در این مطلب، ویدئو آموزش PyPolars Python (تجزیه و تحلیل داده ها با PyPolars و Pandas) 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: 00:39:10
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,960 –> 00:00:02,480
سلام به همه خوش آمدید دوباره
2
00:00:02,480 –> 00:00:04,400
نام من جسی است و در این آموزش ویدیویی فوق العاده و
3
00:00:04,400 –> 00:00:05,759
هیجان انگیز
4
00:00:05,759 –> 00:00:07,040
ما سعی می کنیم یک بسته بسیار زیبا
5
00:00:07,040 –> 00:00:09,360
به نام pi polaris را به درستی بررسی
6
00:00:09,360 –> 00:00:10,800
کنیم، بنابراین سعی می کنیم ببینیم که چگونه
7
00:00:10,800 –> 00:00:12,960
با استفاده از خطوط لوله تجزیه و تحلیل داده های انفجاری انجام
8
00:00:12,960 –> 00:00:15,599
دهیم نه پانداها. یک
9
00:00:15,599 –> 00:00:17,279
بسته جایگزین است که می توانید در کنار پانداها نیز از آن استفاده کنید،
10
00:00:17,279 –> 00:00:20,400
بنابراین همه ما پاناس ها را می شناسیم
11
00:00:20,400 –> 00:00:22,160
، پانداهای حیوانی که
12
00:00:22,160 –> 00:00:23,840
موجودی زنگوله مانند سیاه و سفید هستند
13
00:00:23,840 –> 00:00:25,359
، خرس قطبی نیز وجود دارد، بنابراین
14
00:00:25,359 –> 00:00:26,960
نام بسته شبیه به آن
15
00:00:26,960 –> 00:00:28,160
موجود
16
00:00:28,160 –> 00:00:31,119
خاص است. این
17
00:00:31,119 –> 00:00:31,760
کتابخانه
18
00:00:31,760 –> 00:00:34,399
خاص را نه حیوان بلکه بسته را کاوش کنید تا
19
00:00:34,399 –> 00:00:35,200
پلیس Pi
20
00:00:35,200 –> 00:00:38,399
هدف خطوط لوله
21
00:00:38,399 –> 00:00:41,200
است که در مواردی استفاده شود که داده های شما برای پانداها خیلی بزرگ
22
00:00:41,200 –> 00:00:43,040
است یا برای قیمت مناسب خیلی کوچک است،
23
00:00:43,040 –> 00:00:44,800
بنابراین با مقداری پایتون به رنگ زنگ زده شده است
24
00:00:44,800 –> 00:00:46,640
. wrapper wrappers اطراف آن است
25
00:00:46,640 –> 00:00:48,640
و api شبیه به پانداها است، بنابراین اگر
26
00:00:48,640 –> 00:00:50,000
پانداها را می شناسید انتخاب درست برای شما بسیار آسان است،
27
00:00:50,000 –> 00:00:50,399
28
00:00:50,399 –> 00:00:52,320
بنابراین بیایید با آن شروع کنیم، بنابراین به این
29
00:00:52,320 –> 00:00:54,239
معنی است که نصب آن ادامه
30
00:00:54,239 –> 00:00:56,079
دارد، در pi در دسترس است. بنابراین شما می توانید
31
00:00:56,079 –> 00:00:58,480
آن را با pip install piperless نصب کنید، پس
32
00:00:58,480 –> 00:00:59,760
بیایید به عقب برگردیم و آن را روی سیستم خود نصب کنیم،
33
00:00:59,760 –> 00:01:00,480
34
00:01:00,480 –> 00:01:05,120
بنابراین pip 3 نصب
35
00:01:06,000 –> 00:01:08,880
pi polish را درست انجام دهید که نحوه نصب
36
00:01:08,880 –> 00:01:09,840
آن بر روی سیستم شما
37
00:01:09,840 –> 00:01:12,720
بسیار ساده است، بنابراین این pi dash plus درست
38
00:01:12,720 –> 00:01:13,040
مانند
39
00:01:13,040 –> 00:01:15,840
پاندا ما پانداهای پولیس داریم. ما قطبی داریم،
40
00:01:15,840 –> 00:01:16,960
پس بیایید با آن شروع کنیم،
41
00:01:16,960 –> 00:01:19,920
بنابراین متشکرم، همانطور که گفتم دو
42
00:01:19,920 –> 00:01:21,040
api دارد که مشابه
43
00:01:21,040 –> 00:01:22,880
پانداها است، بنابراین انتخاب آن برای شما بسیار آسان است،
44
00:01:22,880 –> 00:01:24,720
اما دو
45
00:01:24,720 –> 00:01:25,200
46
00:01:25,200 –> 00:01:28,240
