480 –> 00:16:31,120
با این واقعیت که این فقط دارای پنج
503
00:16:31,120 –> 00:16:31,920
504
00:16:31,920 –> 00:16:34,399
مقدار مختلف است و این یک دارای هفت
505
00:16:34,399 –> 00:16:35,759
مقدار است،
506
00:16:35,759 –> 00:16:38,480
بنابراین l ببینیم چه کاری انجام می دهد و در
507
00:16:38,480 –> 00:16:39,199
نهایت به
508
00:16:39,199 –> 00:16:42,320
6 8 10 12 9 می رسیم و اوه من نمی توانم
509
00:16:42,320 –> 00:16:43,680
این را اضافه کنم هیچ چیزی وجود ندارد
510
00:16:43,680 –> 00:16:45,920
بنابراین یک بازگشت تهی بسیار
511
00:16:45,920 –> 00:16:47,360
متفاوت از numpy می دهد که
512
00:16:47,360 –> 00:16:48,480
به شما خطایی
513
00:16:48,480 –> 00:16:50,720
می دهد که در عوض به شما می گوید شما در اینجا هیچ ارزشی وجود ندارد
514
00:16:50,720 –> 00:16:52,240
زیرا ما نتوانستیم یکی را ایجاد
515
00:16:52,240 –> 00:16:56,000
کنیم بنابراین می توانیم به راحتی s5 dot را اضافه کنیم s6
516
00:16:56,000 –> 00:16:59,600
و به همین ترتیب می توانیم برای تفریق s6 s5 dot sub را انجام دهیم
517
00:16:59,600 –> 00:17:03,040
518
00:17:03,040 –> 00:17:05,760
و آن را اجرا می کنیم و در مورد جمع کردن، تفریق را اجرا می کنیم
519
00:17:05,760 –> 00:17:06,559
520
00:17:06,559 –> 00:17:07,599
و شما حدس زدید که ما
521
00:17:07,599 –> 00:17:09,679
دوباره ضرب و تقسیم بعدی را انجام می دهیم، می توانید
522
00:17:09,679 –> 00:17:11,359
ببینید مقادیر تهی وجود دارد که نمی
523
00:17:11,359 –> 00:17:12,000
524
00:17:12,000 –> 00:17:13,119
توان این دو را کم کرد زیرا
525
00:17:13,119 –> 00:17:15,280
هیچ مقداری برای تفریق وجود ندارد، همچنین می توانیم
526
00:17:15,280 –> 00:17:16,319
s5
527
00:17:16,319 –> 00:17:18,799
ضرب mul را انجام دهیم، آنها هر سه حرف
528
00:17:18,799 –> 00:17:20,000
روی این ها هستند که یکی از آنهاست. روش هایی برای به
529
00:17:20,000 –> 00:17:20,959
خاطر سپردن اینکه چگونه آنها
530
00:17:20,959 –> 00:17:23,199
کد این کار را کشف کردند، بنابراین
531
00:17:23,199 –> 00:17:24,559
به یاد داشته باشید که اینها هر سه حرف هستند،
532
00:17:24,559 –> 00:17:25,039
533
00:17:25,039 –> 00:17:27,359
ما این را اجرا می کنیم و
534
00:17:27,359 –> 00:17:28,799
دوباره می توانید ببینید که چگونه آنها با هم ضرب می
535
00:17:28,799 –> 00:17:29,360
شوند
536
00:17:29,360 –> 00:17:32,480
و سپس می توانیم سه حرف s5 div را نیز انجام دهیم.
537
00:17:32,480 –> 00:17:33,679
دوباره
538
00:17:33,679 –> 00:17:36,720
s6 را اجرا کنید و آن را اجرا
539
00:17:36,720 –> 00:17:38,480
کنید و خواهید دید که این به اینجا می رود
540
00:17:38,480 –> 00:17:39,919
بی نهایت چون ما
541
00:17:39,919 –> 00:17:42,240
صفر را در موقعیت اشتباه داریم، بنابراین
542
00:17:42,240 –> 00:17:43,280
در واقع یک پاسخ کاملا متفاوت در اینجا به شما می دهد
543
00:17:43,280 –> 00:17:44,960
که توجه به آن مهم است
544
00:17:44,960 –> 00:17:46,640
و سپس در مقادیر تهی، زیرا
545
00:17:46,640 –> 00:17:48,160
هیچ داده ای وجود ندارد و در واقع نمی
546
00:17:48,160 –> 00:17:49,919
تواند پاسخی از یک خاموش قدیمی
547
00:17:49,919 –> 00:17:52,640
داده های از دست رفته تولید کند. و از آنجایی که ما در علم داده هستیم،
548
00:17:52,640 –> 00:17:54,160
549
00:17:54,160 –> 00:17:57,280
بیایید s6 median را انجام دهیم،
550
00:17:57,280 –> 00:17:59,360
بنابراین بیایید به داده های میانه نگاه کنیم که
551
00:17:59,360 –> 00:18:00,400
به سادگی
552
00:18:00,400 –> 00:18:02,320
میانه است برای کسانی که این سه حرف را دنبال می کنند متاسفم
553
00:18:02,320 –> 00:18:03,919
زیرا میانه
554
00:18:03,919 –> 00:18:04,720
سه حرف نیست
555
00:18:04,720 –> 00:18:07,760
و می توانید ببینید یک s6 3.0 است و بیایید
556
00:18:07,760 –> 00:18:08,880
یک کار انجام دهیم. در اینجا چاپ کنید
557
00:18:08,880 –> 00:18:11,919
و ما s6 متوسط یا متوسط را انجام می دهیم و بیای
558
00:18:11,919 –> 00:18:16,480
د حداکثر کاما s6 را چاپ کنیم و درست
559
00:18:16,480 –> 00:18:19,520
مانند میانه حداکث
560
00:18:19,520 –> 00:18:21,760
مقدار وجود دارد و اگر قرار است یک مقدار
561
00:18:21,760 –> 00:18:24,160
داکثر داشته باشیم باید یک مقدار حداقل نیز داشته باشیم، بنابر
562
00:18:24,160 –> 00:18:25,039
563
00:18:25,039 –> 00:18:28,559
ین بیایید به حداقل برسیم.
564
00:18:28,559 –> 00:18:30,480
ادامه دهید و این را اجرا کنید و شما
565
00:18:30,480 –> 00:18:31,679
شروع به دیدن چیزی می کنید که
566
00:18:31,679 –> 00:18:33,520
تولید می شود مانند یک r که در
567
00:18:33,520 –> 00:18:34,799
آن شروع به دریافت آمارهای مختلف خود می کنید،
568
00:18:34,799 –> 00:18:37,280
ما یک مقدار متوسط 3 حد
569
00:18:37,280 –> 00:18:39,679
کثر مقدار 7 و یک مقدار حداقل 0 د
570
00:18:39,679 –> 00:18:42,320
ریم. وقتی ضربه می زند چه می کند این
571
00:18:42,320 –> 00:18:43,600
مقادیر تهی
572
00:18:43,600 –> 00:18:45,120
اگر هیچ مقداری در آنجا وجود نداشته باشد، زیرا
573
00:18:45,120 –> 00:18:46,799
ما هنوز هم میتوانیم این کار را انجام دهیم، در واقع میتوانیم
574
00:18:46,799 –> 00:18:50,080
بدانیم چه چیزی بیایید به اینجا برویم و انجام
575
00:18:50,080 –> 00:18:52,400
دهیم، بیایید این یکی را که ضرب کردیم، انتخاب کنیم،
576
00:18:52,400 –> 00:18:54,840
برویم s7
577
00:18:54,840 –> 00:18:57,840
برابر است، من میروم و s7 را چاپ میکنم تا
578
00:18:57,840 –> 00:18:59,520
نگه دارم خوب و یکنواخت است، بنابراین
579
00:18:59,520 –> 00:19:01,760
من هنوز s7 خود را در آنجا دارم و آن را اجرا می کنم
580
00:19:01,760 –> 00:19:04,480
و سپس می خواهم s7 را بگیرم زیرا
581
00:19:04,480 –> 00:19:06,320
s7 اکنون
582
00:19:06,320 –> 00:19:09,360
مقادیر null و یک مقدار بی نهایت دارد و
583
00:19:09,360 –> 00:19:10,960
بیایید ببینیم چه اتفاقی می افتد
584
00:19:10,960 –> 00:19:11,840
این جالب خواهد بود
585
00:19:11,840 –> 00:19:13,840
زیرا می خواهم ببینم چیست این کار را با بینهایت انجام میدهد
586
00:19:13,840 –> 00:19:16,000
و در نهایت به میانه 6
587
00:19:16,000 –> 00:19:19,280
حداکثر 27 و حداقل 0 میرسیم.
588
00:19:19,280 –> 00:19:21,280
که درست است، آن مقادیر را کاهش میدهد،
589
00:19:21,280 –> 00:19:22,960
بنابراین وقتی به آنجا میرسد و
590
00:19:22,960 –> 00:19:24,400
نمیداند با آنها چه کند،
591
00:19:24,400 –> 00:19:25,840
فقط آن مقادیر را کاهش میدهد. و سپس
592
00:19:25,840 –> 00:19:27,280
آن را روی
593
00:19:27,280 –> 00:19:29,280
دادههای باقیمانده در آنجا محاسبه میکند، بنابراین مهم است که
594
00:19:29,280 –> 00:19:30,400
بدانید وقتی این
595
00:19:30,400 –> 00:19:32,080
محاسبات را انجام میدهید، حداقل و
596
00:19:32,080 –> 00:19:33,679
حداکثر و میانه را بررسی
597
00:19:33,679 –> 00:19:35,039
میکنید، نمیدانید که هیچ مقداری وجود ندارد
598
00:19:35,039 –> 00:19:36,799
مگر اینکه دادههای خود را دوباره بررسی کنید.
599
00:19:36,799 –> 00:19:38,400
برای مقادیر تهی آن یک
600
00:19:38,400 –> 00:19:40,559
th بسیار مهم است باید در آنجا توجه داشته باشید، بنابراین فقط
601
00:19:40,559 –> 00:19:42,160
یک بررسی سریع واقعی
602
00:19:42,160 –> 00:19:45,120
در آنجا انجام دادیم، سری پی دی خود را ایجاد
603
00:19:45,120 –> 00:19:46,320
604
00:19:46,320 –> 00:19:49,120
کردیم و جلو رفتیم و تقسیم ضرب تفریق جمع را انجام دادیم،
605
00:19:49,120 –> 00:19:50,280
606
00:19:50,280 –> 00:19:52,880
همه اینها
607
00:19:52,880 –> 00:19:53,840
سه حرف هستند، بنابراین
608
00:19:53,840 –> 00:19:57,280
sub min div اضافه کنید و سپس به میانگین نگاه کردیم.
609
00:19:57,280 –> 00:19:57,919
610
00:19:57,919 –> 00:20:00,160
حداکثر و حداقل، بنابراین ما میخواهیم
611
00:20:00,160 –> 00:20:02,080
جلو برویم و به موضوع بزرگ بعدی
612
00:20:02,080 –> 00:20:04,880
یعنی ایجاد یک چارچوب داده
613
00:20:04,880 –> 00:20:06,000
بپردازیم، بنابراین اکنون از سریها خارج
614
00:20:06,000 –> 00:20:07,120
میشویم و تعدادی
615
00:20:07,120 –> 00:20:09,200
سری ایجاد میکنیم و آنها را با هم ترکیب میکنیم. برای ایجاد
616
00:20:09,200 –> 00:20:11,840
یک قاب داده در
617
00:20:12,240 –> 00:20:14,240
آنجا، به نوع سلول علامتگذاری میرویم، اجازه دهید ادامه دهم
618
00:20:14,240 –> 00:20:15,360
و آن را اجرا کنم، بنابراین یک
619
00:20:15,360 –> 00:20:16,559
عنوان خوب در آنجا داشته باشیم، همیشه خوب است که
620
00:20:16,559 –> 00:20:17,360
یک
621
00:20:17,360 –> 00:20:19,200
عنوان خوب داشته باشیم، بنابراین اولین قاب داده ما
622
00:20:19,200 –> 00:20:20,799
با چیزهایی وارد میشویم که کمی پیچیده به نظر میرسد، ابتدا
623
00:20:20,799 –> 00:20:21,840
آن
624
00:20:21,840 –> 00:20:24,159
را تجزیه میکنیم، من میخواهم
625
00:20:24,159 –> 00:20:25,679
چند تاریخ ایجاد کنم
626
00:20:25,679 –> 00:20:27,039
و شما میدانید که چه چیزی را ادامه
627
00:20:27,039 –> 00:20:28,559
دهیم و این کار را انجام دهیم.
628
00:20:28,559 –> 00:20:29,440
629
00:20:29,440 –> 00:20:31,760
مجموعه ای از
630
00:20:31,760 –> 00:20:34,400
تاریخ های pdf محدوده تاریخ و ما قصد داریم
631
00:20:34,400 –> 00:20:35,440
از آنها برای
632
00:20:35,440 –> 00:20:38,080
inde استفاده کنیم x بسیار خوب، پس وقتی به این نگاه می کنید،
633
00:20:38,080 –> 00:20:39,679
می بینید که
634
00:20:39,679 –> 00:20:41,280
اساساً شبیه
635
00:20:41,280 –> 00:20:43,760
یک لیست پایتون یا آرایه ناقص است، با این حال
636
00:20:43,760 –> 00:20:44,720
می خواهید به آن نگاه کنید
637
00:20:44,720 –> 00:20:46,720
و تاریخ های مختلف ما پایین می آید و
638
00:20:46,720 –> 00:20:48,400
ما شش مورد از آنها را ایجاد کرده ایم.
639
00:20:48,400 –> 00:20:49,760
و هر زمان که
640
00:20:49,760 –> 00:20:51,679
در حال حاضر باشد روی تاریخ شما روی
641
00:20:51,679 –> 00:20:53,919
تاریخ مربوط به زمانی که همان مهر زمان است خواهد
642
00:20:53,919 –> 00:20:56,080
داشت و سپس خواهید دید که
643
00:20:56,080 –> 00:20:57,840
ما 11 19
644
00:20:57,840 –> 00:21:00,960
2008 11 20 11 19 داریم
645
00:21:00,960 –> 00:21:02,799
و در آنجا به آینده نگاه می کنیم.
646
00:21:02,799 –> 00:21:04,080
تمام اینها
647
00:21:04,080 –> 00:21:06,880
تولید یک سری تاریخ است که ما قرار است از
648
00:21:06,880 –> 00:21:08,400
آنها به عنوان شاخص استفاده کنیم
649
00:21:08,400 –> 00:21:11,280
و این یک دستور pandas است بنابراین ما
650
00:21:11,280 –> 00:21:12,159
یک محدوده تاریخ داریم
651
00:21:12,159 –> 00:21:13,919
که خوب است یکی از ابزارهای
652
00:21:13,919 –> 00:21:15,360
پنهان در پانداها است که می
653
00:21:15,360 –> 00:21:16,480
توانید از آن استفاده کنید.
654
00:21:16,480 –> 00:21:18,400
و سپس از numpy استفاده می کنیم تا به
655
00:21:18,400 –> 00:21:20,559
جلو برویم و اعداد تصادفی تولید کنیم،
656
00:21:20,559 –> 00:21:22,520
در این مورد، np.random.random را
657
00:21:22,520 –> 00:21:23,679
658
00:21:23,679 –> 00:21:26,960
در 6 کاما 4 انجام می دهیم. شما می توانید این را به عنوان
659
00:21:26,960 –> 00:21:30,559
سطر و ستون نگاه کنید، همانطور که آن را به داخل منتقل می
660
00:21:30,559 –> 00:21:32,320
کنیم. پانداها و البته شما میتوانید آن را
661
00:21:32,320 –> 00:21:34,159
تغییر شکل دهید، اگر آنها را
662
00:21:34,159 –> 00:21:35,919
روی دادههای خود داشته باشید، اما ما میخواهیم شش تا برای
663
00:21:35,919 –> 00:21:36,799
مطابقت با سطرها
664
00:21:36,799 –> 00:21:39,360
و ما شش نقطه داریم، بنابراین نمایه های ما
665
00:21:39,360 –> 00:21:41,039
باید با ردیف های موجود مطابقت
666
00:21:41,039 –> 00:21:41,520
داشته باشند
667
00:21:41,520 –> 00:21:43,840
و سپس می دانید قبل از اینکه ردیف بعدی را انجام دهیم،
668
00:21:43,840 –> 00:21:45,600
ادامه دهیم و فقط
669
00:21:45,600 –> 00:21:47,039
آرایه numpy خود را چاپ کنیم تا بتوانید ببینید که چه
670
00:21:47,039 –> 00:21:48,000
شکلی است.
