در این مطلب، ویدئو پایتون برای تجزیه و تحلیل داده ها | آموزش پایتون | ادورکا | Python Live – 4 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: 00:17:58
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:12,719 –> 00:00:14,160
صبح بخیر عصر بخیر و
2
00:00:14,160 –> 00:00:15,839
عصر بخیر بچه ها بر اساس مناطق زمانی که
3
00:00:15,839 –> 00:00:17,119
همه شما از آن می آیید،
4
00:00:17,119 –> 00:00:18,720
بنابراین بچه ها قبل از شروع جلسه،
5
00:00:18,720 –> 00:00:20,080
می توانید همیشه اطلاعات سریعی به من بدهید،
6
00:00:20,080 –> 00:00:21,920
اگر همه می توانید صفحه نمایش من را ببینید،
7
00:00:21,920 –> 00:00:25,199
من در اینجا برای شما نیز بارگذاری می کنم
8
00:00:27,039 –> 00:00:28,240
بسیار عالی از تأیید همه شما متشکرم،
9
00:00:28,240 –> 00:00:29,760
بنابراین قبل از شروع به من اجازه دهید
10
00:00:29,760 –> 00:00:31,760
سریعاً انجمن استاد کلاس دوکا خود را با همه شما معرفی کنم،
11
00:00:31,760 –> 00:00:33,280
12
00:00:33,280 –> 00:00:35,200
بنابراین این انجمن از کلاس های مستر
13
00:00:35,200 –> 00:00:38,480
در سال 2019 شروع شد و از آن زمان تاکنون
14
00:00:38,480 –> 00:00:40,719
به بیش از 32000
15
00:00:40,719 –> 00:00:42,960
عضو نزدیک شده ایم. در این
16
00:00:42,960 –> 00:00:45,120
کلاس های کارشناسی ارشد ما چندین وبینار و
17
00:00:45,120 –> 00:00:46,719
رویدادهای زنده با موضوعات مختلف
18
00:00:46,719 –> 00:00:49,200
از جمله یادگیری ماشینی هوش مصنوعی بلاک چین iot
19
00:00:49,200 –> 00:00:51,120
و
20
00:00:51,120 –> 00:00:53,039
فناوری های مهندسی کلان داده را به هم متصل می کنیم و
21
00:00:53,039 –> 00:00:54,800
بهترین بخش در مورد این وبینارها این است که
22
00:00:54,800 –> 00:00:56,559
البته کاملاً رایگان هستند بنابراین
23
00:00:56,559 –> 00:00:58,399
هیچ هزینه ای در اینجا
24
00:00:58,399 –> 00:01:00,239
و این وبینارها وجود ندارد. یک
25
00:01:00,239 –> 00:01:02,079
پلت فرم واقعا عالی برای هر کسی که به
26
00:01:02,079 –> 00:01:04,720
دنبال ورود به این صنعت عمودی
27
00:01:04,720 –> 00:01:06,320
با یادگیری فناوری است
28
00:01:06,320 –> 00:01:08,000
29
00:01:08,000 –> 00:01:10,159
مایلم تا بخشی از کل این وبینار
30
00:01:10,159 –> 00:01:12,320
باشیم تا بتوانیم وارد سیستم شویم تا بتوانیم در اینجا
31
00:01:12,320 –> 00:01:14,479
به این لینک مراجعه کنیم
32
00:01:14,479 –> 00:01:16,159
روی عضویت در این گروه کلیک کنید و سپس
33
00:01:16,159 –> 00:01:17,759
نمی توانید از کل
34
00:01:17,759 –> 00:01:19,119
برنامه ای که برای کل ماه برنامه ریزی شده است مطلع شوید.
35
00:01:19,119 –> 00:01:20,400
36
00:01:20,400 –> 00:01:23,119
بیایید در مورد
37
00:01:23,119 –> 00:01:25,680
موضوعی که باید در مورد آن بحث کنیم شروع کنیم،
38
00:01:25,680 –> 00:01:27,439
بنابراین اول از همه
39
00:01:27,439 –> 00:01:29,200
در مورد مقدمه پایتون
40
00:01:29,200 –> 00:01:30,880
بحث می کنیم سپس در مورد ویژگی های پایتون صحبت می کنیم.