api دارد، شما api اجرای iga و api اجرای تنبل را
47
00:01:28,240 –> 00:01:30,079
دارید که می توانید بررسی کنید و بیشتر بخوانید،
48
00:01:30,079 –> 00:01:31,280
بنابراین بیایید با آن شروع کنیم
49
00:01:31,280 –> 00:01:33,840
، من بسته خود را
50
00:01:33,840 –> 00:01:35,119
بارگیری می کنم، بسته ada خود را بارگیری می کنم،
51
00:01:35,119 –> 00:01:38,320
بنابراین مهم باشید و آنچه می
52
00:01:38,320 –> 00:01:38,880
توانم بگویم برای
53
00:01:38,880 –> 00:01:42,000
وارد کردن pi
54
00:01:42,000 –> 00:01:44,640
plus به عنوان po درست است، این است که چگونه
55
00:01:44,640 –> 00:01:45,600
بسته خاص را وارد
56
00:01:45,600 –> 00:01:46,880
کنم، سپس فکر کردم شما می توانید ببینید که
57
00:01:46,880 –> 00:01:49,040
چگونه می توان تجزیه و تحلیل اولیه ساده ای را
58
00:01:49,040 –> 00:01:52,240
بر روی یک مجموعه داده خاص
59
00:01:52,240 –> 00:01:53,840
انجام داد، بنابراین بیایید با آن شروع کنیم، بنابراین بیایید
60
00:01:53,840 –> 00:01:55,520
بسته را قبل از آن بررسی کنیم، بنابراین من می
61
00:01:55,520 –> 00:01:56,240
62
00:01:56,240 –> 00:01:57,759
خواهم روش ها و سپس
63
00:01:57,759 –> 00:01:59,840
ویژگی های این بسته فوق العاده
64
00:01:59,840 –> 00:02:03,280
را بررسی کنم. drl peel مناسب برای پیپ
65
00:02:03,280 –> 00:02:04,560
بدون دیدن همه چیزهای واقعی که
66
00:02:04,560 –> 00:02:06,079
میتوانید با این بسته فوقالعاده انجام دهید، همانطور که
67
00:02:06,079 –> 00:02:07,200
از اینجا میبینید،
68
00:02:07,200 –> 00:02:10,318
اجازه دهید خودم را کم کنم تا همانطور که میبینید
69
00:02:10,318 –> 00:02:12,000
از اینجا کارهای زیادی
70
00:02:12,000 –> 00:02:13,599
میتوان انجام داد، میتوانیم
71
00:02:13,599 –> 00:02:16,160
قابهای تنبل ایجاد کنیم، همچنین میتوانیم تاریخ ایجاد کنیم.
72
00:02:16,160 –> 00:02:17,360
شما میتوانید با تاریخها کار کنید، میتوانید
73
00:02:17,360 –> 00:02:18,959
با فریمهای داده کار کنید، درست
74
00:02:18,959 –> 00:02:21,040
مثل پانداها، میتوانید کارهای جالبی هم
75
00:02:21,040 –> 00:02:22,160
انجام دهید
76
00:02:22,160 –> 00:02:24,239
همانطور که گفتم api بسیار شبیه به
77
00:02:24,239 –> 00:02:26,160
پانداها است، میتوانید حساب کنید که میتوانید همه
78
00:02:26,160 –> 00:02:27,440
این کارهای شلوغ را انجام دهید، بنابراین ما میتوانیم سعی می کنم
79
00:02:27,440 –> 00:02:28,160
80
00:02:28,160 –> 00:02:30,160
برخی از آنها را درست کاوش کنیم، بنابراین بیایید با
81
00:02:30,160 –> 00:02:31,599
این شروع کنیم، من فقط دوباره برمی گردم
82
00:02:31,599 –> 00:02:35,760
و سپس شما شروع به نوشتن کد می کنید،
83
00:02:35,760 –> 00:02:37,840
بنابراین بیایید ابتدا ببینیم چگونه یک
84
00:02:37,840 –> 00:02:38,800
مجموعه داده را درست بخوانیم،
85
00:02:38,800 –> 00:02:40,560
بنابراین اولین مورد این است که ما چگونه می خوانیم جالب است
86
00:02:40,560 –> 00:02:41,920
87
00:02:41,920 –> 00:02:45,200
csv سپس بعداً و ببینید که چگونه روی
88
00:02:45,200 –> 00:02:46,959
فریم های داده کار کنید، بنابراین چگونه آن را در
89
00:02:46,959 –> 00:02:48,720
آن فریم یا مجموعه داده درست بخوانید، بنابراین
90
00:02:48,720 –> 00:02:50,160
بسیار ساده است فقط با df
91
00:02:50,160 –> 00:02:53,360
که می خواهید بروید و با pl
92
00:02:53,360 –> 00:02:56,000
dot read بروید و به آن csv می گویند و سپس وارد کنید
93
00:02:56,000 –> 00:02:56,879
.
