در این مطلب، ویدئو آموزش پایتون: فهرست بندی مجدد DataFrames 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.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,030 –> 00:00:03,770
اکنون که میتوانیم فایلهای زیادی را
2
00:00:03,770 –> 00:00:06,080
به فریمهای دادهای وارد کنیم، اجازه دهید به
3
00:00:06,080 –> 00:00:08,058
اشتراک گذاری اطلاعات بین فریمهای
4
00:00:08,058 –> 00:00:10,880
داده با استفاده از نمایههای آنها را
5
00:00:10,880 –> 00:00:12,769
6
00:00:12,769 –> 00:00:14,599
7
00:00:14,599 –> 00:00:16,789
8
00:00:16,789 –> 00:00:19,789
بررسی کنیم. از
9
00:00:19,789 –> 00:00:22,189
ایندکس در زبان انگلیسی میتواند نمایه یا
10
00:00:22,189 –> 00:00:25,970
شاخص باشد که هر دو مورد استفاده قابل قبول هستند، اجازه دهید
11
00:00:25,970 –> 00:00:28,249
قرارداد استفاده از شاخصها را به
12
00:00:28,249 –> 00:00:30,169
عنوان جمع شاخص در هنگام ارجاع به
13
00:00:30,169 –> 00:00:32,598
برچسبهای منفرد در ساختار دادههای شاخص
14
00:00:32,598 –> 00:00:35,870
بپذیریم، در مقابل، میتوانیم از نمایهها
15
00:00:35,870 –> 00:00:38,120
به عنوان جمع شاخص با ارجاع به
16
00:00:38,120 –> 00:00:40,700
بسیاری از شاخصها استفاده کنیم. ساختارهای داده شاخص مرتبط
17
00:00:40,700 –> 00:00:43,040
با چندین سری پاندا یا فریم داده،
18
00:00:43,040 –> 00:00:45,920
این یک قرارداد استاندارد نیست، اما
19
00:00:45,920 –> 00:00:48,200
به ما کمک میکند تا ابهام را در فکر کردن
20
00:00:48,200 –> 00:00:51,620
درباره مجموعههایی از شاخصها در بسیاری از
21
00:00:51,620 –> 00:00:55,430
شاخصها حل کنیم تا شروع به بارگیری دو
22
00:00:55,430 –> 00:00:57,380
فریم داده از دادههای دمایی ثبت شده از
23
00:00:57,380 –> 00:01:00,770
پیتسبورگ در سال 2013 برای هر دو کنیم. فراخوانی برای
24
00:01:00,770 –> 00:01:03,829
خواندن CSV ما از آرگومان فراخوانی شاخص استفاده می کنیم
25
00:01:03,829 –> 00:01:06,049
تا مشخص کنیم کدام ستون به داده fr تبدیل می شود
26
00:01:06,049 –> 00:01:09,649
ماه شاخص ame در هر دو مورد به یاد داشته باشید
27
00:01:09,649 –> 00:01:11,899
که ایندکس یک ستون ممتاز در
28
00:01:11,899 –> 00:01:14,210
پانداس است که دسترسی راحت
29
00:01:14,210 –> 00:01:17,749
به ردیفهای سری یا قاب داده را فراهم میکند.
30
00:01:17,749 –> 00:01:20,780
31
00:01:20,780 –> 00:01:24,259
32
00:01:24,259 –> 00:01:26,689
33
00:01:26,689 –> 00:01:29,030
و حداکثر
34
00:01:29,030 –> 00:01:30,799
دمای روزانه بر حسب فارنهایت مشاهده شده
35
00:01:30,799 –> 00:01:33,069
در فواصل سه ماهه یا سه ماهه
36
00:01:33,069 –> 00:01:36,319
برای هر دو فریم داده، ماه ستون،
37
00:01:36,319 –> 00:01:39,319
شاخص قاب داده است، ماه فهرست شده در
38
00:01:39,319 –> 00:01:41,509
هر ردیف شاخص، ماه اول
39
00:01:41,509 –> 00:01:44,719
هر سه ماهه است
40
00:01:44,719 –> 00:01:48,049
، بر اساس نحوه مرتبسازی فایلهای CSV. شاخص W max
41
00:01:48,049 –> 00:01:51,139
به ترتیب حروف الفبا است، در حالی که شاخص
42
00:01:51,139 –> 00:01:54,079
W max به ترتیب زمانی است،
43
00:01:54,079 –> 00:01:55,700
اولی حس تحریف شده ای
44
00:01:55,700 –> 00:01:58,549
از روندهای وابسته به زمان به دست می دهد،
45
00:01:58,549 –> 00:02:01,009
شاخص های چارچوب داده مستقیماً با ویژگی شاخص نقطه دسترسی پیدا می کنند،
46
00:02:01,009 –> 00:02:04,490
هر دو W mean و W
47
00:02:04,490 –> 00:02:07,099
Max دارای شاخص هایی از شی تایپ کنید چون
48
00:02:07,099 –> 00:02:09,740
برچسب های ایندکس رشته هایی هستند،
49
00:02:09,740 –> 00:02:11,750
تابع type نوع داده
50
00:02:11,750 —