671
00:21:48,000 –> 00:21:50,480
در اینجا ما آن را داریم یک دو سه چهار در
672
00:21:50,480 –> 00:21:51,679
یک دو سه چهار پنج
673
00:21:51,679 –> 00:21:54,320
شش چهار در شش، بنابراین تنظیم کمی خوب است
674
00:21:54,320 –> 00:21:55,520
675
00:21:55,520 –> 00:21:57,200
و از آنجایی که کار با فریم های داده می
676
00:21:57,200 –> 00:21:59,360
تواند بسیار بصری باشد، بیایید به ستون های خود بدهیم
677
00:21:59,360 –> 00:22:00,559
، چهار ستون
678
00:22:00,559 –> 00:22:02,720
داریم و می خواهیم نام های b c و d را به آنها بدهید،
679
00:22:02,720 –> 00:22:04,960
بنابراین اکنون ستون هایی در آنجا
680
00:22:04,960 –> 00:22:05,440
نیز داریم
681
00:22:05,440 –> 00:22:07,039
و سپس بیایید همه این ها را در
682
00:22:07,039 –> 00:22:08,799
یک قاب داده با هم قرار دهیم و در واقع می توانیم
683
00:22:08,799 –> 00:22:10,000
بدانید که بیایید این کار را انجام دهیم زیرا من این کار را
684
00:22:10,000 –> 00:22:11,280
با هر چیز دیگری انجام دادم، بیایید به جلو برویم
685
00:22:11,280 –> 00:22:12,080
و ستون ها را انجام دهیم
686
00:22:12,080 –> 00:22:13,600
و شما می توانید ببینید که ستون های ما در
687
00:22:13,600 –> 00:22:17,039
آنجا وجود دارد و ما به جلو می رویم و df1
688
00:22:17,039 –> 00:22:20,799
برابر با
689
00:22:20,799 –> 00:22:23,600
قاب داده های نقطه پاندا را انجام می دهیم و توجه داشته باشید که d و f
690
00:22:23,600 –> 00:22:25,120
691
00:22:25,120 –> 00:22:27,440
سری بزرگ هستند و فقط s بود و من همیشه
692
00:22:27,440 –> 00:22:28,640
این را برجسته می کنم زیرا شما نمی دانید
693
00:22:28,640 –> 00:22:29,760
چند عدد زمانی که
694
00:22:29,760 –> 00:22:31,840
این چیزها دوباره تایپ می شوند وقتی فراموش کردید
695
00:22:31,840 –> 00:22:33,440
که چه چیزی در آنجا با حروف بزرگ نوشته شده است، یک
696
00:22:33,440 –> 00:22:33,760
چیز جزئی است
697
00:22:33,760 –> 00:22:35,039
، اگر تعداد زیادی از آنها را انجام دهید، فوراً آن را انتخاب میکنید
698
00:22:35,039 –> 00:22:36,640
و اولین کاری که میخواهیم
699
00:22:36,640 –> 00:22:37,919
انجام دهیم این است که میخواهیم جلو برویم و
700
00:22:37,919 –> 00:22:39,679
آرایههای ناخوشایند خود را برداریم، بنابراین میرویم برای ایجاد
701
00:22:39,679 –> 00:22:40,000
702
00:22:40,000 –> 00:22:42,240
قاب دادهای که خارج از آن است آرایه numpy است و سپس
703
00:22:42,240 –> 00:22:43,360
میخواهیم
704
00:22:43,360 –> 00:22:46,720
ایندکس ما برابر با تاریخهایمان باشد، بنابراین
705
00:22:46,720 –> 00:22:47,919
نمایه ما در آنجا وجود دارد
706
00:22:47,919 –> 00:22:50,559
و سپس ستونهایی برابر با
707
00:22:50,559 –> 00:22:51,679
ستونها داریم
708
00:22:51,679 –> 00:22:53,919
و در نهایت بیایید ببینیم که چه
709
00:22:53,919 –> 00:22:54,880
شکلی است،
710
00:22:54,880 –> 00:22:56,159
حالا به یاد داشته باشید که همه موارد را داشتیم.
711
00:22:56,159 –> 00:22:57,520
دادههای متفاوتی که شبیه مجموعهای از
712
00:22:57,520 –> 00:22:58,080
دادهها به
713
00:22:58,080 –> 00:22:59,840
نظر میرسند، ما نام ستونها و هر چیز
714
00:22:59,840 –> 00:23:01,679
دیگری را داریم که آرایهی ناقص ما فقط یک آرایه درهم و برهم است
715
00:23:01,679 –> 00:23:03,520
716
00:23:03,520 –> 00:23:05,520
که میتوانید آنها را بخوانید،
717
00:23:05,520 –> 00:23:07,520
اما ببینید چقدر خوب به نظر میرسد، منظورم این
718
00:23:07,520 –> 00:23:09,360
است که شما آمدهاید. در جلسه هیئت مدیره
719
00:23:09,360 –> 00:23:10,799
شما با سهامداران خود کار می کنید
720
00:23:10,799 –> 00:23:14,159
این بسیار خواندنی است
721
00:23:14,159 –> 00:23:15,919
این است که می دانید این تاریخ ما است این کار
722
00:23:15,919 –> 00:23:18,240
ما هر چه باشد شاید هر
723
00:23:18,240 –> 00:23:19,679
یک از این تاریخ ها
724
00:23:19,679 –> 00:23:23,600
منجر به بسته شدن سرنخ های شما شده است کل دلار منجر به از دست رفتن سرنخ ها
725
00:23:23,600 –> 00:23:25,360
شده است که باعث شده شما بدانید هر چه
726
00:23:25,360 –> 00:23:26,960
هست اگر این در یک کسب و کار
727
00:23:26,960 –> 00:23:28,799
ممکن است این اندازه گیری در برخی
728
00:23:28,799 –> 00:23:30,080
تجهیزات علمی باشد
729
00:23:30,080 –> 00:23:31,760
که آیا در جستجوی مواد می دانید
730
00:23:31,760 –> 00:23:33,440
که در آن
731
00:23:33,440 –> 00:23:34,080
درجه حرارت
732
00:23:34,080 –> 00:23:36,080
پایین تر از رطوبت روز
733
00:23:36,080 –> 00:23:37,600
هر چه که باشد، بنابراین می توانید ببینید که ما
734
00:23:37,600 –> 00:23:39,280
واقعاً می توانیم یک نمودار واضح و خوب ایجاد کنیم
735
00:23:39,280 –> 00:23:40,799
و آن را درست شبیه یک صفحه گسترده به نظر می رسد،
736
00:23:40,799 –> 00:23:42,720
می دانید که ما ردیف های خود
737
00:23:42,720 –> 00:23:44,320
را داریم و ستون های خود را داریم و
738
00:23:44,320 –> 00:23:45,520
داده های خود را در آنجا داریم
739
00:23:45,520 –> 00:23:47,840
اکنون این یکی را که من همیشه از آن استفاده می کنم اگر
740
00:23:47,840 –> 00:23:48,960
بخواهیم ایجاد کنیم، می توانیم آن را همانطور
741
00:23:48,960 –> 00:23:50,159
که در اینجا دیدید با
742
00:23:50,159 –> 00:23:52,240
آرایه numpy خود ایجاد کنیم. انجام این کار بسیار آسان است و
743
00:23:52,240 –> 00:23:54,000
آن را تغییر شکل دهید، همچنین می توانید آن را با یک
744
00:23:54,000 –> 00:23:56,000
آرایه فرهنگ لغت ایجاد کنید، بنابراین در اینجا ما مقداری
745
00:23:56,000 –> 00:23:56,480
داده داریم،
746
00:23:56,480 –> 00:23:58,080
اجازه دهید من فقط یک بریدگی پایین بیاورم تا
747
00:23:58,080 –> 00:23:59,600
بتوانید تمام داده ها را در آنجا ببینید،
748
00:23:59,600 –> 00:24:02,720
ما یک حیوان داریم در این مورد گربه گربه
749
00:24:02,720 –> 00:24:05,360
سگ مار سگ گربه
750
00:24:05,360 –> 00:24:07,120
751
00:24:07,120 –> 00:24:09,600
752
00:24:09,600 –> 00:24:11,919
753
00:24:11,919 –> 00:24:12,799
754
00:24:12,799 –> 00:24:15,200
755
00:24:15,200 –> 00:24:16,640
756
00:24:16,640 –> 00:24:19,679
ماری یک b c d e f g h i
757
00:24:19,679 –> 00:24:21,600
و آنچه من از شما می خواهم داشته باشید توجه داشته باشید که
758
00:24:21,600 –> 00:24:22,799
ما یک
759
00:24:22,799 –> 00:24:25,679
حیوان عنوان داریم و سپس اساساً یک
760
00:24:25,679 –> 00:24:27,039
لیست پایتون داریم
761
00:24:27,039 –> 00:24:28,799
و این لیست ها لزوماً
762
00:24:28,799 –> 00:24:30,720
نباید با هم برابر باشند زیرا می توانیم
763
00:24:30,720 –> 00:24:33,919
764
00:24:33,919 –> 00:24:35,360
مقدار تهی آرایه numpy np.nan بدون داده داشته باشیم اما می خواهیم برویم. جلو و
765
00:24:35,360 –> 00:24:36,640
برچسب هایی ایجاد کنید که برابر با
766
00:24:36,640 –> 00:24:37,520
تعداد در لیست هستند،
767
00:24:37,520 –> 00:24:40,640
بنابراین a اولین گربه b دومین گربه
768
00:24:40,640 –> 00:24:43,520
c مار d سگ و غیره، بنابراین ما
769
00:24:43,520 –> 00:24:44,799
جلو می رویم و برچسب های خود را ایجاد می کنیم که
770
00:24:44,799 –> 00:24:45,760
می خواهیم از آنها به عنوان یک برچسب استفاده کنیم.
771
00:24:45,760 –> 00:24:48,799
index و ما این را df صدا می زنیم بیایید این کار را به
772
00:24:48,799 –> 00:24:49,440
این صورت
773
00:24:49,440 –> 00:24:52,720
انجام دهیم، این df2 برابر با
774
00:24:52,720 –> 00:24:56,400
pd برای قاب داده پانداها می
775
00:24:56,400 –> 00:24:58,159
نامیم و سپس داده هایمان را درست مانند
776
00:24:58,159 –> 00:25:00,320
قبل داریم و شاخص ما
777
00:25:00,320 –> 00:25:03,679
برابر با برچسب ها است و
778
00:25:03,679 –> 00:25:04,799
اگر می خواهیم از آنجا بروید، بیایید به
779
00:25:04,799 –> 00:25:05,760
جلو برویم و آن را چاپ کنیم تا
780
00:25:05,760 –> 00:25:07,360
ببینیم شبیه df2 است،
781
00:25:07,360 –> 00:25:09,440
پس بیایید جلوتر برویم و دوباره آن را اجرا کنیم.
782
00:25:09,440 –> 00:25:10,880
783
00:25:10,880 –> 00:25:13,520
784
00:25:13,520 –> 00:25:15,360
785
00:25:15,360 –> 00:25:17,120
به نظر می رسد یک
786
00:25:17,120 –> 00:25:19,919
صفحه گسترده بسیار سازمان یافته بسیار بصری و آسان برای خواندن
787
00:25:19,919 –> 00:25:22,400
اولویت بازدید از سن حیوانات و سپس یک
788
00:25:22,400 –> 00:25:23,440
هفتم گربههای خشن j
789
00:25:23,440 –> 00:25:24,880
و همه حیوانات مختلف شما
790
00:25:24,880 –> 00:25:26,480
و غیره و سپس
791
00:25:26,480 –> 00:25:27,919
وقتی برنامهنویسی
792
00:25:27,919 –> 00:25:29,120
میکنید، مهم است که بدانید انواع دادهها چیست،
793
00:25:29,120 –> 00:25:29,840
794
00:25:29,840 –> 00:25:33,039
بنابراین میتوانیم به سادگی
795
00:25:33,039 –> 00:25:36,080
انواع df2 d را انجام دهیم و اگر اجرا
796
00:25:36,080 –> 00:25:39,279
کنیم میتوانیم ببینیم که حیوان یک شی است
797
00:25:39,279 –> 00:25:41,120
زیرا فقط یک رشته است اما
798
00:25:41,120 –> 00:25:42,320
به عنوان یک شیء وارد می شود که
799
00:25:42,320 –> 00:25:45,039
سن یک عدد صحیح 64 float64 است و سپس
800
00:25:45,039 –> 00:25:47,600
اولویت دوباره فقط یک شی است
801
00:25:47,600 –> 00:25:49,600
و کاوش در این مورد بسیار
802
00:25:49,600 –> 00:25:52,799
محبوب است، بیایید به سر df2 برویم
803
00:25:52,799 –> 00:25:56,000
و اگر آن را چاپ کنیم
804
00:25:56,000 –> 00:25:59,440
سر df2 پنج مورد اول را برمیگرداند
805
00:25:59,440 –> 00:26:00,960
و ما میتوانیم این را تغییر دهیم، لازم نیست
806
00:26:00,960 –> 00:26:02,159
پنج مورد را انجام دهید، ممکن است بخواهید فقط به دو مورد
807
00:26:02,159 –> 00:26:02,880
برتر نگاه کنید،
808
00:26:02,880 –> 00:26:05,919
شاید بخواهید نگاهی به بیایید ببینیم
809
00:26:05,919 –> 00:26:08,000
بیایید شش را انجام دهیم، بنابراین شاید ما فقط
810
00:26:08,000 –> 00:26:09,039
به شش مورد برتر نگاه کنیم.
811
00:26:09,039 –> 00:26:11,520
پایگاه داده در فریم داده شما و
812
00:26:11,520 –> 00:26:12,320
شما می توانید در واقع
813
00:26:12,320 –> 00:26:15,200
این فریم داده دیگری ایجاد می کند، بنابراین من
814
00:26:15,200 –> 00:26:15,840
می توانم
815
00:26:15,840 –> 00:26:20,000
یک df3 برابر با df2 داشته باشم و این
816
00:26:20,000 –> 00:26:20,799
اکنون df2
817
00:26:20,799 –> 00:26:23,600
و فقط شش مقدار اول را می گیرد، بنابراین اگر ما
818
00:26:23,600 –> 00:26:24,000
819
00:26:24,000 –> 00:26:29,120
df3 را اجرا کنیم، همان پاسخ را دریافت کنید
820
00:26:29,120 –> 00:26:31,279
و اگر انجام دادیم. سر داده ما
821
00:26:31,279 –> 00:26:32,320
همچنین می
822
00:26:32,320 –> 00:26:35,600
توانیم دم آن را انجام دهیم ame thing df tail شما
823
00:26:35,600 –> 00:26:36,960
می توانید به آخرین مورد نگاه کنید،
824
00:26:36,960 –> 00:26:39,200
ما فقط می گوییم که به طور پیش
825
00:26:39,200 –> 00:26:40,240
فرض پنج
826
00:26:40,240 –> 00:26:41,919
پنج مورد آخر را انجام می دهد و البته شما می توانید فقط
827
00:26:41,919 –> 00:26:43,919
به سه مورد آخر آن
828
00:26:43,919 –> 00:26:45,279
نگاه کنید تا ببینید در پایان داده ها چه چیزی وجود دارد.