94
00:02:56,879 –> 00:03:00,800
مجموعه دادههای شما، بنابراین از
95
00:03:01,040 –> 00:03:03,920
مجموعه دادههای نمایشی الماس ri استفاده میکنید ght so diamond.csv
96
00:03:03,920 –> 00:03:04,319
97
00:03:04,319 –> 00:03:06,959
که بسیار معروف است، نگران
98
00:03:06,959 –> 00:03:07,760
نباشید که
99
00:03:07,760 –> 00:03:10,959
در منابع زیر باشد،
100
00:03:10,959 –> 00:03:13,920
دقیقاً مانند پاندا، بنابراین لطفاً csv را بخوانید
101
00:03:13,920 –> 00:03:15,120
که یک شی قاب داده ایجاد می
102
00:03:15,120 –> 00:03:15,840
کند، بنابراین اگر
103
00:03:15,840 –> 00:03:19,120
نوع آن را بررسی کنید،
104
00:03:19,120 –> 00:03:20,480
نوع این چیزهای خاص که خوانده
105
00:03:20,480 –> 00:03:23,040
اید این خواهد بود که پی
106
00:03:23,040 –> 00:03:24,799
پلیس قطار قاب داده درست است بسیار
107
00:03:24,799 –> 00:03:26,239
ساده و بسیار خوب حالا بیایید ببینیم
108
00:03:26,239 –> 00:03:26,959
کار اساسی که
109
00:03:26,959 –> 00:03:29,040
همچنین می تواند انجام دهد api شبیه پاندا است
110
00:03:29,040 –> 00:03:30,319
بنابراین می توانید
111
00:03:30,319 –> 00:03:32,239
برای بررسی سر ادامه دهید از داده های سمت راست،
112
00:03:32,239 –> 00:03:33,440
اولی که
113
00:03:33,440 –> 00:03:34,799
ردیف های اول داده است، می توانید با
114
00:03:34,799 –> 00:03:36,560
این گزینه بروید df dot
115
00:03:36,560 –> 00:03:38,720
head right که قرار است
116
00:03:38,720 –> 00:03:40,879
دقیقاً مانند پانداها چاپ شود، اما تفاوت
117
00:03:40,879 –> 00:03:42,400
این است که در این
118
00:03:42,400 –> 00:03:44,319
فرمت خاص به شما بسیار جالب می دهد و
119
00:03:44,319 –> 00:03:44,879
خیلی خوب است،
120
00:03:44,879 –> 00:03:46,080
بیایید کارهای دیگری را ببینیم که
121
00:03:46,080 –> 00:03:48,319
میتوانید با این بسته عضلانی انجام دهید، در صورتی که من
122
00:03:48,319 –> 00:03:49,200
123
00:03:49,200 –> 00:03:51,599
میخواهم آخرین ردیفها را درست بررسی کنم، مثلاً
124
00:03:51,599 –> 00:03:53,040
10 ردیف آخر
125
00:03:53,040 –> 00:03:56,480
سمت راست df tail را بررسی کنم، سپس 10 ردیف را ارسال میکنم
126
00:03:56,480 –> 00:03:58,319
که قرار است 10 ردیف آخر چاپ شود. قوانین
127
00:03:58,319 –> 00:03:59,040
درست است که
128
00:03:59,040 –> 00:04:01,519
بسیار جالب است خیلی خوب است درست
129
00:04:01,519 –> 00:04:02,319
مثل پانداها
130
00:04:02,319 –> 00:04:04,000