41
00:01:30,880 –> 00:01:33,119
42
00:01:33,119 –> 00:01:36,240
43
00:01:36,240 –> 00:01:37,439
آیا کتابخانههای مختلفی
44
00:01:37,439 –> 00:01:39,680
در دسترس هستند، مانند ما پانداها و
45
00:01:39,680 –> 00:01:41,520
عملیات متلب داریم، و سپس میخواهیم
46
00:01:41,520 –> 00:01:43,200
یک کتابچه کوچک عملی در این کتابخانههای مختلف
47
00:01:43,200 –> 00:01:44,479
48
00:01:44,479 –> 00:01:47,360
ببینیم، بنابراین همانطور که میدانیم پایتون یکی از
49
00:01:47,360 –> 00:01:49,520
پویاترین زبانهای موجود است، بنابراین
50
00:01:49,520 –> 00:01:52,000
پایتون برای
51
00:01:52,000 –> 00:01:54,159
استفادههای مختلف استفاده میشود. نیازهای متفاوتی دارد،
52
00:01:54,159 –> 00:01:55,840
بنابراین دوباره برای توسعه وب استفاده می شود
53
00:01:55,840 –> 00:01:57,680
و همچنین برای
54
00:01:57,680 –> 00:01:59,840
داده ها برای حذف وب استفاده می شود.
55
00:01:59,840 –> 00:02:01,360
یکی از محرک های اصلی در حوزه
56
00:02:01,360 –> 00:02:04,079
یادگیری ماشین و علم داده است.
57
00:02:04,079 –> 00:02:05,840
و همچنین مزیت های متعددی برای
58
00:02:05,840 –> 00:02:07,600
کار با پایتون وجود دارد اول از همه
59
00:02:07,600 –> 00:02:09,919
پایتون یک زبان متن باز است که
60
00:02:09,919 –> 00:02:11,920
به معنای پایتون است، می توانیم بگوییم
61
00:02:11,920 –> 00:02:13,520
اول از همه پایتون یک زبان سطح بالایی
62
00:02:13,520 –> 00:02:15,200
است، درست سطح بالایی است،
63
00:02:15,200 –> 00:02:18,400
شی گرا است و خوب یادگیری آن آسان است.
64
00:02:18,400 –> 00:02:20,239
چون در
65
00:02:20,239 –> 00:02:23,120
مقایسه با زبانهای دیگر حداقل گرامر
66
00:02:23,120 –> 00:02:24,560
دارد و چندین ویژگی
67
00:02:24,560 –> 00:02:26,000
برای پایتون در دسترس است، بنابراین اگر در مورد ویژگیها صحبت میکنید،
68
00:02:26,000 –> 00:02:29,200
پایتون
69
00:02:29,200 –> 00:02:31,920
دوباره سادگی را ارائه میکند، بنابراین پایتون سادگی ارائه
70
00:02:31,920 –> 00:02:34,480
میدهد، یعنی دوباره
71
00:02:34,480 –> 00:02:36,080
گزینههای گزینه کمتری وجود دارد، نحو کمتری وجود دارد.