829
00:26:45,279 –> 00:26:45,919
830
00:26:45,919 –> 00:26:48,320
و این این است که باید بگویم که دوست دارم دنبال یک را انجام
831
00:26:48,320 –> 00:26:48,960
832
00:26:48,960 –> 00:26:51,360
دهم زیرا مانند این شاخص یا
833
00:26:51,360 –> 00:26:52,000
چیزی شبیه به
834
00:26:52,000 –> 00:26:53,760
آن را خواهم داشت و فقط
835
00:26:53,760 –> 00:26:55,120
آخرین ورودی را به من نشان می دهد که آخرین ورودی بود
836
00:26:55,120 –> 00:26:57,440
که من به ارزش سهام نگاه می کنم و ممکن است
837
00:26:57,440 –> 00:26:59,440
بخواهم برای نگاه کردن فقط به پنج روز
838
00:26:59,440 –> 00:27:01,600
آخر ارزش سهام، میتوانم این کار را با
839
00:27:01,600 –> 00:27:02,559
دم قاب داده انجام دهم
840
00:27:02,559 –> 00:27:05,840
و برخی از چیزهای کلیدی دیگر که باید جستجو
841
00:27:05,840 –> 00:27:06,559
842
00:27:06,559 –> 00:27:11,120
کنیم، شاخص هستند، بنابراین میتوانیم df2.index را انجام دهیم
843
00:27:11,120 –> 00:27:13,039
و میخواهم متوجه شوید که این کار نیست.
844
00:27:13,039 –> 00:27:15,200
یک تابع فراخوانی، بنابراین اگر براکتها
845
00:27:15,200 –> 00:27:15,919
را در انتهای
846
00:27:15,919 –> 00:27:17,840
آن قرار دهم، به من خطایی میدهد، زیرا فهرست
847
00:27:17,840 –> 00:27:19,600
قابل فراخوانی نیست، فقط یک شی در
848
00:27:19,600 –> 00:27:20,480
آنجا است،
849
00:27:20,480 –> 00:27:24,240
بنابراین ما df2.index را انجام میدهیم، ستونهایی نیز وجود دارد،
850
00:27:24,240 –> 00:27:27,360
بنابراین میتوانیم جلو برویم و
851
00:27:27,360 –> 00:27:29,039
اجازه دهید چاپ کنیم. این را
852
00:27:29,039 –> 00:27:30,559
به یاد داشته باشید که اولین مورد
853
00:27:30,559 –> 00:27:32,399
نمایش داده نمی شود مگر اینکه
854
00:27:32,399 –> 00:27:34,880
آن را چاپ کنم و سپس ستون های df2 را چاپ کنم، بنابراین اکنون ما می
855
00:27:34,880 –> 00:27:36,799
توانیم n ببینید ما ایندکسهایمان
856
00:27:36,799 –> 00:27:38,919
را داریم و ستونهایمان را در اینجا فهرست
857
00:27:38,919 –> 00:27:40,080
کردهایم df2.columns
858
00:27:40,080 –> 00:27:42,559
اولویت بازدید از سن حیوانات به شما میگوید
859
00:27:42,559 –> 00:27:44,720
چه نوع شی
860
00:27:44,720 –> 00:27:46,240
یا نوع دادهای است و
861
00:27:46,240 –> 00:27:47,760
هر دو شی هستند
862
00:27:47,760 –> 00:27:51,679
و در نهایت مقادیر نقطهای df2
863
00:27:51,679 –> 00:27:53,919
و مجدداً هیچ براکتی در
864
00:27:53,919 –> 00:27:55,679
انتهای df2.values وجود ند
865
00:27:55,679 –> 00:27:57,360
رد زیرا این یک شی واقعی است و یک
866
00:27:57,360 –> 00:27:58,720
ابع قابل فراخوانی نیست، بن
867
00:27:58,720 –> 00:28:00,720
براین ما آن را اجرا می کنیم و فق
868
00:28:00,720 –> 00:28:02,799
یک آرایه زیبا را ایجاد می کند، یک
869
00:28:02,799 –> 00:28:04,880
اه بسیار آسان برای تبدیل مجدد آن به
870
00:28:04,880 –> 00:28:06,720
umpy آرایه اساساً
871
00:28:06,720 –> 00:28:09,039
بنابراین قبل از اینکه وارد بخش بعدی
872
00:28:09,039 –> 00:28:10,559
شوم، اجازه دهید نگاهی گذرا به آنچه
873
00:28:10,559 –> 00:28:12,000
تا کنون
874
00:28:12,000 –> 00:28:14,320
با قاب داده پوشش دادهایم بیندازیم
875
00:28:14,320 –> 00:28:15,600
، قاب دادههای خود را ایجاد
876
00:28:15,600 –> 00:28:17,919
کردیم، آن را از یک آرایه numpy انجام دادیم که ابتدا
877
00:28:17,919 –> 00:28:18,720
878
00:28:18,720 –> 00:28:21,360
ستونها و فهرست را تنظیم کردیم. ایندکس در حال
879
00:28:21,360 –> 00:28:23,120
تنظیم آن است مانند زمانی است که
880
00:28:23,120 –> 00:28:23,919
مجموعه را تنظیم می کنیم
881
00:28:23,919 –> 00:28:26,159
که باید بسیار آشنا به نظر برسد،
882
00:28:26,159 –> 00:28:28,000
بنابراین فرمت کل
883
00:28:28,000 –> 00:28:30,960
آرایه numpy، تاریخ های فهرست و ستون های ستون ها است
884
00:28:30,960 –> 00:28:33,039
و به یاد داشته باشید که در آرایه numpy خود
885
00:28:33,039 –> 00:28:36,320
ما به ستون کامای ردیف نگاه می کنیم. بنابراین
886
00:28:36,320 –> 00:28:38,880
شش ردیف چهار ستونها نحوه خواندن آن
887
00:28:38,880 –> 00:28:40,720
در قاب داده است
888
00:28:40,720 –> 00:28:42,880
و ما جلوتر رفتیم و همچنین این کار را از
889
00:28:42,880 –> 00:28:44,640
یک فرهنگ لغت انجام دادیم در این مورد
890
00:28:44,640 –> 00:28:46,960
حیوان نام ستون با تمام
891
00:28:46,960 –> 00:28:47,760
892
00:28:47,760 –> 00:28:50,080
دادههای تاریخ در زیر آن ستون بود و سپس سن
893
00:28:50,080 –> 00:28:52,399
با آن داده، آن داده را با اولویت آن داده
894
00:28:52,399 –> 00:28:53,120
895
00:28:53,120 –> 00:28:54,559
و سپس البته ما برچسبهای خود را
896
00:28:54,559 –> 00:28:56,159
برای نمایه خود در آنجا اضافه کردهایم،
897
00:28:56,159 –> 00:28:57,679
بنابراین هیچ تفاوتی در آن وجود ندارد، اما به
898
00:28:57,679 –> 00:28:59,279
طور خودکار
899
00:28:59,279 –> 00:29:01,200
نام ستونها را که مهم است بدانید زمانی
900
00:29:01,200 –> 00:29:02,480
که با یک قاب داده سر و کار دارید و
901
00:29:02,480 –> 00:29:04,799
یک قاب داده را به این طریق وارد میکنید، میکشید
902
00:29:04,799 –> 00:29:06,720
و سپس ما به دنبال d تایپ کنید
903
00:29:06,720 –> 00:29:08,320
ما به سر و دم نگاه کردیم و
904
00:29:08,320 –> 00:29:10,399
به دادههای شما خیلی سریع نگاه کردیم،
905
00:29:10,399 –> 00:29:12,640
همچنین نمایهها و ستونها
906
00:29:12,640 –> 00:29:14,880
و مقادیر را انجام دادیم و توجه داشته باشید که اینها
907
00:29:14,880 –> 00:29:16,640
براکتها را در انتها
908
00:29:16,640 –> 00:29:18,240
ندارند، بنابراین کاری که میخواهیم انجام دهیم این است که به
909
00:29:18,240 –> 00:29:19,679
جلو برویم زیرا با آن سروکار داریم.
910
00:29:19,679 –> 00:29:21,600
علم داده این است که ما میخواهیم برویم و
911
00:29:21,600 –> 00:29:25,600
دادهها را توصیف کنیم، بنابراین ما df2.described را برای انجام این کار
912
00:29:25,600 –> 00:29:26,000
913
00:29:26,000 –> 00:29:27,279
داریم و میخواهیم آن را در عرض
914
00:29:27,279 –> 00:29:28,799
یک دقیقه دستکاری کنیم، اما بیایید ببینیم چه چیزی
915
00:29:28,799 –> 00:29:30,399
تولید میکند
916
00:29:30,399 –> 00:29:32,640
و میتوانید همینجا ببینید که سن
917
00:29:32,640 –> 00:29:34,240
و بازدید داریم.
918
00:29:34,240 –> 00:29:36,159
پس ببین با توجه به دادههای ما از بالا، اجازه
919
00:29:36,159 –> 00:29:37,919
دهید تا اینجا
920
00:29:37,919 –> 00:29:41,360
اولویت بازدید از سن حیوانات
921
00:29:41,360 –> 00:29:43,120
را طی کنم و این کار خوبی را انجام میدهد که سن شما را
922
00:29:43,120 –> 00:29:45,039
در مقابل بازدیدها ایجاد میکند که تمام دادههایی
923
00:29:45,039 –> 00:29:46,240
را که حساب شما دارید،
924
00:29:46,240 –> 00:29:48,240
یعنی انحراف معیار حداقل
925
00:29:48,240 –> 00:29:49,360
مقدار شما
926
00:29:49,360 –> 00:29:52,480
25 یا 25 است. در این گروه 50 75 و
927
00:29:52,480 –> 00:29:53,760
حداکثر مقدار شما،
928
00:29:53,760 –> 00:29:55,279
بنابراین به عنوان یک راه اندازی علم داده با توضیحات شما آشنا به نظر می رسد تا
929
00:29:55,279 –> 00:29:57,279
930
00:29:57,279 –> 00:29:57,919
نگاهی سریع
931
00:29:57,919 –> 00:30:01,760
به داده های قاب داده شما داشته باشیم، بنابراین اجازه دهید
932
00:30:01,760 –> 00:30:03,760
دستکاری این قاب داده را در حال
933
00:30:03,760 –> 00:30:05,520
حرکت در اطراف شروع کنیم و با
934
00:30:05,520 –> 00:30:09,039
جابجایی و آن شروع می کنیم. به سادگی t بزرگ
935
00:30:09,039 –> 00:30:12,159
برای جابجایی است و وقتی اجرا می کنیم
936
00:30:12,159 –> 00:30:12,880
937
00:30:12,880 –> 00:30:16,080
که ستون ها و شاخص ها را برمی گردانیم،
938
00:30:16,080 –> 00:30:18,080
بنابراین اکنون فهرست ها همه نام
939
00:30:18,080 –> 00:30:20,000
ستون ها هستند و ستون ها همه شاخص ها هستند،
940
00:30:20,000 –> 00:30:21,840
اولویت بازدید از سن حیوانات است،
941
00:30:21,840 –> 00:30:24,080
بنابراین اگر با داده های خود به
942
00:30:24,080 –> 00:30:25,120
شکل اشتباه
943
00:30:25,120 –> 00:30:28,000
در بالا آمده بودیم. در جایی که ما یک 4×6 داشتیم، میتوانیم
944
00:30:28,000 –> 00:30:28,799
به سرعت
945
00:30:28,799 –> 00:30:31,360
آن را عوض کنیم، اگر آن را به عقب برگردانیم که مشکل چندانی نیست
946
00:30:31,360 –> 00:30:32,000
947
00:30:32,000 –> 00:30:34,960
و همچنین میتوانیم دادههایمان را مرتب کنیم کاری
948
00:30:34,960 –> 00:30:36,240
که شما نمیتوانید انجام دهید
949
00:30:36,240 –> 00:30:37,840
که انجام آن با بسیاری از بستههای دیگر دشوارتر است.
950
00:30:37,840 –> 00:30:39,679
در قاب داده، گرفتن قاب داده df2
951
00:30:39,679 –> 00:30:40,799
بسیار آسان است
952
00:30:40,799 –> 00:30:43,120
و ما
953
00:30:43,120 –> 00:30:43,919
954
00:30:43,919 –> 00:30:47,919
مقادیر زیرخط را بر اساس سن مرتب می کنیم
955
00:30:47,919 –> 00:30:50,480
و بنابراین وقتی این را اجرا می کنیم، می بینید که
956
00:30:50,480 –> 00:30:52,000
پیش فرض صعودی است،
957
00:30:52,000 –> 00:30:55,440
بنابراین ما 0.52 2.53 داریم و بقیه چیزها
958
00:30:55,440 –> 00:30:57,039
سازماندهی شده است. بنابراین اگر به نمایههای خود نگاه کنید،
959
00:30:57,039 –> 00:30:58,240
960
00:30:58,240 –> 00:31:00,159
آنها جابهجا شدهاند، زیرا هر
961
00:31:00,159 –> 00:31:01,840
نمایه یک ردیف کامل را جابهجا میکند،
962
00:31:01,840 –> 00:31:04,240
نه تنها یک قطعه داده
963
00:31:04,240 –> 00:31:05,519
مرتبسازی نشده است،
964
00:31:05,519 –> 00:31:07,760
بنابراین روش بسیار سریع برای مرتبسازی بر اساس سن،
965
00:31:07,760 –> 00:31:09,519
دادههای مختلف در قاب داده است
966
00:31:09,519 –> 00:31:11,360
و علاوه بر آن برای مرتبسازی آن، میتوانیم
967
00:31:11,360 –> 00:31:13,360
قاب داده را نیز برش دهیم
968
00:31:13,360 –> 00:31:15,840
تا بتوانم df2 را انجام دهم و این باید از قبل آشنا به نظر برسد،
969
00:31:15,840 –> 00:31:16,640
970
00:31:16,640 –> 00:31:19,679
ما فقط یک تا سه کار
971
00:31:19,679 –> 00:31:21,200
را انجام میدهیم،
972
00:31:21,200 –> 00:31:23,519
بنابراین اگر به جای استفاده از df از df استفاده کنم کمک میکند.
973
00:31:23,519 –> 00:31:24,480
d
974
00:31:24,480 –> 00:31:25,919
و ما فقط بین
975
00:31:25,919 –> 00:31:27,600
یک و سه بالا میرویم،
976
00:31:27,600 –> 00:31:30,000
بنابراین صفر نداریم که a است، بلکه b داریم
977
00:31:30,000 –> 00:31:30,799
که دو
978
00:31:30,799 –> 00:31:34,000
یا b است که 1 است و c که 2 است. بنابراین 1
979
00:31:34,000 –> 00:31:36,480
2 و سپس شامل 3 نمیشود.
980
00:31:36,480 –> 00:31:38,080
که استاندارد پایتون است
981
00:31:38,080 –> 00:31:40,159
و ما حتی میتوانیم چنین کاری انجام دهیم و
982
00:31:40,159 –> 00:31:42,399
میتوانیم آنها را با هم ترکیب کنیم همیشه سرگرم کننده است
983
00:31:42,399 –> 00:31:44,000
زیرا به یاد داشته باشید که این یک قاب داده را برمی گرداند،
984
00:31:44,000 –> 00:31:46,640
بنابراین اگر من
985
00:31:46,640 –> 00:31:50,720
مقادیر مرتب سازی نقطه
986
00:31:50,720 –> 00:31:54,240
ای df2 را بگیرم و با مساوی سن انجام
987
00:31:54,240 –> 00:31:56,000
دهیم، این فقط سرگرم کننده است و سپس من
988
00:31:56,000 –> 00:31:57,440
آن را در آنجا تکه تکه
989
00:31:57,440 –> 00:31:59,519
می کنم، تایپ من را دوباره بررسی کرده و
990
00:31:59,519 –> 00:32:00,640
آن را اجرا می کنیم.