حالا بیایید چیزهای دیگری را ببینیم که می توانیم
131
00:04:04,000 –> 00:04:06,000
انجام دهیم، همچنین می توانیم
132
00:04:06,000 –> 00:04:08,000
شکل را بررسی کنیم در صورتی که
133
00:04:08,000 –> 00:04:09,519
بخواهم شکل این مجموعه داده خاص را بررسی
134
00:04:09,519 –> 00:04:09,920
135
00:04:09,920 –> 00:04:12,840
کنم که قرار است df باشد، اجازه دهید
136
00:04:12,840 –> 00:04:15,840
137
00:04:16,560 –> 00:04:18,478
شکل کشتی را بررسی کنیم همانطور که می بینید هر زمان که
138
00:04:18,478 –> 00:04:19,759
آن را چاپ می کند، شکل را
139
00:04:19,759 –> 00:04:20,238
در اینجا نشان می دهد،
140
00:04:20,238 –> 00:04:21,759
اما می توانید با
141
00:04:21,759 –> 00:04:24,720
استفاده از گزینه ساده tf.ship با کشتی بررسی کنید،
142
00:04:24,720 –> 00:04:26,960
این یک ویژگی است بنابراین بدون بله و
143
00:04:26,960 –> 00:04:28,080
حتی به عنوان کشتی که تعداد
144
00:04:28,080 –> 00:04:29,600
ردیف ها و تعداد ستونهایی را
145
00:04:29,600 –> 00:04:31,560
که میتوانید برای انواع دادهها
146
00:04:31,560 –> 00:04:34,720
[Music]
147
00:04:34,720 –> 00:04:37,520
برای انواع دادهها نیز بررسی کنید که مانند
148
00:04:37,520 –> 00:04:38,639
این df dot
149
00:04:38,639 –> 00:04:40,639
d نوع درست است، در واقع پانداها
150
00:04:40,639 –> 00:04:42,160
همه انواع دادهها را به ما میدهد
151
00:04:42,160 –> 00:04:43,280
که به شکلی نیستند. از
152
00:04:43,280 –> 00:04:45,199
یک قاب داده اما در
153
00:04:45,199 –> 00:04:46,560
این فرمت خاص خواهد بود،
154
00:04:46,560 –> 00:04:47,840
بیایید ببینیم چگونه
155
00:04:47,840 –> 00:04:49,840
نام ستون ها را درست بررسی کنیم در صورتی که بخواهم
156
00:04:49,840 –> 00:04:52,720
نام ستون ها را بررسی کنم، ستون های
157
00:04:55,280 –> 00:04:58,080
بسیار ساده df نقطه ای درست مانند
158
00:04:58,080 –> 00:04:59,520
پانداها و تمام ستون ها را چاپ می کند.
159
00:04:59,520 –> 00:05:00,960
نام ها در قالب
160
00:05:00,960 –> 00:05:03,840
یک لیست جالب است، بنابراین برخی از هنرمندان نیز می توانند این کار را انجام دهند،
161
00:05:03,840 –> 00:05:04,479
162
00:05:04,479 –> 00:05:05,919
ما دیدیم که چگونه می توان انواع
163
00:05:05,919 –> 00:05:07,600
نام ستون ها را به شکل
164
00:05:07,600 –> 00:05:09,680
جدول درست بررسی کرد و سپس سر که نحوه
165
00:05:09,680 –> 00:05:11,440
کار با این بسته فوق العاده است.