72
00:02:36,080 –> 00:02:37,519
باید یاد بگیرند مخصوصاً برای
73
00:02:37,519 –> 00:02:39,200
کسانی که از
74
00:02:39,200 –> 00:02:41,680
پس زمینه های غیرiit می آیند، این منبع باز است، به
75
00:02:41,680 –> 00:02:43,200
این معنی که هیچ مجوزی در
76
00:02:43,200 –> 00:02:45,120
اینجا وجود ندارد، استفاده از آن برای همه رایگان است و
77
00:02:45,120 –> 00:02:46,720
همچنین در صورت نیاز،
78
00:02:46,720 –> 00:02:48,400
و همچنین قابل حمل است تا
79
00:02:48,400 –> 00:02:50,640
پایتون را بتوان به اشتراک گذاشت. و درست می شود و
80
00:02:50,640 –> 00:02:52,560
می تواند به همان روشی که در
81
00:02:52,560 –> 00:02:55,599
نظر گرفته شده بود بدون دردسر و بدون دردسر کار کند و
82
00:02:55,599 –> 00:02:57,599
سپس می توان آن را نیز جاسازی کرد،
83
00:02:57,599 –> 00:02:59,599
یعنی پایتون می تواند sn داشته باشد. آیپت های
84
00:02:59,599 –> 00:03:01,680
زبان های دیگر در داخل آن مانند c c
85
00:03:01,680 –> 00:03:03,840
به علاوه جاوا داریم که می توانیم به راحتی آنها را در پایتون جاسازی کنیم
86
00:03:03,840 –> 00:03:05,120
87
00:03:05,120 –> 00:03:07,200
و سپس به خوبی پیش بینی می شود که
88
00:03:07,200 –> 00:03:08,560
به این معنی است که دوباره
89
00:03:08,560 –> 00:03:10,800
آنها نباید نگران
90
00:03:10,800 –> 00:03:12,959
وظایف حافظه بزرگ و سایر موارد سنگین
91
00:03:12,959 –> 00:03:15,360
در برابر cpu سنگین باشیم. وظیفه
92
00:03:15,360 –> 00:03:17,120
همانطور که هستند توسط
93
00:03:17,120 –> 00:03:18,560
خود پایتون مراقبت می شود
94
00:03:18,560 –> 00:03:20,720
و سپس دارای مجموعه ای از
95
00:03:20,720 –> 00:03:23,120
تعداد زیادی کتابخانه در مقایسه با
96
00:03:23,120 –> 00:03:25,440
بسته های دیگر است و سپس در اینجا ما اوپ داریم بنابراین
97
00:03:25,440 –> 00:03:27,360
اوپس به این معنی است که شی گرایی به سادگی
98
00:03:27,360 –> 00:03:29,040
به حل مشکلات پیچیده
99
00:03:29,040 –> 00:03:31,040
این جهان کمک می کند. در کد و آیا میتوانیم
100
00:03:31,040 –> 00:03:32,640
امنیت را برای به دست آوردن راهحلهای بهتر فراهم
101
00:03:32,640 –> 00:03:34,080
کنیم و
102
00:03:34,080 –> 00:03:36,480
اکنون چه کسی دقیقاً از پایتون استفاده میکند، اکنون
103
00:03:36,480 –> 00:03:38,879
پایتون توسط دامنههای متعدد استفاده میشود و
104
00:03:38,879 –> 00:03:40,720
تقریباً همه شرکتهایی که در
105
00:03:40,720 –> 00:03:43,360
آنجا از پایتون استفاده کردهام مانند google dropbox
106
00:03:43,360 –> 00:03:46,319
nsa nasa netflix تقریباً در هر شرکتی استفاده میشود.