991
00:32:00,640 –> 00:32:03,440
و اکنون باید فا را ببینید زیرا فا در
992
00:32:03,440 –> 00:32:03,919
حال حاضر
993
00:32:03,919 –> 00:32:06,320
یک و دو در آنجا هستند، بنابراین می توانید خیلی
994
00:32:06,320 –> 00:32:08,720
سریع یک رشته کامل در اینجا ایجاد کنید
995
00:32:08,720 –> 00:32:10,799
که آن را باریک می کند و می دانید که می توانید
996
00:32:10,799 –> 00:32:13,039
آن را مرتب کنید و سپس آن را برش دهید و انواع
997
00:32:13,039 –> 00:32:14,960
کارهای سرگرم کننده را با قاب داده خود انجام دهید. ما
998
00:32:14,960 –> 00:32:16,720
فقط به اجرای اصلی برمی گردیم
999
00:32:16,720 –> 00:32:19,200
و اگر بتوانیم آن را
1000
00:32:19,200 –> 00:32:20,640
به ردیف برش دهیم، می توانیم
1001
00:32:20,640 –> 00:32:23,519
فریم داده را نیز پرس و جو کنیم تا بتوانیم df2 را انجام دهیم
1002
00:32:23,519 –> 00:32:24,960
و این کمی متفاوت است زیرا
1003
00:32:24,960 –> 00:32:25,919
من
1004
00:32:25,919 –> 00:32:27,840
یک آرایه در داخل ایجاد می کنم. یک آرایه و در این
1005
00:32:27,840 –> 00:32:29,200
مورد ما قصد داریم به
1006
00:32:29,200 –> 00:32:33,279
oh اجازه دهید بازدید از کاما سن را انجام دهیم،
1007
00:32:33,279 –> 00:32:35,919
بنابراین به فرمت های مختلف
1008
00:32:35,919 –> 00:32:38,080
در اینجا نگاه کنید، ما 1 تا 3
1009
00:32:38,080 –> 00:32:40,720
داریم، بنابراین ما این کار را با برش دادن توسط یک مقدار صحیح انجام داده ایم
1010
00:32:40,720 –> 00:32:43,120
و سپس در اینجا
1011
00:32:43,120 –> 00:32:46,399
i’ بازدید از کاما df2 age را
1012
00:32:46,399 –> 00:32:49,360
در یک آرایه انجام دادم و وقتی این را اجرا می کنم
1013
00:32:49,360 –> 00:32:51,360
می بینید که فقط این دو ستون را دریافت می کنیم
1014
00:32:51,360 –> 00:32:53,519
در اینجا ما سن و بازدیدها را دریافت می کنیم،
1015
00:32:53,519 –> 00:32:55,120
بنابراین یک راه سریع برای انتخاب فقط دو
1016
00:32:55,120 –> 00:32:56,799
ستون یا انتخاب تعداد ستون هایی است
1017
00:32:56,799 –> 00:32:58,720
که با آنها کار می کنید،
1018
00:32:58,720 –> 00:33:00,960
و اگر در آنجا متوقف شوید، برش را
1019
00:33:00,960 –> 00:33:02,960
تقریباً یکسان با برش انجام می دهیم
1020
00:33:02,960 –> 00:33:05,440
مکان i است که از مکان عدد صحیح
1021
00:33:05,440 –> 00:33:07,679
یک کاما استفاده می کند. سه
1022
00:33:07,679 –> 00:33:10,399
، پانداها به جای انجام یک برش معمولی، فشاری برای رفتن به این
1023
00:33:10,399 –> 00:33:12,000
تنظیمات خاص دارند
1024
00:33:12,000 –> 00:33:14,320
1025
00:33:14,320 –> 00:33:15,360
و این به
1026
00:33:15,360 –> 00:33:17,840
این دلیل است که وقتی یک
1027
00:33:17,840 –> 00:33:18,559
به سه را برش میزنیم
1028
00:33:18,559 –> 00:33:21,919
و سپس سن و بازدید را انتخاب میکنیم، این میتواند گیجکننده باشد،
1029
00:33:21,919 –> 00:33:23,600
بنابراین فشاری برای ادامه دادن و رفتن
1030
00:33:23,600 –> 00:33:25,120
به آن وجود دارد. یک مکان i
1031
00:33:25,120 –> 00:33:27,039
که همان کاری را انجام می دهد که می توانید
1032
00:33:27,039 –> 00:33:29,760
اینجا ببینید bc مانند بالا است
1033
00:33:29,760 –> 00:33:31,679
، دستور copy نیز وجود دارد، بنابراین ما می توانیم
1034
00:33:31,679 –> 00:33:34,240
df3 برابر با df2
1035
00:33:34,240 –> 00:33:35,760
copy انجام دهیم، فقط یک
1036
00:33:35,760 –> 00:33:37,279
کپی مستقیم از آن ایجاد می کنیم
1037
00:33:37,279 –> 00:33:40,480
و البته اگر df3 را انجام دهیم.
1038
00:33:40,480 –> 00:33:41,679
همان df2
1039
00:33:41,679 –> 00:33:45,360
در آنجا خواهد بود، بنابراین df3 برابر است با df2.copy
1040
00:33:45,360 –> 00:33:48,640
و سپس بیایید انجام دهیم df3 dot
1041
00:33:48,640 –> 00:33:51,919
null است، بنابراین ما به دنبال مقادیر null هستیم
1042
00:33:51,919 –> 00:33:53,600
و این یک نقشه خوب
1043
00:33:53,600 –> 00:33:55,519
را برمیگرداند و خواهید دید که همه چیز نادرست است
1044
00:33:55,519 –> 00:33:58,640
به جز وقتی به اینجا می روی زیر گربه
1045
00:33:58,640 –> 00:34:01,360
یا h که داشتند یک عدد تهی وجود دارد و بنابراین اگر ما
1046
00:34:01,360 –> 00:34:03,279
به یک زن و شوهر در اینجا پایین
1047
00:34:03,279 –> 00:34:03,760
1048
00:34:03,760 –> 00:34:05,679
بیاییم، بیایید سگ را ببینیم خوب است، یک دسته
1049
00:34:05,679 –> 00:34:06,799
از null ها در اینجا وجود دارد، اینجا d
1050
00:34:06,799 –> 00:34:08,719
اینجا بالا است، بنابراین بیایید به d در اینجا نگاه کنیم و
1051
00:34:08,719 –> 00:34:10,000
خواهید
1052
00:34:10,000 –> 00:34:12,159
دید که درست است. مقدار تهی ما، بنابراین ما
1053
00:34:12,159 –> 00:34:13,679
میتوانیم نموداری سریع از
1054
00:34:13,679 –> 00:34:16,159
مقادیر تهی ایجاد کنیم، شما میتوانید از این برای انجام کارهای دیگر استفاده
1055
00:34:16,159 –> 00:34:18,480
کنید، ما میتوانیم از آن مقدار تهی استفاده کنیم
1056
00:34:18,480 –> 00:34:20,639
تا شاید میانگین یا چیزی را بگیریم
1057
00:34:20,639 –> 00:34:21,839
و آن
1058
00:34:21,839 –> 00:34:24,800
فضاهای تهی را با داده پر کنیم و همچنین میتوانیم
1059
00:34:24,800 –> 00:34:28,079
مکان را تغییر دهیم، بنابراین مکان df3 ما
1060
00:34:28,079 –> 00:34:31,760
و توجه داشته باشید این مکان است نه مکان
1061
00:34:31,760 –> 00:34:32,719
چشم
1062
00:34:32,719 –> 00:34:35,520
، i برای مکان عدد صحیح
1063
00:34:35,520 –> 00:34:36,320
1064
00:34:36,320 –> 00:34:38,960
از متغیرهای
1065
00:34:38,960 –> 00:34:39,679
سمت چپ
1066
00:34:39,679 –> 00:34:41,760
و کارهایی که میتوانیم در اینجا انجام دهیم استفاده میکند و
1067
00:34:41,760 –> 00:34:42,879
میخواهیم این را
1068
00:34:42,879 –> 00:34:46,239
برابر با 1.5 قرار دهیم
1069
00:34:46,239 –> 00:34:49,440
و سپس um i را در نظر بگیریم. یک نقطه را انتخاب کنید، بیایید به
1070
00:34:49,440 –> 00:34:52,320
اینجا برگردیم، جایی که تا به حال بودیم، اجازه دهید f a انجام دهیم
1071
00:34:52,320 –> 00:34:54,560
، فقط بیایید ببینیم به چه چیزی نگاه می کنیم،
1072
00:34:54,560 –> 00:34:55,839
اوه اینجا برویم، بیایید
1073
00:34:55,839 –> 00:34:59,359
f و h را انجام دهیم و در اینجا f روی
1074
00:34:59,359 –> 00:35:02,320
سن 2.0 تنظیم شده است و متوجه می شویم که این
1075
00:35:02,320 –> 00:35:04,079
اشتباه است داده، بنابراین ما به جلو می رویم و
1076
00:35:04,079 –> 00:35:05,520
به df3 برابر تغییر می کنیم
1077
00:35:05,520 –> 00:35:06,800
و سپس ما هستیم قرار است
1078
00:35:06,800 –> 00:35:08,720
df3 خود را پرینت بگیریم
1079
00:35:08,720 –> 00:35:12,480
و اگر به f برویم و سن کنیم، اکنون 1.5 شده است،
1080
00:35:12,480 –> 00:35:14,000
بنابراین ما فقط مقدار
1081
00:35:14,000 –> 00:35:16,880
df3 را تغییر می دهیم و این در حال تغییر قاب داده واقعی است.
1082
00:35:16,880 –> 00:35:17,599
1083
00:35:17,599 –> 00:35:19,040
1084
00:35:19,040 –> 00:35:20,640
1085
00:35:20,640 –> 00:35:23,359
یک فریم داده دیگر را برمی گرداند و
1086
00:35:23,359 –> 00:35:25,040
این قاب داده واقعی و آن
1087
00:35:25,040 –> 00:35:27,839
مقدار را در قاب داده تغییر می
1088
00:35:27,839 –> 00:35:30,400
دهد، بنابراین ما مکان را پوشش داده ایم و مکان چشم
1089
00:35:30,400 –> 00:35:31,200
1090
00:35:31,200 –> 00:35:34,000
پوچ است. یک کپی در اینجا مکان چشم ما است
1091
00:35:34,000 –> 00:35:36,320
که معادل یک تکه است
1092
00:35:36,320 –> 00:35:39,359
و همچنین ستون ها را انتخاب می کنیم، بنابراین اکنون می
1093
00:35:39,359 –> 00:35:39,839
خواهیم
1094
00:35:39,839 –> 00:35:41,440
شیرجه بزنید فقط از اینجا کمی منحرف شوید و
1095
00:35:41,440 –> 00:35:43,839
بیایید به معنی df3 نگاه کنیم
1096
00:35:43,839 –> 00:35:46,079
و این خیلی خوب است زیرا
1097
00:35:46,079 –> 00:35:47,200
شما می توانید این کار را انجام دهید،
1098
00:35:47,200 –> 00:35:48,960
می توانید این کار را انجام دهید زیرا می
1099
00:35:48,960 –> 00:35:50,480
توانید یک ستون را در اینجا انتخاب کنید و
1100
00:35:50,480 –> 00:35:51,760
فقط می توانید انتخاب ستون را
1101
00:35:51,760 –> 00:35:53,520
دقیقاً در اینجا اضافه کنید. همانطور که قبلاً انجام دادیم،
1102
00:35:53,520 –> 00:35:56,320
بنابراین میتوانیم میانگین سنی را جستجو کنیم
1103
00:35:56,320 –> 00:35:58,000
که اگر اجرا کنم یک سریال ایجاد میکند
1104
00:35:58,000 –> 00:36:01,280
که سن ما وجود دارد، اما اگر
1105
00:36:01,280 –> 00:36:03,359
آن را به جای انتخاب آن حذف کنم،
1106
00:36:03,359 –> 00:36:04,400
میتوانیم کل
1107
00:36:04,400 –> 00:36:06,960
تنظیمات را انجام دهیم، سن و بازدید دارد، پس چرا
1108
00:36:06,960 –> 00:36:09,280
اینطور نیست؟ آنها دارای اولویت هستند یا به
1109
00:36:09,280 –> 00:36:11,520
خوبی حیوانات اعداد صحیح نیستند، بنابراین
1110
00:36:11,520 –> 00:36:12,800
واقعاً سخت است
1111
00:36:12,800 –> 00:36:14,720
که مقادیر غیر عددی هستند،
1112
00:36:14,720 –> 00:36:16,320
بنابراین حدس میزنم میانگین آن چقدر است که میتوانید یک هیستوگرام انجام دهید
1113
00:36:16,320 –> 00:36:17,599
که
1114
00:36:17,599 –> 00:36:19,200
احتمالاً بعداً به آن نگاه میکند،
1115
00:36:19,200 –> 00:36:20,480
اما تنها دو چیزی که واقعاً میتوانیم به آن نگاه
1116
00:36:20,480 –> 00:36:22,720
کنیم سن و بازدید است و ما
1117
00:36:22,720 –> 00:36:25,480
میانگین یا میانگین سنی
1118
00:36:25,480 –> 00:36:26,720
3.375
1119
00:36:26,720 –> 00:36:30,160
و میانگین در بازدیدها 1.9 است
1120
00:36:30,160 –> 00:36:33,760
و بیایید بازدیدهای df3 را
1121
00:36:34,000 –> 00:36:35,520
انجام دهیم، ادامه می دهیم و بازدیدها را دوباره سرقت می کنیم
1122
00:36:35,520 –> 00:36:37,280
1123
00:36:37,280 –> 00:36:38,640
و همه آن
1124
00:36:38,640 –> 00:36:40,800
توابع مختلف را که برای یک سری نگاه کردیم به
1125
00:36:40,800 –> 00:36:42,560
خوبی به خاطر می آوریم که می توانیم آنها را انجام دهیم. در اینجا میتوانیم مجموع را انجام دهیم،
1126
00:36:42,560 –> 00:36:44,800
بنابراین اگر اجرا کنیم میبینیم که
1127
00:36:44,800 –> 00:36:45,359
این مجموعها
1128
00:36:45,359 –> 00:36:48,880
تا 19 است، میتوانیم حداقل را نیز جستجو کنیم،
1129
00:36:48,880 –> 00:36:50,480
اگر به یاد داشته باشید که از قبل
1130
00:36:50,480 –> 00:36:52,000
حداقل یک
1131
00:36:52,000 –> 00:36:55,440
حداکثر است، بنابراین همه آن عملکرد اینجاست،
1132
00:36:55,440 –> 00:36:57,359
من فقط به عقب برمیگردم. برای خلاصه کردن و جمع
1133
00:36:57,359 –> 00:36:58,800
کردن همه با هم
1134
00:36:58,800 –> 00:37:02,000
خیلی سریع، ما به شما نشان دادیم که چگونه
1135
00:37:02,000 –> 00:37:05,040
عملیات سری را بردارید
1136
00:37:05,040 –> 00:37:07,200
و آنها را در چارچوب داده قرار دهید و سپس
1137
00:37:07,200 –> 00:37:08,800
می توانیم در واقع این جالب است،
1138
00:37:08,800 –> 00:37:12,160
ما فقط می توانیم اجرای مجموع df3 را انجام دهیم و
1139
00:37:12,160 –> 00:37:13,760
شما جمع بندی های مختلف را در
1140
00:37:13,760 –> 00:37:15,920
آنجا ببینید، آن را فقط ترکیب می کند من روشی را دوست دارم که
1141
00:37:15,920 –> 00:37:17,520
فقط رشتهها
1142
00:37:17,520 –> 00:37:19,040
را برای اولویت ترکیب میکند و حیوانی
1143
00:37:19,040 –> 00:37:21,680
که به آن نگاه کردهایم پوچ است، ما
1144
00:37:21,680 –> 00:37:23,200
همچنین به کپی کردن
1145
00:37:23,200 –> 00:37:25,040
همراه با برشهای مختلفی که
1146
00:37:25,040 –> 00:37:26,880
قبلاً در مورد آنها صحبت کردیم، نگاه کردیم، بنابراین بیایید در مورد رشتهها صحبت کنیم، بیایید در رشته شیرجه بزنیم.
