در این مطلب، ویدئو نحوه رسم داده های CSV در پایتون با استفاده از پاندا با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:05:19
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:01,280
خوش آمدید امروز شما
2
00:00:01,280 –> 00:00:02,720
را از مراحلی که باید طی کنید
3
00:00:02,720 –> 00:00:05,680
برای وارد کردن داده ها از یک فایل cs5 v و
4
00:00:05,680 –> 00:00:07,839
تجسم آن با استفاده از پایتون
5
00:00:07,839 –> 00:00:10,000
در داخل یک نوت بوک jupyter با
6
00:00:10,000 –> 00:00:14,200
نام هوشمندانه به این مورد راهنمایی می
7
00:00:16,320 –> 00:00:17,680
کنیم و می خواهیم شروع به وارد
8
00:00:17,680 –> 00:00:19,119
کردن کتابخانههایی کنید که به آنها نیاز داریم اولین
9
00:00:19,119 –> 00:00:22,720
چیزی که پانداها برای قاب دادههایمان
10
00:00:23,039 –> 00:00:24,560
هستند، همچنین باید کتابخانه csv را وارد کنیم
11
00:00:24,560 –> 00:00:26,880
تا در
12
00:00:26,880 –> 00:00:28,560
سرفصلهای فایل
13
00:00:28,560 –> 00:00:30,480
بخوانیم. ما به نقشه
14
00:00:30,480 –> 00:00:33,119
15
00:00:33,360 –> 00:00:35,520
plotlib pi برای برخی از تجسم خود نیاز
16
00:00:35,520 –> 00:00:36,960
داریم که در اینجا برنامه ریزی می
17
00:00:36,960 –> 00:00:38,800
کنیم،
18
00:00:38,800 –> 00:00:42,239
زیرا این فایل csv دارای تاریخ و زمانی است
19
00:00:42,239 –> 00:00:44,320
که باید تابع
20
00:00:44,320 –> 00:00:46,800
datetime را وارد کتابخانه datetime
21
00:00:46,800 –> 00:00:50,559
کنیم و همچنین به numpy نیز نیاز داریم.
22
00:00:53,120 –> 00:00:54,800
این چند بار استفاده می شود، بنابراین
23
00:00:54,800 –> 00:00:59,239
ساده تر است که آن را به عنوان یک متغیر تعریف کنید
24
00:01:01,520 –> 00:01:03,520
و فایل در اینجا در سمت راست باز است
25
00:01:03,520 –> 00:01:05,119
و ارزش آن را دارد که چند دقیقه به
26
00:01:05,119 –> 00:01:06,320
فایل نگاه کنید و
27
00:01:06,320 –> 00:01:09,360
قبل از پرش به کدی که
28
00:01:09,360 –> 00:01:10,960
این فایل است کمی کاوش کنید. ساختاری که من
29
00:01:10,960 –> 00:01:12,720
osc را می بینم نقاشیهای تصویری و سایر ابزارهای جمعآوری دادهها
30
00:01:12,720 –> 00:01:14,479
که اغلب این کار را انجام میدهند،
31
00:01:14,479 –> 00:01:16,400
ردیفهایی وجود دارند که برای
32
00:01:16,400 –> 00:01:18,400
ابردادهها یا دادههایی که مرتبط
33
00:01:18,400 –> 00:01:19,439
با سیگنال نیستند
34
00:01:19,439 –> 00:01:20,720
و سپس بخش دیگری از
35
00:01:20,720 –> 00:01:22,799
فایل وجود دارد که دادههایی با چگالی بالا در
36
00:01:22,799 –> 00:01:23,840
اینجا وجود دارد
37
00:01:23,840 –> 00:01:25,840
و رویکرد من برای این کار این است که اینها را انتخاب کنم.
38
00:01:25,840 –> 00:01:28,240
چند ردیف اول
39
00:01:28,240 –> 00:01:30,720
با استفاده از CSV Reader به طور جداگانه با آنها برخورد میکنیم و سپس
40
00:01:30,720 –> 00:01:32,400
برای این
41
00:01:32,400 –> 00:01:34,400
حوضچه بزرگتر از دادهها در اینجا
42
00:01:34,400 –> 00:01:36,159
از قاب داده پاندا استفاده میکنیم تا
43
00:01:36,159 –> 00:01:37,920
همه آنها را به یکباره وارد کنیم و در ابتدا آنها را به
44
00:01:37,920 –> 00:01:40,880
45
00:01:40,880 –> 00:01:42,000
همین شکل تجسم کنیم.
46
00:01:42,000 –> 00:01:45,840
باید این کار را انجام دهیم این است که فایل را باز
47
00:01:47,280 –> 00:01:49,119
کنیم و همچنین ممکن است خواننده csv فعال
48
00:01:49,119 –> 00:01:52,759
شود و
49
00:01:55,759 –> 00:01:58,000
با آن باز می توانیم
50
00:01:58,000 –> 00:01:59,840
ردیف
51
00:01:59,840 –> 00:02:02,640
اول متن را در اینجا بیاوریم
52
00:02:02,640 –> 00:02:04,799
و این همان چیزی است که به آن هدر می گویند که ما
53
00:02:04,799 –> 00:02:06,560
آن ها را در نگاه قرار می دهیم. آنها را
54
00:02:06,560 –> 00:02:08,160
اینجا قرار دهید و بعداً از آنها برای برچسب زدن
55
00:02:08,160 –> 00:02:11,440
قاب داده استفاده
56
00:02:14,560 –> 00:02:16,959
کنید، خیلی خوب به نظر می رسد،
57
00:02:16,959 –> 00:02:18,319
این مورد بعدی کمی
58
00:02:18,319 –> 00:02:20,160
پیچیده تر است زیرا زمان تاریخ است
59
00:02:20,160 –> 00:02:22,959
و در فرمت iso است