107
00:03:46,319 –> 00:03:48,400
هر راه حلی که می توانیم به
108
00:03:48,400 –> 00:03:50,319
نوعی فکر کنیم یا پایتون دیگری که در آن تعبیه شده است
109
00:03:50,319 –> 00:03:50,959
110
00:03:50,959 –> 00:03:52,959
و حالا اگر در مورد تجزیه و تحلیل داده ها صحبت کنید
111
00:03:52,959 –> 00:03:54,799
و دقیقاً تجزیه و تحلیل داده ها چیست
112
00:03:54,799 –> 00:03:57,599
، به سادگی کار می کند. g در تجزیه و تحلیل
113
00:03:57,599 –> 00:03:59,760
مجموعههای بزرگ دادهها و تلاش برای
114
00:03:59,760 –> 00:04:01,280
معناسازی یا میتوان گفت که
115
00:04:01,280 –> 00:04:03,519
بینش معناداری از آن به دست میآید، بنابراین
116
00:04:03,519 –> 00:04:05,280
دوباره دادههای جوانان بیکار در
117
00:04:05,280 –> 00:04:07,760
سراسر جهان از سال 2002 تا 2020. بنابراین
118
00:04:07,760 –> 00:04:09,599
درصد افزایش جوانان بیکار
119
00:04:09,599 –> 00:04:13,120
در افغانستان بین 2010 و 2020، بنابراین
120
00:04:13,120 –> 00:04:14,959
ما می خواهیم این نوع موقعیت را تجزیه و تحلیل کنیم،
121
00:04:14,959 –> 00:04:16,798
بنابراین باید
122
00:04:16,798 –> 00:04:17,519
از
123
00:04:17,519 –> 00:04:18,959
پایتون برای آن استفاده
124
00:04:18,959 –> 00:04:20,478
کنیم، زیرا ما کتابخانه های گسترده ای
125
00:04:20,478 –> 00:04:22,639
در پایتون در دسترس داریم تا به ما کمک کنند، بنابراین
126
00:04:22,639 –> 00:04:24,400
شروع با پانداها،
127
00:04:24,400 –> 00:04:26,240
بنابراین پانداها اساساً یک کتابخانه است که
128
00:04:26,240 –> 00:04:28,160
برای زبان برنامه نویسی پایتون نوشته شده است. برای
129
00:04:28,160 –> 00:04:30,560
دستکاری و تجزیه و تحلیل دادهها، بنابراین پانداها
130
00:04:30,560 –> 00:04:33,040
دوباره برای ستونهای تایپشده ناهمگن مفید هستند
131
00:04:33,040 –> 00:04:34,960
و دوباره میتوانیم با
132
00:04:34,960 –> 00:04:37,919
مجموعه دادههای مرتب و نامرتب
133
00:04:37,919 –> 00:04:39,520
کار کنیم، بنابراین میتوانیم از آن برای ایجاد
134
00:04:39,520 –> 00:04:41,440
فریمهای داده چندگانه استفاده کنیم، جایی که بتوانیم دادهها را ذخیره کنیم و
135
00:04:41,440 –> 00:04:43,440
سپس حتی میتوانیم محاسبات را انجام دهیم. در
136
00:04:43,440 –> 00:04:45,199
بالای آن نیز
137
00:04:45,199 –> 00:04:47,440
و سپس ما همچنین می توانیم با استفاده از
138
00:04:47,440 –> 00:04:49,360
پاندا متوقف شویم، می توانیم فریم های داده را برش دهیم،
139
00:04:49,360 –> 00:04:51,840
می توانیم ایندکس را تغییر دهیم که می توانیم داده ها را تبدیل
140
00:04:51,840 –> 00:04:54,160
کنیم. یک پیوستن و انجام عملیات الحاق و ادغام
141
00:04:54,160 –> 00:04:56,720
میتوانیم چندین
142
00:04:56,720 –> 00:04:58,560
فریم خواننده کوچکتر را به یک
143
00:04:58,560 –> 00:05:00,240
قاب داده متصل کنیم و میتوانیم
144
00:05:00,240 –> 00:05:02,400
سرصفحههای ستونها را نیز تغییر دهیم، همیشه میتوانیم این کار را انجام دهیم
145
00:05:02,400 –> 00:05:04,720
و سپس اگر در اینجا در مورد مولفه برش
146
00:05:04,720 –> 00:05:06,400
صحبت کنیم، به سادگی میتوانیم آن را
147
00:05:06,400 –> 00:05:08,320
برش دهیم. کامپوننت ها را با استفاده از کتابخانه پانداها به دو قسمت مختلف تبدیل کنید،
148
00:05:08,320 –> 00:05:11,759
به عنوان مثال،
149
00:05:11,759 –> 00:05:12,960
اکنون
150
00:05:12,960 –> 00:05:14,960
برای مشاهده یک مورد کوچک برای شما چه کاری
151
00:05:14,960 –> 00:05:17,199
می توانیم انجام دهیم، می توانیم یک قاب داده کوچک ایجاد کنیم
152
00:05:17,199 –> 00:05:19,360
تا برای آن بتوانیم از متن عالی استفاده
153
00:05:19,360 –> 00:05:21,520
کنیم، بیایید یک کار انجام دهیم، بیایید یک کار کوچک ایجاد کنیم.