1147
00:37:26,880 –> 00:37:28,320
1148
00:37:28,320 –> 00:37:30,960
در آنجا نصب کنید و بیایید ادامه دهیم
1149
00:37:30,960 –> 00:37:32,800
و یک رشته سری رشته ای ایجاد کنیم که
1150
00:37:32,800 –> 00:37:35,280
برابر با سری pd است و ما فقط
1151
00:37:35,280 –> 00:37:36,000
آن را درست در آنجا قرار
1152
00:37:36,000 –> 00:37:39,200
می دهیم، یک c d a b a c a
1153
00:37:39,200 –> 00:37:42,320
در یک گاو با ارزش تهی ظاهر می شود و
1154
00:37:42,320 –> 00:37:44,720
نمی دانم چرا آنها cal و al را
1155
00:37:44,720 –> 00:37:45,440
در پس زمینه
1156
00:37:45,440 –> 00:37:47,440
یک نفر انتخاب کردند. باید آن حیوانات را دوست داشته باشیم و
1157
00:37:47,440 –> 00:37:49,040
البته اگر اجرا کنیم میتوانیم رشتهای را انجام
1158
00:37:49,040 –> 00:37:51,760
دهیم که میبینید r
1159
00:37:51,760 –> 00:37:52,400
را کنار بگذارید، با
1160
00:37:52,400 –> 00:37:53,599
خطا مواجه میشویم، اما اگر آن را در آنجا قرار دهیم،
1161
00:37:53,599 –> 00:37:55,760
میبینیم که ما یک سری ساده 0
1162
00:37:55,760 –> 00:37:58,880
a 1 داریم. c 2 d و به طور خودکار
1163
00:37:58,880 –> 00:37:59,280
آن را
1164
00:37:59,280 –> 00:38:02,640
0 تا 8 ایندکس می کند. سپس می توانیم نقطه رشته را
1165
00:38:02,640 –> 00:38:05,599
پایین بیاوریم، بنابراین وقتی در مورد
1166
00:38:05,599 –> 00:38:06,000
1167
00:38:06,000 –> 00:38:07,599
قاب داده خود در این مورد یا رشته سری داده خود را
1168
00:38:07,599 –> 00:38:09,599
در این مورد صحبت می
1169
00:38:09,599 –> 00:38:13,040
کنیم، از تابع رشته str استفاده می
1170
00:38:13,040 –> 00:38:14,560
کنیم و we’ دوباره آن را پایین می آوریم و اگر
1171
00:38:14,560 –> 00:38:16,160
جلو برویم و براکت ها را بگذاریم در
1172
00:38:16,160 –> 00:38:16,640
آنجا
1173
00:38:16,640 –> 00:38:18,320
و خواهید دید که ما از
1174
00:38:18,320 –> 00:38:21,040
سرمایه یک ج بزرگ به بعد به abc
1175
00:38:21,040 –> 00:38:24,800
و baca cba cow al رفته ایم، همه آنها
1176
00:38:24,800 –> 00:38:25,839
قبلا حروف کوچک بودند
1177
00:38:25,839 –> 00:38:27,520
و البته اگر می خواهید پایین تر بروید،
1178
00:38:27,520 –> 00:38:29,200
می توانید
1179
00:38:29,200 –> 00:38:31,599
بالا را نیز انجام دهید. پیش بروید و آن را اجرا کنید و
1180
00:38:31,599 –> 00:38:34,079
می توانید ببینید که ما اکنون acd aaa baca داریم که
1181
00:38:34,079 –> 00:38:35,680
همه چیز با حروف بزرگ نوشته شده است به جز
1182
00:38:35,680 –> 00:38:37,359
مقدار تهی که هنوز تهی است،
1183
00:38:37,359 –> 00:38:38,960
بسیار خوب است، بنابراین ما به چند رشته اصلی نگاه کردیم،
1184
00:38:38,960 –> 00:38:40,640
می توانید ببینید که
1185
00:38:40,640 –> 00:38:42,960
توابع رشته بالا و پایین است و ما می خواهیم
1186
00:38:42,960 –> 00:38:44,480
پرش کنیم. به موضوع بسیار
1187
00:38:44,480 –> 00:38:46,079
مهمی میپردازم، من حتی میخواهم سرفصل
1188
00:38:46,079 –> 00:38:48,640
آن را در اینجا بگذارم، زیرا این
1189
00:38:48,640 –> 00:38:50,480
موضوع بسیار مهمی است
1190
00:38:50,480 –> 00:38:53,280
که با مقادیر از دست رفته چه میکنید،
1191
00:38:53,280 –> 00:38:54,880
پاندا ابزارهای خوبی برای آن دارد، بنابراین ما به
1192
00:38:54,880 –> 00:38:56,320
سراغ مواردی میرویم که به
1193
00:38:56,320 –> 00:38:58,640
آنها میگوییم با df4 کار می کند و اگر
1194
00:38:58,640 –> 00:39:00,800
کپی df را از بالا
1195
00:39:00,800 –> 00:39:02,960
به خاطر دارید، ما فقط می خواهیم یک کپی از df3 ایجاد کنیم
1196
00:39:02,960 –> 00:39:04,240
و اجازه دهید نگاهی گذرا به
1197
00:39:04,240 –> 00:39:06,000
داده هایی که با آنها کار
1198
00:39:06,000 –> 00:39:08,960
1199
00:39:08,960 –> 00:39:09,760
می کنیم بیندازیم.
1200
00:39:09,760 –> 00:39:13,040
بنابراین در اینجا ما گربههایمان مارها و سگهایمان را داریم،
1201
00:39:13,040 –> 00:39:15,119
امیدوارم همه در یک ظرف نباشند،
1202
00:39:15,119 –> 00:39:16,240
زیرا این
1203
00:39:16,240 –> 00:39:18,160
احتمالاً برای همه آنها بد خواهد بود، بنابراین ما
1204
00:39:18,160 –> 00:39:19,440
یک کپی ساختیم که قرار است با df4 کار
1205
00:39:19,440 –> 00:39:20,640
کنیم
1206
00:39:20,640 –> 00:39:22,400
و دلیل اینکه یک کپی ایجاد کردیم این است که می خواهیم ادامه دهیم
1207
00:39:22,400 –> 00:39:24,400
و داده ها را پر
1208
00:39:24,400 –> 00:39:26,960
کنیم و فقط یک را پر می کنیم و
1209
00:39:26,960 –> 00:39:28,000
ما مقداری را
1210
00:39:28,000 –> 00:39:29,280
که میخواهیم در آنجا قرار دهیم به آن میدهیم، به
1211
00:39:29,280 –> 00:39:31,520
آن مقدار 4 میدهیم. بنابراین میتوانم در اینجا اجرا کنم و
1212
00:39:31,520 –> 00:39:32,960
اکنون خواهید دید که
1213
00:39:32,960 –> 00:39:36,240
df4 اکنون جایی دارد که n a بود که
1214
00:39:36,240 –> 00:39:37,599
با مقدار 4 پر شده است.
1215
00:39:37,599 –> 00:39:40,480
همان چیزی که در اینجا در بسیاری از مواقع
1216
00:39:40,480 –> 00:39:42,400
ما ابتدا میانگین را محاسبه می کنیم،
1217
00:39:42,400 –> 00:39:45,599
بنابراین ممکن است میانگین
1218
00:39:45,599 –> 00:39:48,720
سنی برابر با df4 انجام دهم
1219
00:39:48,720 –> 00:39:52,640
و سپس می خواهیم ادامه دهیم و سن
1220
00:39:53,119 –> 00:39:56,640
و میانگین نقطه
1221
00:39:56,640 –> 00:39:59,520
را انجام دهیم و سپس من چیزی شبیه به این df4
1222
00:39:59,520 –> 00:40:01,520
i انجام می دهم. میخواهم سن را انتخاب
1223
00:40:01,520 –> 00:40:04,960
کنم و میخواهم آن را با میانگین
1224
00:40:04,960 –> 00:40:07,920
h پر کنم و من در آنجا اجرا میشویم و میبینید که
1225
00:40:07,920 –> 00:40:09,599
df4h ما
1226
00:40:09,599 –> 00:40:12,240
اکنون ابزاری در آنجا دارد فقط یک
1227
00:40:12,240 –> 00:40:13,760
راه سریع برای نشان دادن اینکه چگونه میتوانید
1228
00:40:13,760 –> 00:40:16,400
اینها را ترکیب کنید، اجازه دهید به عقب برگردم. به
1229
00:40:16,400 –> 00:40:17,280
نسخه اصلی خود
1230
00:40:17,280 –> 00:40:20,319
می رویم و آن را اجرا می کنیم و
1231
00:40:20,319 –> 00:40:21,680
با رعایت اقدامات خوب
1232
00:40:21,680 –> 00:40:25,040
df5 برابر است با df سه نقطه
1233
00:40:25,040 –> 00:40:27,920
کپی و ما df5 خود را که
1234
00:40:27,920 –> 00:40:30,240
باید اصلی باشد چاپ می کنیم یک
1235
00:40:30,240 –> 00:40:33,839
و سپس در df5 ما اکنون میتوانیم
1236
00:40:33,839 –> 00:40:36,720
دادههای از دست رفته خود را رها کنیم، من به سادگی
1237
00:40:36,720 –> 00:40:37,280
1238
00:40:37,280 –> 00:40:40,240
یک را میریزم و از مقدار برابر هر استفاده میکنیم،
1239
00:40:40,240 –> 00:40:41,520
بنابراین من میخواهم
1240
00:40:41,520 –> 00:40:44,480
هر ردیفی را که دادههای گم شده در آن وجود داشته باشد و
1241
00:40:44,480 –> 00:40:46,319
شما حذف کنم. می بینیم که d در اینجا با داده های از دست رفته
1242
00:40:46,319 –> 00:40:46,880
1243
00:40:46,880 –> 00:40:49,599
و h وجود دارد و سپس بیایید جلوتر برویم و
1244
00:40:49,599 –> 00:40:53,839
ببینیم وقتی انجام می دهیم df5 چگونه به نظر می رسد.
1245
00:40:54,000 –> 00:40:55,760
1246
00:40:55,760 –> 00:40:57,440
1247
00:40:57,440 –> 00:40:59,200
1248
00:40:59,200 –> 00:41:00,800
از دست دادن آن مقادیر
1249
00:41:00,800 –> 00:41:03,280
در حال حاضر اگر مقادیر زیادی دادهها را از
1250
00:41:03,280 –> 00:41:04,400
1251
00:41:04,400 –> 00:41:05,839
1252
00:41:05,839 –> 00:41:07,680
دست میدهید، راه خوبی برای مراقبت از آن است زیرا
1253
00:41:07,680 –> 00:41:09,119
اگر دادههای زیادی نداشته باشید
1254
00:41:09,119 –> 00:41:10,800
مانند مجموعه داده عنبیه یا عنبیه، برخی از دادهها را از دست نمیدهید. چیزی
1255
00:41:10,800 –> 00:41:11,680
شبیه به آن یا
1256
00:41:11,680 –> 00:41:13,440
چیز کوچکی که می خواهید شروع به تلاش
1257
00:41:13,440 –> 00:41:15,440
برای یافتن راهی برای پر کردن آن داده ها کنید
1258
00:41:15,440 –> 00:41:16,960
تا قدرت محاسباتی خود را از دست ندهید
1259
00:41:16,960 –> 00:41:18,640
،
1260
00:41:18,640 –> 00:41:21,440
بنابراین فقط با یک نگاه سریع به پردازش مقادیر تهی
1261
00:41:21,440 –> 00:41:22,640
1262
00:41:22,640 –> 00:41:25,119
یا مقادیر از دست رفته می توانید آنها را پر کنید.
1263
00:41:25,119 –> 00:41:26,640
با وسایلی که
1264
00:41:26,640 –> 00:41:29,119
برخی افراد از مدیوم استفاده می کنند یا حالتی
1265
00:41:29,119 –> 00:41:30,640
وجود دارد که روش های مختلفی وجود دارد که می توانید آن را پر
1266
00:41:30,640 –> 00:41:33,520
کنید ما همچنین میتوانیم
1267
00:41:33,520 –> 00:41:35,200
آن ردیفها را رها کنیم، این دو کار اصلی
1268
00:41:35,200 –> 00:41:36,000
هستند که
1269
00:41:36,000 –> 00:41:39,200
با دادههای از دست رفته انجام میدهیم، در ادامه میخواهیم این
1270
00:41:39,200 –> 00:41:40,560
را پوشش
1271
00:41:40,560 –> 00:41:44,400
1272
00:41:44,400 –> 00:41:48,400
1273
00:41:48,400 –> 00:41:50,480
دهیم. ابزارهای مختلف بسیار زیادی
1274
00:41:50,480 –> 00:41:52,240
برای وارد کردن داده ها
1275
00:41:52,240 –> 00:41:54,560
و ذخیره داده ها، بنابراین ما به
1276
00:41:54,560 –> 00:41:56,560
عملیات فایل قاب داده نگاه می
1277
00:41:56,560 –> 00:41:58,240
کنیم، واقعاً ساده شده است، نمی دانم
1278
00:41:58,240 –> 00:42:00,000
چند بار آنها به
1279
00:42:00,000 –> 00:42:01,680
دانلودهای مختلف داده خواهند رفت و
1280
00:42:01,680 –> 00:42:04,000
استاندارد دانلود پاندا را خواهند داشت. در آنجا
1281
00:42:04,000 –> 00:42:06,880
فقط به این دلیل که بسیار مورد استفاده قرار می گیرد، بنابراین
1282
00:42:06,880 –> 00:42:08,960
بیایید با رایج ترین فایل شروع کنیم
1283
00:42:08,960 –> 00:42:13,040
که یک csv است، بنابراین ما df3 به csv یا حیوان داریم
1284
00:42:13,040 –> 00:42:14,880
و اجازه دهید فقط
1285
00:42:14,880 –> 00:42:16,960
پوشه هایی را که در حال حاضر وارد آن می شوند به شما نشان دهم،
1286
00:42:16,960 –> 00:42:19,200
من چند مورد بدون عنوان و چند
1287
00:42:19,200 –> 00:42:20,480
چیز در اینجا دارم. اما هیچ برچسب
1288
00:42:20,480 –> 00:42:21,280
حیوانی وجود ندارد،
1289
00:42:21,280 –> 00:42:23,760
بنابراین ما ادامه می دهیم و این را اجرا می کنیم و این
1290
00:42:23,760 –> 00:42:25,200
اکنون حیوان
1291
00:42:25,200 –> 00:42:28,079
در هارد دیسک من ذخیره می شود و اکنون می توانید
1292
00:42:28,079 –> 00:42:30,000
پوشه حیوانات را در اینجا ببینید و اگر
1293
00:42:30,000 –> 00:42:32,480
اجازه دهید ویرایش را با یک دفترچه یادداشت انجام دهم، بیایید
1294
00:42:32,480 –> 00:42:33,839
فقط با یک دفترچه یادداشت معمولی باز کنیم
1295
00:42:33,839 –> 00:42:34,720
آنجا می رویم
1296
00:42:34,720 –> 00:42:37,119
یا wordpad اگر من o قلم تا بالا می توانید
1297
00:42:37,119 –> 00:42:38,640
ببینید عناوین ما با کاما از هم جدا
1298
00:42:38,640 –> 00:42:40,720
شده است، آنها شاخصی
1299
00:42:40,720 –> 00:42:42,079
در دسته بندی ها در بالا
1300
00:42:42,079 –> 00:42:43,760
و کامای ایندکس ندارند، سپس تمام
1301
00:42:43,760 –> 00:42:46,560
داده های مختلف با کاما از
1302
00:42:46,560 –> 00:42:49,280
فایل csv استاندارد جدا می شوند و اگر
1303
00:42:49,280 –> 00:42:49,760
قرار است
1304
00:42:49,760 –> 00:42:52,960
ارسال کنیم آن را به csv و توجه کنید که فرمت آن
1305
00:42:52,960 –> 00:42:53,359
نقطه
1306
00:42:53,359 –> 00:42:56,560
2 زیر خط csv است و فقط
1307
00:42:56,560 –> 00:42:58,160
نام فایلی است که ما آن را برای
1308
00:42:58,160 –> 00:43:00,240
شما ارسال می کنیم، همچنین می توانید مسیر کامل را به صورت
1309
00:43:00,240 –> 00:43:01,760
پیش فرض قرار دهید.