154
00:05:21,520 –> 00:05:23,600
فایل csc مستقیماً
155
00:05:23,600 –> 00:05:25,520
اجازه دهید آن را به عنوان
156
00:05:25,520 –> 00:05:28,240
فرض کنید نقطه داده csv ذخیره کنیم
157
00:05:28,240 –> 00:05:30,479
و در اینجا می توانیم تعریف کنیم اکنون می توانیم
158
00:05:30,479 –> 00:05:32,000
مجموعه داده های متعددی را تعریف کنیم که می خواهید از آنها
159
00:05:32,000 –> 00:05:34,800
استفاده کنید، به عنوان مثال فرض کنید در این
160
00:05:34,800 –> 00:05:37,039
فایل csc می خواهیم آنچه را که داریم تعریف کنیم.
161
00:05:37,039 –> 00:05:39,680
ما
162
00:05:39,680 –> 00:05:41,600
دومین نرخ و نرخ بهره شاخص خود را
163
00:05:41,600 –> 00:05:44,240
داریم و سپس هزاران تولید ناخالص داخلی
164
00:05:44,240 –> 00:05:47,120
داریم، بنابراین شاخص داریم،
165
00:05:47,120 –> 00:05:49,280
166
00:05:49,520 –> 00:05:54,240
سپس شاخص را داریم، سپس نرخ بهره را داریم
167
00:05:54,240 –> 00:05:56,880
و اکنون داریم تولید ناخالص داخلی
168
00:05:56,880 –> 00:05:59,280
داریم، فرض کنید تولید ناخالص داخلی داریم بنابراین در اینجا ما
169
00:05:59,280 –> 00:06:01,039
میتوانیم هر مقدار کوچکی را بر حسب csc ایجاد
170
00:06:01,039 –> 00:06:03,360
کنیم، به عنوان مثال، ما چهار مقدار درست
171
00:06:03,360 –> 00:06:04,840
داریم، میتوانیم پشتیبانی را تعریف کنیم.
172
00:06:04,840 –> 00:06:08,319
173
00:06:08,319 –> 00:06:09,120
174
00:06:09,120 –> 00:06:11,120
175
00:06:11,120 –> 00:06:13,280
176
00:06:13,280 –> 00:06:16,000
find و 50
177
00:06:16,000 –> 00:06:17,680
2002
178
00:06:17,680 –> 00:06:20,560
فرض کنید s2 در اینجا می توانیم حدود 45 داشته باشیم
179
00:06:20,560 –> 00:06:24,639
2002 فرض کنید 2003 در اینجا می توانیم 2 داشته
180
00:06:24,639 –> 00:06:26,880
باشیم در اینجا می توانیم فرض کنیم 54
181
00:06:26,880 –> 00:06:29,039
و سپس دولت 4 داشته باشیم و
182
00:06:29,039 –> 00:06:31,280
نرخ بهره فرض کنیم 3 داشته باشد
183
00:06:31,280 –> 00:06:34,080
و Gdp فرض کنید من 52 یا
184
00:06:34,080 –> 00:06:35,600
خود 55
185
00:06:35,600 –> 00:06:38,319
را در اینجا فرض کنیم. ما یک فرمت cc ساده به عنوان
186
00:06:38,319 –> 00:06:40,560
مقدار جدا شده با کاما داریم که همان چیزی است که
187
00:06:40,560 –> 00:06:42,880
از نظر csv درست تعریف میکنیم
188
00:06:42,880 –> 00:06:45,360
و حالا میخواهیم
189
00:06:45,360 –> 00:06:47,440
دوباره در اینجا تعریف کنیم، میتوانیم جلو برویم
190
00:06:47,440 –> 00:06:49,280
و هر نوع گزینهای برای برش ایجاد کنیم،
191
00:06:49,280 –> 00:06:51,599
بنابراین اساساً برش به معنای
192
00:06:51,599 –> 00:06:53,680
برش دادن است. این بدان معناست که اگر
193
00:06:53,680 –> 00:06:55,919
میخواهید کل مجموعه دادهها را به
194
00:06:55,919 –> 00:06:57,440
اجزای کوچکتر تقسیم کنید،
195
00:06:57,440 –> 00:06:59,680
درست اگر میخواهید
196
00:06:59,680 –> 00:07:01,120
آخرین مجموعه داده را به
197
00:07:01,120 –> 00:07:03,440
اجزای کوچکتر تقسیم کنید، ما میتوانیم این کار را به راحتی با
198
00:07:03,440 –> 00:07:05,039
استفاده از مولفه برش انجام دهیم.
199
00:07:05,039 –> 00:07:06,000
درست است
200
00:07:06,000 –> 00:07:08,479
که ما می توانیم از هر نوت بوک مشتری استفاده
201
00:07:08,479 –> 00:07:10,240
کنیم و در صورتی که هر نوع
202
00:07:10,240 –> 00:07:12,160
نوت بوک پایتون در دسترس باشد بدون اینکه بتوانیم
203
00:07:12,160 –> 00:07:15,039
از colab استفاده کنیم یا می توانیم از
204
00:07:15,039 –> 00:07:18,400
نوت بوک مشتری نیز استفاده کنیم، می توانیم این کار را انجام دهیم،
205
00:07:18,400 –> 00:07:21,199
بنابراین اکنون می توانیم اگر اگر نوتبوک jupyter را به
206
00:07:21,199 –> 00:07:22,639
صورت محلی نصب کردهایم که میتوانیم
207
00:07:22,639 –> 00:07:24,880
از آن استفاده کنیم در صورتی که
208
00:07:24,880 –> 00:07:27,120
به هیچ نصب jupyter دسترسی
209
00:07:27,120 –> 00:07:28,639
نداشته باشیم، میتوانیم از
210
00:07:28,639 –> 00:07:30,319
نوتبوک دیگری مانند آزمایشگاه استفاده
211
00:07:30,319 –> 00:07:31,520
کنیم، میتوانیم این کار را انجام دهیم،
212
00:07:31,520 –> 00:07:33,360
بنابراین در اینجا به یک
213
00:07:33,360 –> 00:07:35,360
نوت بوک jupyter بنابراین می توانیم برویم و یک
214
00:07:35,360 –> 00:07:37,440
نوت بوک جدید نیز برای پایتون 3 ایجاد کنیم یا می توانیم
215
00:07:37,440 –> 00:07:39,919
از هر شناسه دیگری که در دسترس است استفاده
216
00:07:39,919 –> 00:07:41,840
کنیم مانند ما pycharm در صورتی که
217
00:07:41,840 –> 00:07:44,000
به پایتون دسترسی داشته باشیم می توانیم در
218
00:07:44,000 –> 00:07:45,520
صورت دسترسی به این نوع از پایتون استفاده کنیم. از
219
00:07:45,520 –> 00:07:47,840
نوت بوک jupyter می توانیم از آن استفاده
220
00:07:47,840 –> 00:07:50,160
کنیم، می توانیم انجام دهیم، می توانیم هر کدام را تعریف کنیم، می
221
00:07:50,160 –> 00:07:52,160
توانیم از هر پلتفرمی استفاده کنیم بسیار
222
00:07:52,160 –> 00:07:53,440
خوب، می توانیم هر کاری را که
223
00:07:53,440 –> 00:07:54,800
راحت هستیم انجام دهیم،
224
00:07:54,800 –> 00:07:56,240
مثلاً فرض کنید اینجا می خواهیم
225
00:07:56,240 –> 00:07:58,080
با پایتون کار کنیم، حتی می توانیم با پایتون کار کنیم.