1310
00:43:01,760 –> 00:43:03,599
1311
00:43:03,599 –> 00:43:03,839
1312
00:43:03,839 –> 00:43:05,200
آن پوشههای دیگر در
1313
00:43:05,200 –> 00:43:06,880
آنجا هستند، بنابراین ما df3 خود
1314
00:43:06,880 –> 00:43:09,200
را در CSV داریم و سپس اگر میخواهیم آن را
1315
00:43:09,200 –> 00:43:10,640
در آنجا قرار دهیم، میخواهیم دوباره آن را
1316
00:43:10,640 –> 00:43:12,800
بیرون بیاوریم و این یکی df
1317
00:43:12,800 –> 00:43:13,920
underscore حیوان
1318
00:43:13,920 –> 00:43:18,079
برابر است pd read underscore csv
1319
00:43:18,079 –> 00:43:19,359
من همیشه باید به یاد داشته باشید که دو
1320
00:43:19,359 –> 00:43:22,160
زیرخط csv است و زیرخط csv را بخوانید
1321
00:43:22,160 –> 00:43:23,760
من همیشه میخواهم مانند یک
1322
00:43:23,760 –> 00:43:25,680
بزرگ و نه خط زیری
1323
00:43:25,680 –> 00:43:26,720
که در اینجا دوباره وارد میشویم، این
1324
00:43:26,720 –> 00:43:29,040
دایرکتوری فعال است، بنابراین اگر اکنون
1325
00:43:29,040 –> 00:43:32,640
df حیوان خود را چاپ کنم و اجازه دهید این کار را انجام دهیم.
1326
00:43:32,640 –> 00:43:34,240
آینده ما فقط می خواهیم به آن نگاه کنیم
1327
00:43:34,240 –> 00:43:35,359
سه خط اول،
1328
00:43:35,359 –> 00:43:37,520
بنابراین اگر من ادامه دهم و این را اجرا کنم،
1329
00:43:37,520 –> 00:43:38,800
سه خط اول را خواهیم دید و آنها باید
1330
00:43:38,800 –> 00:43:41,680
با آنچه در csv خود ذخیره کرده ایم مطابقت داشته باشند،
1331
00:43:41,680 –> 00:43:44,720
بنابراین ذخیره و وارد کردن از
1332
00:43:44,720 –> 00:43:45,359
1333
00:43:45,359 –> 00:43:49,240
فایل های csv در اینجا بسیار آسان است و معلوم می شود که
1334
00:43:49,240 –> 00:43:52,160
df3 نیز وجود دارد. دارای دو
1335
00:43:52,160 –> 00:43:53,359
اکسل است که در واقع
1336
00:43:53,359 –> 00:43:55,280
فرمت های بسیار متفاوتی دارند، اما می دانید که
1337
00:43:55,280 –> 00:43:56,319
1338
00:43:56,319 –> 00:43:58,640
اکسل قدیمی واقعاً برای مدت طولانی محبوب بوده
1339
00:43:58,640 –> 00:44:00,480
است، ما می توانیم ادامه دهیم و آن را به عنوان
1340
00:44:00,480 –> 00:44:03,280
حیوان نقطه xlsx ذخیره کنیم، می خواهیم
1341
00:44:03,280 –> 00:44:05,119
برگه را sheet1 نام ببریم
1342
00:44:05,119 –> 00:44:07,440
و سپس من همچنین می توانید df را انجام دهید ما آن را
1343
00:44:07,440 –> 00:44:09,040
حیوان دو
1344
00:44:09,040 –> 00:44:11,839
حیوان دو می نامیم و این یکی از آن می آید
1345
00:44:11,839 –> 00:44:12,319
1346
00:44:12,319 –> 00:44:14,720
و با همان فرمت در اینجا می رویم،
1347
00:44:14,720 –> 00:44:17,680
بنابراین ما هنوز حیوان خود را داریم
1348
00:44:17,680 –> 00:44:19,280
xlsx ورق یکی جایی که
1349
00:44:19,280 –> 00:44:21,040
از ستون های شاخص می آید
1350
00:44:21,040 –> 00:44:22,880
برابر با هیچ است بنابراین ما نمیخواهیم
1351
00:44:22,880 –> 00:44:24,480
ایندکسسازی روی
1352
00:44:24,480 –> 00:44:25,280
ستونها
1353
00:44:25,280 –> 00:44:27,920
n مقدار را سرکوب کنیم و فقط آن 0
1354
00:44:27,920 –> 00:44:29,920
را روی فهرستهای شما اختصاص میدهد، بنابراین اگر بگوید
1355
00:44:29,920 –> 00:44:31,440
ستونهای فهرست برابر با هیچکدام نیست، این همان کاری است که
1356
00:44:31,440 –> 00:44:32,000
انجام میدهد
1357
00:44:32,000 –> 00:44:33,680
و سپس مقادیر تهی اضافه کردهایم. زیرا
1358
00:44:33,680 –> 00:44:35,040
هیچ ارزشی در اینجا وجود ندارد
1359
00:44:35,040 –> 00:44:36,160
و ما می خواهیم فقط مطمئن شویم e که
1360
00:44:36,160 –> 00:44:38,079
آنها به عنوان n a علامت گذاری شده اند
1361
00:44:38,079 –> 00:44:39,920
و ما جلوتر می رویم و فقط
1362
00:44:39,920 –> 00:44:41,280
حیوان
1363
00:44:41,280 –> 00:44:43,359
حیوان دو را چاپ می کنیم و می رویم و اجرا
1364
00:44:43,359 –> 00:44:44,880
می کنیم که بیایید این را بسازیم
1365
00:44:44,880 –> 00:44:46,480
، فقط کل کار را انجام دهیم تا
1366
00:44:46,480 –> 00:44:48,480
جلو برویم و آن را اجرا کنیم و احتمالاً آن را اجرا کنیم
1367
00:44:48,480 –> 00:44:50,560
این کمکی نمی کند که من کاملاً
1368
00:44:50,560 –> 00:44:55,760
خواندن را فراموش کرده ام بنابراین حیوان 2 برابر است با pd. در
1369
00:44:55,760 –> 00:44:58,480
آنجا اکسل را بخوانید ما به اکسل می رویم بنابراین اکنون ادامه می دهیم
1370
00:44:58,480 –> 00:44:59,760
و آن را اجرا می کنیم
1371
00:44:59,760 –> 00:45:02,000
و آنچه انتظار داریم اینجا اتفاق می افتد
1372
00:45:02,000 –> 00:45:03,040
ما همان
1373
00:45:03,040 –> 00:45:04,960
فریم داده را در اینجا خواهیم داشت و اگر به عقب برگردم
1374
00:45:04,960 –> 00:45:06,800
در پوشه من اکنون می توانید ببینید که ما
1375
00:45:06,800 –> 00:45:08,079
حیوانی داریم که یکی از
1376
00:45:08,079 –> 00:45:11,760
اینها در اکسل است و یکی از آنها یک csv
1377
00:45:11,760 –> 00:45:13,839
در اینجا است و بنابراین دو نوع فایل ما
1378
00:45:13,839 –> 00:45:15,280
در آنجا وجود دارد و آنها فرمت های دیگری دارند که
1379
00:45:15,280 –> 00:45:16,800
این فقط دو نوع
1380
00:45:16,800 –> 00:45:18,079
رایج مورد استفاده است.
1381
00:45:18,079 –> 00:45:20,160
و نمیدانم چند بار
1382
00:45:20,160 –> 00:45:21,839
از اکسل چیزهایی داشتهام، اگر
1383
00:45:21,839 –> 00:45:22,960
تا به حال با اکسل بازی کردهاید باید
1384
00:45:22,960 –> 00:45:25,599
آن را بیرون بیاورم، این یک کابوس است که در آخر
1385
00:45:25,599 –> 00:45:28,400
به دلیل نحوه ایندکس کردن آنها انجام میشود،
1386
00:45:28,400 –> 00:45:30,319
بنابراین این کار باعث میشود که کار را سریع انجام دهید. و به
1387
00:45:30,319 –> 00:45:32,400
راحتی در یک صفحه گسترده اکسل کشیده می شود،
1388
00:45:32,400 –> 00:45:34,560
بنابراین ما به دو روش مختلف برای
1389
00:45:34,560 –> 00:45:36,640
آوردن داده ها در و نگاه کردیم آن را در فایلهایی ذخیره
1390
00:45:36,640 –> 00:45:37,839
کنید که انواع
1391
00:45:37,839 –> 00:45:39,839
روشهای مختلف برای دستکاری
1392
00:45:39,839 –> 00:45:42,319
مجموعه دادههایمان و برش دادن آنها و ایجاد آن
1393
00:45:42,319 –> 00:45:43,839
برای قاب دادهمان را بررسی کردهایم،
1394
00:45:43,839 –> 00:45:45,599
بیایید وارد آن شویم، تجسم شما را
1395
00:45:45,599 –> 00:45:47,119
1396
00:45:47,119 –> 00:45:49,839
همیشه یک چیز بزرگ در پایان قرار دهیم،
1397
00:45:49,839 –> 00:45:50,960
زیرا یکی از آنها به شما امکان میدهد
1398
00:45:50,960 –> 00:45:52,800
بررسی کنید ببینید چه کاری انجام دادید مطمئن شوید که
1399
00:45:52,800 –> 00:45:54,640
درست به نظر می رسد و سپس همچنین اگر می
1400
00:45:54,640 –> 00:45:56,079
خواهید به دیگران نشان دهید
1401
00:45:56,079 –> 00:45:57,760
، اگر چیزی بصری ببیند چه اتفاقی می افتد را کاملاً روشن
1402
00:45:57,760 –> 00:45:59,440
می کند، بنابراین اینجاست
1403
00:45:59,440 –> 00:46:00,160
که بخش واقعاً
1404
00:46:00,160 –> 00:46:03,280
مهمی از علم داده است، پس
1405
00:46:03,280 –> 00:46:05,040
بیایید ادامه دهیم و ابزارهای
1406
00:46:05,040 –> 00:46:07,760
خود را وارد کنید، ما قرار است import numpy را به عنوان np انجام دهیم،
1407
00:46:07,760 –> 00:46:08,960
میخواهیم مطمئن شویم که
1408
00:46:08,960 –> 00:46:12,000
کتابخانه طرح مات علامت کهربایی خود را در یک
1409
00:46:12,000 –> 00:46:12,560
خط داریم،
1410
00:46:12,560 –> 00:46:14,400
این فقط به مشتری اجازه میدهد بداند که اگر میخواهید
1411
00:46:14,400 –> 00:46:15,839
آن را در این صفحه چاپ
1412
00:46:15,839 –> 00:46:17,680
کنیم. با استفاده از یک ایده متفاوت،
1413
00:46:17,680 –> 00:46:19,119
لزوماً به آن نیاز ندارید،
1414
00:46:19,119 –> 00:46:21,040
اما این به آن کمک می کند که به درستی
1415
00:46:21,040 –> 00:46:22,480
در نوت بوک مشتری نمایش داده شود
1416
00:46:22,480 –> 00:46:24,240
و اگر قبلاً به یاد داشته باشید می
1417
00:46:24,240 –> 00:46:25,599
توانیم یک ایده ایجاد
1418
00:46:25,599 –> 00:46:26,960
کنیم که آن را ts بنامیم
1419
00:46:26,960 –> 00:46:28,560
، پانداهایی ایجاد می کنیم که موجودات ناز و نوازشگر
1420
00:46:28,560 –> 00:46:30,160
در مقابل تابه
1421
00:46:30,160 –> 00:46:32,800
خلاصه dem برای pandemonium no بنابراین ما ts
1422
00:46:32,800 –> 00:46:34,240
برابر با سری pd
1423
00:46:34,240 –> 00:46:36,480
داریم و فقط میخواهیم یک
1424
00:46:36,480 –> 00:46:37,599
تنظیم تصادفی 50 ایجاد
1425
00:46:37,599 –> 00:46:39,760
کنیم. شاخصی را انجام میدهیم و آن را برابر با محدوده
1426
00:46:39,760 –> 00:46:40,960
تاریخ پانداها قرار میدهیم،
1427
00:46:40,960 –> 00:46:43,760
دورههای امروز برابر با 50 است،
1428
00:46:43,760 –> 00:46:45,280
بنابراین 50s باید مطابقت داشته باشد
1429
00:46:45,280 –> 00:46:47,200
و میخواهم به چیزی در اینجا توجه کنید،
1430
00:46:47,200 –> 00:46:48,960
من
1431
00:46:48,960 –> 00:46:51,680
کتابخانه نقشه نقشه را وارد نکردم چرا چون
1432
00:46:51,680 –> 00:46:53,520
از قبل در آنجاست، پانداها
1433
00:46:53,520 –> 00:46:55,599
قبلاً اتصال و رابط داخلی خود را
1434
00:46:55,599 –> 00:46:57,040
با کتابخانه matplot دارند،
1435
00:46:57,040 –> 00:46:59,680
بنابراین شما مجبور نیستید آن را وارد کنید و ما آن را وارد میکنیم.
1436
00:46:59,680 –> 00:47:00,560
ادامه دهید و
1437
00:47:00,560 –> 00:47:04,640
ts برابر است با ts dot جمع تجمعی،
1438
00:47:04,640 –> 00:47:06,720
ما میخواهیم جمع تجمعی را انجام دهیم،
1439
00:47:06,720 –> 00:47:08,319
بنابراین کمی دوباره قالببندی میکنیم و به
1440
00:47:08,319 –> 00:47:09,839
جلو میرویم و آن را رسم میکنیم و بیایید
1441
00:47:09,839 –> 00:47:11,599
نگاهی به شکل ظاهری آن بیندازیم،
1442
00:47:11,599 –> 00:47:13,119
بنابراین یک نمودار زیبا در اینجا داریم. ما
1443
00:47:13,119 –> 00:47:15,520
تاریخ ها را در پایین داریم که این را تنظیم
1444
00:47:15,520 –> 00:47:17,280
کرده ایم، بنابراین یک محدوده خوب بین این
1445
00:47:17,280 –> 00:47:18,720
مورد منهای چهار
1446
00:47:18,720 –> 00:47:21,280
تا به نظر می رسد تقریباً دو تا شاید یا یک
1447
00:47:21,280 –> 00:47:22,720
منهای چهار و یک داریم،
1448
00:47:22,720 –> 00:47:24,559
بنابراین کاری که ما در اینجا انجام دادیم یک
1449
00:47:24,559 –> 00:47:26,480
سریال اصلی را فقط یک تک آهنگ ترسیم کردیم.
1450
00:47:26,480 –> 00:47:28,559
ردیفی از دادهها و شاخصها را در
1451
00:47:28,559 –> 00:47:30,480
آنجا تنظیم کردهایم، اما میتوانیم
1452
00:47:30,480 –> 00:47:32,160
who را نیز انجام دهیم قاب داده را در آنجا قرار دهید و بیایید
1453
00:47:32,160 –> 00:47:33,680
ببینیم که چگونه به نظر می رسد،
1454
00:47:33,680 –> 00:47:35,119
بنابراین ابتدا اجازه دهید به جلو برویم و
1455
00:47:35,119 –> 00:47:37,040
چارچوب داده ای را ایجاد کنیم که در اینجا
1456
00:47:37,040 –> 00:47:38,720
اعداد تصادفی داریم، بنابراین 50 در 4 را انجام می دهیم
1457
00:47:38,720 –> 00:47:40,720
و سپس ادامه می دهیم و
1458
00:47:40,720 –> 00:47:41,599
ستون های a
1459
00:47:41,599 –> 00:47:44,960
b x و y را ایجاد می کنیم. فقط به این دلیل که ما میتوانیم
1460
00:47:44,960 –> 00:47:46,880
ایندکس ts.index در آنجا است، بنابراین ما
1461
00:47:46,880 –> 00:47:49,119
از همان شاخص قبلی
1462
00:47:49,119 –> 00:47:50,960
استفاده میکنیم تا آن را زیبا و یکنواخت نگه داریم،
1463
00:47:50,960 –> 00:47:52,559
قبلاً تاریخهایی را ایجاد کردهایم که با
1464
00:47:52,559 –> 00:47:53,119
آن مطابقت داشته باشند
1465
00:47:53,119 –> 00:47:55,119
و سپس میتوانیم درست مثل قبل انجام دهیم.
1466
00:47:55,119 –> 00:47:56,640
با سری
1467
00:47:56,640 –> 00:48:00,079
انجام دادیم، همچنین میتوانیم با قاب داده
1468
00:48:00,079 –> 00:48:03,200
df برابر مجموع تجمعی df
1469
00:48:03,200 –> 00:48:05,040
انجام دهیم، بنابراین کل قاب داده را جمع
1470
00:48:05,040 –> 00:48:07,599
میکنیم و سپس به سادگی نمودار df را انجام میدهیم
1471
00:48:07,599 –> 00:48:09,200
و اجازه دهید آن را در آن قرار دهیم و اجازه دهید ادامه دهیم
1472
00:48:09,200 –> 00:48:11,040
و این را اجرا کنیم و ببینید چقدر
1473
00:48:11,040 –> 00:48:13,040
آسان و سریع بود که یک
1474
00:48:13,040 –> 00:48:15,119
نمودار خوب با تمام دادههای مختلف
1475
00:48:15,119 –> 00:48:15,839
در آنجا ایجاد
1476
00:48:15,839 –> 00:48:17,920
کردیم، بنابراین ما نمایه مشترک خود را داریم،
1477
00:48:17,920 –> 00:48:19,040
ستونهای مشترک را
1478
00:48:19,040 –> 00:48:20,960
داریم و سپس دادههای متفاوتی از
1479
00:48:20,960 –> 00:48:22,640
هر یک داریم که میتوانیم به راحتی آنها را نگاه کنیم و
1480
00:48:22,640 –> 00:48:23,520
مقایسه کنیم.
1481
00:48:23,520 –> 00:48:25,359
راه سریع نمایش دادهها که
1482
00:48:25,359 –> 00:48:27,280
میتوانید تصور کنید اگر در
1483
00:48:27,280 –> 00:48:29,119
oh i t کار میکردید من قبلاً به سهام اشاره
1484
00:48:29,119 –> 00:48:30,400
کردم زیرا اخیراً در حال انجام
1485
00:48:30,400 –> 00:48:32,720
تجزیه و تحلیل سهام بودم، بنابراین
1486
00:48:32,720 –> 00:48:34,319
شما تاریخ خود را در اینجا قرار می دهید و
1487
00:48:34,319 –> 00:48:35,280
سپس یک
1488
00:48:35,280 –> 00:48:38,319
سهام b سهام x y هر چه که هست داشته باشید و
1489
00:48:38,319 –> 00:48:40,480
می توانید همه آنها را در یک نمودار قرار دهید و ببینید
1490
00:48:40,480 –> 00:48:42,640
چگونه آنها در کنار
1491
00:48:42,640 –> 00:48:43,680
یکدیگر به نظر می رسند و
1492
00:48:43,680 –> 00:48:45,359
این خیلی دور از ظاهر برخی از
1493
00:48:45,359 –> 00:48:46,720
آن نمودارها نیست و این فقط به
1494
00:48:46,720 –> 00:48:48,160
صورت تصادفی ایجاد شده است
1495
00:48:48,160 –> 00:48:49,920
بنابراین سهام دارای تصادفی زیادی در آن است
1496
00:48:49,920 –> 00:48:51,440
که یکی از دلایلی است که من واقعاً
1497
00:48:51,440 –> 00:48:53,359
بازی می کنم با آن برای انجام برخی از مدلهایم
1498
00:48:53,359 –> 00:48:53,680
1499
00:48:53,680 –> 00:48:56,400
برای آزمایش آنها، اکنون
1500
00:48:56,400 –> 00:48:57,200
ویژگیهای زیادی
1501
00:48:57,200 –> 00:48:59,280
در پانداها وجود دارد، بنابراین ما میخواهیم یک
1502
00:48:59,280 –> 00:49:00,800
چیز دیگر را در اینجا به شما نشان
1503
00:49:00,800 –> 00:49:02,000
1504
00:49:02,000 –> 00:49:04,079
دهیم. در دو قسمت بالا برای
1505
00:49:04,079 –> 00:49:06,079
وارد کردن داده ها از یک csv
1506
00:49:06,079 –> 00:49:08,000
و یک صفحه گسترده اکسل به شما نشان داد که
1507
00:49:08,000 –> 00:49:09,200
چگونه به سرعت
1508
00:49:09,200 –> 00:49:10,880
داده ها را رسم کنید، تنظیمات بیشتری در آنجا وجود دارد
1509
00:49:10,880 –> 00:49:13,040
که می توانید انجام دهید، ما یک کار دیگر
1510
00:49:13,040 –> 00:49:14,160
را در اینجا انجام خواهیم داد
1511
00:49:14,160 –> 00:49:16,800
و این یک نوع سرگرم کننده است.
1512
00:49:16,800 –> 00:49:18,960
این را به یک علامت گذاری تغییر دهید و آن را اجرا کنید،
1513
00:49:18,960 –> 00:49:21,599
پس چگونه می توانید rem کنید داده های تکراری را
1514
00:49:21,599 –> 00:49:22,000
با استفاده از
1515
00:49:22,000 –> 00:49:24,720
پانداها انجام دهید و اینجاست که شما یک مجموعه داده دارید
1516
00:49:24,720 –> 00:49:26,160
که وارد می شود
1517
00:49:26,160 –> 00:49:28,559
و شاید از یک مکان تغذیه می کند
1518
00:49:28,559 –> 00:49:30,160
و به جای
1519
00:49:30,160 –> 00:49:32,640
اینکه توجه داشته باشید که تاریخ تکرار شده است،
1520
00:49:32,640 –> 00:49:34,319
بیایید به سهام برگردیم که تصویری خوبی
1521
00:49:34,319 –> 00:49:35,040
است
1522
00:49:35,040 –> 00:49:38,079
که ما سهام را از یک مکان داریم. 23 و
1523
00:49:38,079 –> 00:49:40,160
یک ردیف دیگر اضافه می کند و همان ردیف است
1524
00:49:40,160 –> 00:49:43,119
که مرتباً 23 را وارد می کند،
1525
00:49:43,119 –> 00:49:44,640
بنابراین اکنون شما آن داده ها را
1526
00:49:44,640 –> 00:49:46,720
سه بار تکرار کرده اید و باید به
1527
00:49:46,720 –> 00:49:48,400
عقب برگردید و بفهمید که چگونه از شر آن خلاص شوید
1528
00:49:48,400 –> 00:49:50,880
چگونه آن را ردیابی کنید.
1529
00:49:50,880 –> 00:49:51,920
با ایجاد یک
1530
00:49:51,920 –> 00:49:54,480
پایگاه داده یا قاب داده سریع شروع کنید نه یک پایگاه داده، من
1531
00:49:54,480 –> 00:49:56,720
مدام می گویم پایگاه داده یک قاب داده است
1532
00:49:56,720 –> 00:49:58,640
و ما فقط این قاب داده را
1533
00:49:58,640 –> 00:50:00,880
با استفاده از فرهنگ لغت خود ایجاد می کنیم که در
1534
00:50:00,880 –> 00:50:03,440
این قاب داده فقط یک سری داده
1535
00:50:03,440 –> 00:50:04,880
در آن وجود دارد که خوب است،
1536
00:50:04,880 –> 00:50:07,359
بنابراین اگر ما برای چاپ آن df را انجام می دهیم،
1537
00:50:07,359 –> 00:50:08,400
شما یک
1538
00:50:08,400 –> 00:50:10,400
یک دو دو دو دو چهار پنج پنج شش
1539
00:50:10,400 –> 00:50:12,800
هفت را می بینید، بنابراین چگونه می توانید آن
1540
00:50:12,800 –> 00:50:15,440
چاه را حذف کنید، یک ویژگی منظم در
1541
00:50:15,440 –> 00:50:16,240
فریم های داده به نام
1542
00:50:16,240 –> 00:50:19,359
shift همراه با ویژگی دیگری وجود دارد که به
1543
00:50:19,359 –> 00:50:19,760
1544
00:50:19,760 –> 00:50:23,599
ما امکان می دهد فقط انتخاب کنیم داده های خاص اطلاعات
1545
00:50:23,599 –> 00:50:26,720
و ما با تابع مکان پیش می رویم
1546
00:50:26,720 –> 00:50:28,240
که در پرانتز به یاد داشته باشید که از
1547
00:50:28,240 –> 00:50:31,040
مکان بالا و سپس در مکان،
1548
00:50:31,040 –> 00:50:32,800
اجازه دهید من این را کمی گسترش
1549
00:50:32,800 –> 00:50:34,480
دهم تا خواندن آن واقعا آسان باشد، در واقع من
1550
00:50:34,480 –> 00:50:34,960
قصد دارم به سطح
1551
00:50:34,960 –> 00:50:36,960
بالا بروم از آنجایی که ما در اینجا کارهای
1552
00:50:36,960 –> 00:50:40,240
کمی پیچیدهتر انجام میدهیم،
1553
00:50:40,240 –> 00:50:43,040
چیزی که میتوانید در این مکان ببینید این
1554
00:50:43,040 –> 00:50:43,839
است که من
1555
00:50:43,839 –> 00:50:47,440
dfa dot shift دارم، بنابراین این به
1556
00:50:47,440 –> 00:50:47,680
1557
00:50:47,680 –> 00:50:49,920
طور پیشفرض یکی به بالا تغییر میکند، در واقع میتوانید
1558
00:50:49,920 –> 00:50:50,720
این را به
1559
00:50:50,720 –> 00:50:53,599
دو یا سه تغییر دهید، حتی میتوانید منهای 1 را انجام دهید
1560
00:50:53,599 –> 00:50:55,200
و به طرف دیگر تغییر می کند،
1561
00:50:55,200 –> 00:50:56,640
اما به طور پیش فرض 1 به بالا تغییر می
1562
00:50:56,640 –> 00:50:58,960
کند که می گوید
1563
00:50:58,960 –> 00:51:00,000
اگر برابر
1564
00:51:00,000 –> 00:51:03,119
df a نیست، می خواهیم که اگر به
1565
00:51:03,119 –> 00:51:04,559
پایین اینجا نگاه کنید، ما 1 2 2
1566
00:51:04,559 –> 00:51:08,240
2 2 2 داریم که ما این منطق را در اینجا
1567
00:51:08,240 –> 00:51:10,880
اجرا می کنیم و شیفت را انجام می دهیم، اکنون از شر
1568
00:51:10,880 –> 00:51:12,000
همه موارد تکراری خلاص می شود،
1569
00:51:12,000 –> 00:51:14,640
بنابراین از یک دو دو دو چهار
1570
00:51:14,640 –> 00:51:16,480
چهار پنج هر چه که اینجا بود رفتیم، یک
1571
00:51:16,480 –> 00:51:17,119
دو دو
1572
00:51:17,119 –> 00:51:18,960
چهار چهار چهار پنج پنج شش شش
1573
00:51:18,960 –> 00:51:20,880
شش دو یک دو چهار پنج
1574
00:51:20,880 –> 00:51:23,440
شش هفت هشت و در ایندکس خواهید دید
1575
00:51:23,440 –> 00:51:24,079
1576
00:51:24,079 –> 00:51:25,599
که فقط حذف می شود آنها از آنجا خارج می شوند، بنابراین
1577
00:51:25,599 –> 00:51:27,599
نمایه یکسان باقی می ماند، بدیهی است که اگر با یک تنظیم دارای تاریخ فهرست کار می کنید، نمی
1578
00:51:27,599 –> 00:51:28,880
خواهید تاریخ ها تغییر
1579
00:51:28,880 –> 00:51:30,240
کنند،
1580
00:51:30,240 –> 00:51:32,000
بنابراین فقط آن
1581
00:51:32,000 –> 00:51:33,680
موارد تکراری را از آنجا حذف می کند،
1582
00:51:33,680 –> 00:51:35,680
این فقط یک راه سریع برای معرفی
1583
00:51:35,680 –> 00:51:37,200
شما است.
1584
00:51:37,200 –> 00:51:39,440
این واقعیت که شما میتوانید گیتهای منطقی
1585
00:51:39,440 –> 00:51:40,319
را به اینجا
1586
00:51:40,319 –> 00:51:43,520
و دو مکان چشم اضافه کنید به شما امکان میدهد
1587
00:51:43,520 –> 00:51:44,160
از shift استفاده کنید،
1588
00:51:44,160 –> 00:51:46,640
بنابراین تابع shift وجود دارد و
1589
00:51:46,640 –> 00:51:48,480
سپس مکان چشم آن را بر
1590
00:51:48,480 –> 00:51:50,640
اساس درست یا نادرست انتخاب میکند
1591
00:51:50,640 –> 00:51:52,800
وای، بنابراین ما امروز در پانداهایمان چیزهای زیادی را پوشش
1592
00:51:52,800 –> 00:51:54,319
1593
00:51:54,319 –> 00:51:56,000
دادهایم. من واقعاً به اصول اولیه
1594
00:51:56,000 –> 00:51:57,680
انتخاب
1595
00:51:57,680 –> 00:51:59,920
سریهای مختلف از ستون خود خارج از
1596
00:51:59,920 –> 00:52:01,040
چارچوب دادههای خود پرداختهام،
1597
00:52:01,040 –> 00:52:03,680
نحوه فهرستبندی ردیفها، نحوه برشبندی نحوه
1598
00:52:03,680 –> 00:52:04,880
رسم،
1599
00:52:04,880 –> 00:52:06,319
امیدواریم از این فراتر رفته
1600
00:52:06,319 –> 00:52:07,920
و شروع به ترکیب این
1601
00:52:07,920 –> 00:52:09,920
چیزهای مختلف کنید و بتوانید طولانی ایجاد کنید. رشتهها
1602
00:52:09,920 –> 00:52:12,640
و واقعاً دادههای خود را کاوش کنید،
1603
00:52:12,640 –> 00:52:14,319
نمودارهای خوبی ایجاد کنید، اگر در نوتبوک مشتری هستید،
1604
00:52:14,319 –> 00:52:15,520
این یک
1605
00:52:15,520 –> 00:52:18,240
نسخه آزمایشی عالی برای نشان دادن دیگران است و من
1606
00:52:18,240 –> 00:52:19,599
این را در مورد نوتبوک مشتری نمیدانستم،
1607
00:52:19,599 –> 00:52:21,280
میتوانید این کار را در نوتبوک مشتری انجام دهید و
1608
00:52:21,280 –> 00:52:23,119
سپس میتوانید پایین بیاورید. oad
1609
00:52:23,119 –> 00:52:24,480
و من همیشه به
1610
00:52:24,480 –> 00:52:26,319
همه دانلودهایی
1611
00:52:26,319 –> 00:52:28,160
که اکنون به صورت html بارگیری می کنید و
1612
00:52:28,160 –> 00:52:29,760
به وبلاگ خود ارسال می کنید خیلی دقیق نگاه نمی کنم، بنابراین یک
1613
00:52:29,760 –> 00:52:30,559
ویژگی منظم در آن وجود دارد،
1614
00:52:30,559 –> 00:52:32,880
اما هر کدام از اینها ابزار واقعاً قدرتمندی هستند
1615
00:52:32,880 –> 00:52:34,480
همه اینها ابزارهای واقعاً قدرتمندی هستند. برای
1616
00:52:34,480 –> 00:52:36,319
انجام علم داده خود
1617
00:52:36,319 –> 00:52:38,079
اگر شروع یادگیری شما نیمی
1618
00:52:38,079 –> 00:52:40,240
از نبرد است، اگر میتوانید
1619
00:52:40,240 –> 00:52:41,040
1620
00:52:41,040 –> 00:52:43,440
1621
00:52:43,440 –> 00:52:44,720
1622
00:52:44,720 –> 00:52:47,440
این کار را بهصورت رایگان انجام دهید، با یادگیری ساده روی پیوند در توضیحات کلیک کنید تا بیشتر بدانید امروز ما کتابخانه طرح
1623
00:52:47,440 –> 00:52:48,000
مات را مطالعه میکنیم
1624
00:52:48,000 –> 00:52:50,559
و کد پایتون پس
1625
00:52:50,559 –> 00:52:51,839
چه چیزی در آن برای شما وجود دارد.
1626
00:52:51,839 –> 00:52:55,040
1627
00:52:55,040 –> 00:52:55,839
1628
00:52:55,839 –> 00:52:58,480
1629
00:52:58,480 –> 00:53:01,119
1630
00:53:01,119 –> 00:53:04,160
1631
00:53:04,160 –> 00:53:06,240
1632
00:53:06,240 –> 00:53:09,520
1633
00:53:09,520 –> 00:53:12,160
بین
1634
00:53:12,160 –> 00:53:13,280
نمودار هیستوگرام رادار
1635
00:53:13,280 –> 00:53:16,079
تصویر کانتور تصویر 3 بعدی سطح را پر کنید و سپس
1636
00:53:16,079 –> 00:53:18,800
یک نمودار دایره ای مثال تمرینی را می زنیم،
1637
00:53:18,800 –> 00:53:21,280
بنابراین بیایید با چی شروع کنیم کتابخانه طرح مات نقشه
1638
00:53:21,280 –> 00:53:22,000
1639
00:53:22,000 –> 00:53:24,240
کتابخانه طرح نقشه یک نقشه منبع باز است.