226
00:07:58,080 –> 00:08:00,560
همچنین به عنوان مثال اجازه دهید در اینجا میگوییم که ما
227
00:08:00,560 –> 00:08:03,120
میخواهیم اول از همه پاندا را وارد کنیم تا
228
00:08:03,120 –> 00:08:06,560
بتوانیم پانداها را بهعنوان p تعریف کنیم،
229
00:08:06,560 –> 00:08:08,400
راست rs یک کتابخانه در دسترس است، بنابراین
230
00:08:08,400 –> 00:08:10,560
اگر از pyro استفاده میکنیم، میتوانیم پانداها را به صورت pd وارد کنیم،
231
00:08:10,560 –> 00:08:12,639
سپس باید مطمئن شویم
232
00:08:12,639 –> 00:08:15,120
که کتابخانه پاندا را نصب کردهایم. و
233
00:08:15,120 –> 00:08:16,240
اگر آن را نصب نکردهاید، میتوانیم
234
00:08:16,240 –> 00:08:18,080
به قسمتی که
235
00:08:18,080 –> 00:08:20,160
در اینجا نامیده میشود بروید، اکنون اینجا تنظیماتی را
236
00:08:20,160 –> 00:08:22,240
در زیر تنظیمات داریم، ما دقیقاً مفسر پروژه داریم،
237
00:08:22,240 –> 00:08:24,479
بنابراین در اینجا باید
238
00:08:24,479 –> 00:08:27,360
به پروژه در توییتر برویم و سپس
239
00:08:27,360 –> 00:08:29,039
در این قسمت باید
240
00:08:29,039 –> 00:08:30,720
بنابراین، ما باید
241
00:08:30,720 –> 00:08:32,320
کتابخانه ای را انتخاب کنیم که می توانیم مصاحبه ای را که
242
00:08:32,320 –> 00:08:34,799
داریم بگوییم و سپس می توانیم بسته ها را تعریف کنیم،
243
00:08:34,799 –> 00:08:36,479
بنابراین در اینجا می توانیم ببینیم کدام بسته
244
00:08:36,479 –> 00:08:37,919
ها در حال حاضر در این مستقل فعلی نصب شده
245
00:08:37,919 –> 00:08:39,360
اند که در حال حاضر از
246
00:08:39,360 –> 00:08:41,760
آن استفاده می کنیم، می توانیم آن لیست را ببینیم. اگر میخواهید
247
00:08:41,760 –> 00:08:43,760
بستههای بیشتری نصب کنید،
248
00:08:43,760 –> 00:08:45,760
میتوانیم ادامه دهیم و روی plus کلیک کنیم و میتوانیم
249
00:08:45,760 –> 00:08:48,080
هر بستهای را مستقیماً از
250
00:08:48,080 –> 00:08:49,920
کل این پیوند نصب کنیم و میتوانیم این کار را انجام دهیم،
251
00:08:49,920 –> 00:08:51,920
بنابراین گاهی اوقات کمی طول میکشد تا
252
00:08:51,920 –> 00:08:53,519
کل این لیست پر شود. d اما
253
00:08:53,519 –> 00:08:55,680
دوباره در صورت داشتن آن،
254
00:08:55,680 –> 00:08:57,519
میتوانیم از تمام بستههای موجود استفاده کنیم،
255
00:08:57,519 –> 00:08:59,600
همانطور که در اینجا میبینید، ما برای این مورد پیپ داریم،
256
00:08:59,600 –> 00:09:01,120
اما دوباره در حال حاضر با استفاده از سه
257
00:09:01,120 –> 00:09:03,519
نقطه هشت در پایه آناکوندا و در
258
00:09:03,519 –> 00:09:05,360
اینجا تقریباً هر بستهای را داریم که نیاز داریم.
259
00:09:05,360 –> 00:09:08,320
برای علم داده در حال حاضر در دسترس است، بنابراین
260
00:09:08,320 –> 00:09:09,680
بیایید بگوییم در اینجا می توانیم
261
00:09:09,680 –> 00:09:11,760
شرکای واردات را به صورت pd تعریف کنیم، می توانیم هر
262
00:09:11,760 –> 00:09:13,839
قاب داده ای را برای مثال xyz تعریف کنیم
263
00:09:13,839 –> 00:09:15,680
در اینجا