1640
00:53:24,240 –> 00:53:25,760
کتابخانه g که از
1641
00:53:25,760 –> 00:53:28,720
انواع طراحی غنی پشتیبانی می کند برای ترسیم
1642
00:53:28,720 –> 00:53:30,480
گرافیک های 2 بعدی و 3 بعدی استفاده می شود
1643
00:53:30,480 –> 00:53:33,040
و بسته های زیادی در
1644
00:53:33,040 –> 00:53:34,880
کتابخانه matplot وجود دارد که می خواهیم اصول اولیه را پوشش دهیم
1645
00:53:34,880 –> 00:53:35,599
1646
00:53:35,599 –> 00:53:37,359
و بسته های زیادی وجود دارد که
1647
00:53:37,359 –> 00:53:39,040
در بالای کتابخانه نقشه نور قرار می گیرند که ما
1648
00:53:39,040 –> 00:53:39,839
حتی
1649
00:53:39,839 –> 00:53:41,599
امروز نمیتوانیم همه آنها را پوشش دهیم، اما ما
1650
00:53:41,599 –> 00:53:43,040
به یکی
1651
00:53:43,040 –> 00:53:44,319
از اصلیها میپردازیم، بنابراین شما به خوبی درک میکنید که کتابخانه matplot
1652
00:53:44,319 –> 00:53:45,200
چیست
1653
00:53:45,200 –> 00:53:47,520
و چه کارهایی میتواند انجام دهد، میتوانید
1654
00:53:47,520 –> 00:53:49,119
با تجسم دادههای خود به راحتی
1655
00:53:49,119 –> 00:53:51,119
با کمک کتابخانه matplot آن را درک
1656
00:53:51,119 –> 00:53:51,680
1657
00:53:51,680 –> 00:53:54,000
کنید. می تواند نمودارهای میله ای نمودارهای هیستوگرام
1658
00:53:54,000 –> 00:53:55,920
و بسیاری نمودارهای دیگر را
1659
00:53:55,920 –> 00:53:58,160
فقط با چند خط کد ایجاد کند و در اینجا ما
1660
00:53:58,160 –> 00:54:00,160
انواع اصلی نمودارها را داریم که می توانید
1661
00:54:00,160 –> 00:54:01,920
در اینجا ببینید که ما وارد آن خواهیم شد.
1662
00:54:01,920 –> 00:54:04,559
1663
00:54:04,559 –> 00:54:06,240
در
1664
00:54:06,240 –> 00:54:09,280
نمودار دایره ای نمودار خط نمودار پراکندگی و
1665
00:54:09,280 –> 00:54:10,559
نمودار مساحتی مطالب من،
1666
00:54:10,559 –> 00:54:13,440
بیایید رسم آنها را شروع کنیم و برای انجام این کار،
1667
00:54:13,440 –> 00:54:15,040
من از
1668
00:54:15,040 –> 00:54:18,079
نوت بوک مشتری استفاده می کنم، می توانید از هر یک از
1669
00:54:18,079 –> 00:54:20,480
رابط های پایتون خود برای برنامه نویسی یا
1670
00:54:20,480 –> 00:54:22,079
اسکریپت و اجرای آن استفاده کنید، البته ما او را اجرا کنیم.
1671
00:54:22,079 –> 00:54:23,760
من واقعاً از نوت بوک ژوپیتر
1672
00:54:23,760 –> 00:54:24,960
برای انجام
1673
00:54:24,960 –> 00:54:26,400
بسیاری از کارهای اساسی خیلی خوشم می آید، زیرا بسیار
1674
00:54:26,400 –> 00:54:28,640
بصری است و در دفترچه یادداشت jupyter ما که
1675
00:54:28,640 –> 00:54:29,280
1676
00:54:29,280 –> 00:54:31,680
در این مورد باز می شود، من از google chrome استفاده می کنم،
1677
00:54:31,680 –> 00:54:32,880
می توانید از اینجا به قسمت جدید بروید
1678
00:54:32,880 –> 00:54:35,520
و ما یک پایتون جدید ایجاد خواهیم کرد. 3 و تنظیم
1679
00:54:35,520 –> 00:54:36,720
1680
00:54:36,720 –> 00:54:38,400
کنید اگر با نوت بوک مشتری آشنا نیستید،
1681
00:54:38,400 –> 00:54:40,240
ما آموزشی داریم که
1682
00:54:40,240 –> 00:54:41,760
برخی از اصول اولیه آن را پوشش می دهد
1683
00:54:41,760 –> 00:54:43,200
و شما به هر یک از آموزش های ما نگاه می کنید،
1684
00:54:43,200 –> 00:54:44,640
من معمولا تعدادی از آنها را پوشش می دهم که نحوه تنظیم مشتری را نشان می دهد.
1685
00:54:44,640 –> 00:54:47,119
و آناکوندا
1686
00:54:47,119 –> 00:54:49,520
من خودم از ژوپیتر از طریق آناکوندا استفاده می کنم در
1687
00:54:49,520 –> 00:54:50,799
واقع بیایید جلوتر برویم و آن را باز کنیم و
1688
00:54:50,799 –> 00:54:51,520
فقط نگاهی بیندازیم
1689
00:54:51,520 –> 00:54:53,040
ببینیم چه شکلی است، اگر آن را نصب کنید می
1690
00:54:53,040 –> 00:54:54,880
توانید ناوبر آناکوندا خود را ببینید،
1691
00:54:54,880 –> 00:54:56,559
1692
00:54:56,559 –> 00:54:58,319
نوت بوک مشتری را به طور خودکار نصب می کند اما این
1693
00:54:58,319 –> 00:54:59,920
نیز نصب می کند بسیاری از چیزهای دیگر را
1694
00:54:59,920 –> 00:55:01,119
می دانم که برخی از افراد
1695
00:55:01,119 –> 00:55:04,559
کنسول qt را برای انجام پایتون یا اسپایدر دوست دارند،
1696
00:55:04,559 –> 00:55:06,079
من هرگز از آنها استفاده نکرده ام، در واقع از
1697
00:55:06,079 –> 00:55:08,640
notepad plus plus به عنوان یکی از ویرایشگرهای خود استفاده می کنم
1698
00:55:08,640 –> 00:55:10,400
و سپس از نوت بوک jupiter زیاد استفاده می کنم،
1699
00:55:10,400 –> 00:55:12,160
زیرا داشتن آن بسیار آسان
1700
00:55:12,160 –> 00:55:14,160
است. دیداری در حالی که من در حال برنامه نویسی و
1701
00:55:14,160 –> 00:55:15,680
حتی اسکریپت ساده
1702
00:55:15,680 –> 00:55:17,839
در پایتون هستم، آن را از نوت بوک ژوپیتر می گیرم
1703
00:55:17,839 –> 00:55:19,119
و سپس
1704
00:55:19,119 –> 00:55:21,200
همانطور که همیشه زیر فایل می روید یک سیو انجام می دهم
1705
00:55:21,200 –> 00:55:23,440
و می توانید به عنوان یک
1706
00:55:23,440 –> 00:55:24,880
برنامه پایتون دانلود کنید تا آن را به عنوان یک
1707
00:55:24,880 –> 00:55:26,799
پایتون واقعی دانلود کنید. ipython که
1708
00:55:26,799 –> 00:55:28,240
این آن را ذخیره می کند،
1709
00:55:28,240 –> 00:55:29,839
پس بیایید جلو برویم و شیرجه بزنیم و ببینیم که
1710
00:55:29,839 –> 00:55:31,839
به اینجا می رویم و بیایید جلوتر برویم و
1711
00:55:31,839 –> 00:55:34,079
آموزش کتابخانه matplot را قرار دهیم و من
1712
00:55:34,079 –> 00:55:36,720
این سلول را به یک علامت تبدیل
1713
00:55:36,720 –> 00:55:38,640
می کنم تا در واقع آن را اجرا
1714
00:55:38,640 –> 00:55:39,920
نکند می توانید ببینید که یک عنوان کوچک زیبا
1715
00:55:39,920 –> 00:55:42,319
دارد که تماماً نوت بوک ژوپیتر است
1716
00:55:42,319 –> 00:55:45,839
و سپس از کتابخانه
1717
00:55:45,839 –> 00:55:49,040
matplot بیایید pi
1718
00:55:49,040 –> 00:55:52,240
lab را یک بار به عقب وارد کنیم و سپس بیایید جلو برویم و
1719
00:55:52,240 –> 00:55:53,760
فقط چاپ
1720
00:55:53,760 –> 00:55:56,799
کنیم ما می رویم pi lab و نسخه اجازه دهید ادامه دهیم
1721
00:55:56,799 –> 00:55:57,920
و این را اجرا کنیم.
1722
00:55:57,920 –> 00:55:59,680
ماژول pi lab خود را از
1723
00:55:59,680 –> 00:56:01,040
کتابخانه matplot وارد می
1724
00:56:01,040 –> 00:56:05,359
کنیم و متوجه می شویم که کلمه نسخه 1.15.1
1725
00:56:05,359 –> 00:56:07,359
همیشه مهم است که به نسخه ای
1726
00:56:07,359 –> 00:56:08,640
که در آن هستید توجه داشته باشید، احتمالاً در حال خواندن
1727
00:56:08,640 –> 00:56:10,160
مقاله ای بودم که می گفت اولین چیزی
1728
00:56:10,160 –> 00:56:12,000
که برنامه نویسان پایتون با آن دست و پنجه نرم می
1729
00:56:12,000 –> 00:56:13,839
کنند این است. به یاد آوردن چه
1730
00:56:13,839 –> 00:56:15,119
نسخه ای روی آنها کار میکنند
1731
00:56:15,119 –> 00:56:17,040
و مطمئن میشوند که
1732
00:56:17,040 –> 00:56:18,640
با همان نسخه از یک پلتفرم به پلتفرم دیگر
1733
00:56:18,640 –> 00:56:19,119
1734
00:56:19,119 –> 00:56:20,880
1735
00:56:20,880 –> 00:56:22,240
1736
00:56:22,240 –> 00:56:25,520
میروند و اگر میخواهیم چیزها را نمودار کنیم، فکر میکنم برای ترسیم به مقداری داده نیاز داریم، بنابراین اکنون numpy را به عنوان np وارد میکنیم.
1737
00:56:25,520 –> 00:56:27,359
اگر با numpy آشنا نیستید،
1738
00:56:27,359 –> 00:56:28,720
قطعاً به عقب برگردید و آموزش numpy ما را بررسی کنید،
1739
00:56:28,720 –> 00:56:30,640
کارهای بسیار متفاوتی
1740
00:56:30,640 –> 00:56:32,160
وجود دارد که میتوانید با آن انجام دهید تا با
1741
00:56:32,160 –> 00:56:33,359
تغییر شکل دادهها
1742
00:56:33,359 –> 00:56:34,960
و ایجاد دادهها سروکار داشته باشید، ما فقط
1743
00:56:34,960 –> 00:56:37,200
از آن برای ایجاد برخی دادهها برای خودمان استفاده میکنیم.
1744
00:56:37,200 –> 00:56:38,960
و راههای زیادی برای ایجاد
1745
00:56:38,960 –> 00:56:40,520
دادهها وجود دارد، اما ما از
1746
00:56:40,520 –> 00:56:43,200
فضای np.line استفاده میکنیم، بنابراین یک آرایه numpy ایجاد میکنیم
1747
00:56:43,200 –> 00:56:44,240
1748
00:56:44,240 –> 00:56:46,480
و روشی که شما این را میخوانید به این صورت است که
1749
00:56:46,480 –> 00:56:47,760
اعداد بین
1750
00:56:47,760 –> 00:56:50,319
0 تا 10 ایجاد میکنیم. و ما 25
1751
00:56:50,319 –> 00:56:51,280
عدد از این اعداد را ایجاد می کنیم، بنابراین ما فقط آن را به
1752
00:56:51,280 –> 00:56:53,839
طور مساوی بین 0 و 10 تقسیم می کنیم.
1753
00:56:53,839 –> 00:56:55,359
و اگر مختصات x داشته باشیم،
1754
00:56:55,359 –> 00:56:57,119
احتمالاً باید چند مختصات y داشته
1755
00:56:57,119 –> 00:56:58,960
باشیم و کاری ساده مانند x
1756
00:56:58,960 –> 00:57:00,400
بار انجام خواهیم داد. x
1757
00:57:00,400 –> 00:57:03,119
بعلاوه 2 و بیایید نگاهی بیندازیم که
1758
00:57:03,119 –> 00:57:03,920
1759
00:57:03,920 –> 00:57:07,760
x را چاپ می کنیم و y را چاپ می
1760
00:57:07,760 –> 00:57:09,760
کنیم اجازه دهید من ادامه دهم و این را اجرا کنید و بیایید
1761
00:57:09,760 –> 00:57:11,359
ببینیم که اینجا
1762
00:57:11,359 –> 00:57:13,680
ادامه می دهیم، بنابراین مختصات x خود را داریم که 0
1763
00:57:13,680 –> 00:57:14,799
0.4
1764
00:57:14,799 –> 00:57:17,760
0.83 و غیره است و می توانید به این به عنوان یک نمودار xy نگاه کنید،
1765
00:57:17,760 –> 00:57:19,440
بنابراین ما
1766
00:57:19,440 –> 00:57:23,200
0 داریم، 2 داریم. بنابراین ما 0.416
1767
00:57:23,200 –> 00:57:26,400
داریم، ما 2.17 داریم و فقط به عنوان یک یادآوری سریع،
1768
00:57:26,400 –> 00:57:28,240
ما می خواهیم پرینت
1769
00:57:28,240 –> 00:57:31,520
آرایه np x کاما y نقطه تغییر شکل 25 کاما
1770
00:57:31,520 –> 00:57:31,920
2 را انجام دهیم.
1771
00:57:31,920 –> 00:57:33,520
و دلیلی که می خواهم این کار را انجام دهم این است که
1772
00:57:33,520 –> 00:57:35,359
می خواهم چیزی را در اینجا به شما نشان دهم
1773
00:57:35,359 –> 00:57:38,799
بسیاری از اوقات یک برنامه x کاما y را برمی گرداند
1774
00:57:38,799 –> 00:57:39,280
1775
00:57:39,280 –> 00:57:41,680
و این آرایه ای از x کاما y x کاما y
1776
00:57:41,680 –> 00:57:43,119
x کاما y
1777
00:57:43,119 –> 00:57:46,000
و بنابراین وقتی با نمودار pi کار
1778
00:57:46,000 –> 00:57:47,359
1779
00:57:47,359 –> 00:57:49,200
می کنید باید آن را جدا کرده و شکل
1780
00:57:49,200 –> 00:57:51,280
آن را تغییر دهید تا اگر با
1781
00:57:51,280 –> 00:57:53,440
جفت هایی مانند این شروع کنم می توانم آنها را تغییر شکل دهم اگر
1782
00:57:53,440 –> 00:57:55,359
بدانم 25 جفت در آن وجود دارد. در آنجا من می توانم
1783
00:57:55,359 –> 00:57:57,280
2 و 25
1784
00:57:57,280 –> 00:57:58,880
1785
00:57:58,880 –> 00:58:00,799
را تغییر دهم و این یک جورایی مسخره است، اما ما این کار را به هر حال تغییر شکل می دهیم، بنابراین من می
1786
00:58:00,799 –> 00:58:02,160
خواهم شکل 25
1787
00:58:02,160 –> 00:58:05,599
در 2 خود را به 2 در 25 برگردانم
1788
00:58:05,599 –> 00:58:07,680
و اگر اجرا کنم، خواهید دید که به پایان می رسد
1789
00:58:07,680 –> 00:58:09,599
با خروجی مشابه x
1790
00:58:09,599 –> 00:58:12,480
y دو آرایه مختلف در اینجا و
1791
00:58:12,480 –> 00:58:14,000
این مهم است که ما بخواهیم
1792
00:58:14,000 –> 00:58:17,119
x و y دوباره از هم جدا شوند که همه چیز
1793
00:58:17,119