166
00:05:11,440 –> 00:05:15,120
167
00:05:15,120 –> 00:05:16,160
168
00:05:16,160 –> 00:05:17,280
همچنین میتوانیم انجام دهیم این است که همه
169
00:05:17,280 –> 00:05:19,680
روشهایی را که میتوانیم با این قاب داده انجام دهیم، بررسی میکنیم،
170
00:05:19,680 –> 00:05:23,360
یک ویژگی در قاب داده df writer،
171
00:05:23,360 –> 00:05:24,479
بنابراین drl
172
00:05:24,479 –> 00:05:26,400
df سپس میتوانم همه
173
00:05:26,400 –> 00:05:28,080
کارهای مختلفی را که میتوانید انجام دهید به دست بیاورم،
174
00:05:28,080 –> 00:05:29,919
البته اینطور نیست. داشتن بسیاری از
175
00:05:29,919 –> 00:05:31,680
ویژگی ها مانند پانداها، اما داشتن یک
176
00:05:31,680 –> 00:05:33,280
ترفند بسیار ساده است که می تواند شما را
177
00:05:33,280 –> 00:05:36,000
وادار کند تمام ویژگی های پانداها را به درستی دریافت کنید،
178
00:05:36,000 –> 00:05:36,400
بنابراین
179
00:05:36,400 –> 00:05:37,680
می بینید که ما می توانیم همه این کارها را انجام دهیم، سپس
180
00:05:37,680 –> 00:05:39,520
نوع d explode fill none
181
00:05:39,520 –> 00:05:42,560
شما می توانید به طور مساوی قاب بندی کنید دریافت ستون ها گروه به
182
00:05:42,560 –> 00:05:43,440
سر ارتفاع
183
00:05:43,440 –> 00:05:45,759
هر پشته برای پیوستن به شما میتوانید
184
00:05:45,759 –> 00:05:47,520
مانند من نگاه میکنم ایندکس درج
185
00:05:47,520 –> 00:05:49,280
کنید، میتوانید بررسی کنید که آیا همه این چیزهای اساسی منحصربهفرد هستند یا خیر،
186
00:05:49,280 –> 00:05:51,280
187
00:05:51,280 –> 00:05:52,560
اما شما توصیف را ندارید،
188
00:05:52,560 –> 00:05:54,400
هیچ ویژگی توصیفی در آن وجود ندارد
189
00:05:54,400 –> 00:05:58,400
تا آمار توصیفی مانند پانداها را به دست آورید.
190
00:05:58,400 –> 00:05:59,840
درست است، بنابراین شما نمی توانید این
191
00:05:59,840 –> 00:06:03,360
کار را انجام دهید، ما نمی توانیم این کار را انجام دهیم، این یک شبکه است
192
00:06:03,759 –> 00:06:05,440
، در حال حاضر چیزی مانند df dot
193
00:06:05,440 –> 00:06:06,790
describe
194
00:06:06,790 –> 00:06:08,080
[Music
195
00:06:08,080 –> 00:06:09,680
] وجود ندارد، اما چیزی شبیه به آن وجود ندارد،
196
00:06:09,680 –> 00:06:11,520
اما شما می توانید با
197
00:06:11,520 –> 00:06:12,560
استفاده از این گزینه ساده،
198
00:06:12,560 –> 00:06:14,319
هر کاری که انجام می دهید، معامله شرح داده شده را دریافت کنید. اگر نمی توانید آن را به درستی دریافت کنید
199
00:06:14,319 –> 00:06:15,919
اگر نمی توانید این یکی را دریافت
200
00:06:15,919 –> 00:06:17,759
کنید، فقط می توانید از قالب پایتون با فرمت pandas استفاده کنید،
201
00:06:17,759 –> 00:06:18,960
بنابراین این یک
202
00:06:18,960 –> 00:06:21,840
جایگزین
203
00:06:23,280 –> 00:06:24,960
با استفاده از پانداها است، بنابراین می توانید پانداها را نیز
204
00:06:24,960 –> 00:06:27,919
از آن فراخوانی کنید، در آن زمان پانداهای df.2 خواهند بود.
205
00:06:27,919 –> 00:06:32,800
فقط آن را انجام دهید توضیح دهید
206
00:06:32,800 –> 00:06:34,479
که یک ویژگی بسیار جالب است، درست است
207
00:06:34,479 –> 00:06:36,880
که همان کار را برای ما انجام می دهد،
208
00:06:36,880 –> 00:06:38,479
بسیار خوب است، بنابراین اگر
209
00:06:38,479 –> 00:06:39,680
این ویژگی را دریافت نکردید، فقط آن را به
210
00:06:39,680 –> 00:06:40,800
پانداها بدهید، سپس
211
00:06:40,800 –> 00:06:42,560
فقط ویژگی پانداها را اعمال کنید که
212
00:06:42,560 –> 00:06:43,919
بسیار جالب است. ویژگی درست است،
213
00:06:43,919 –> 00:06:45,840
بسیار بسیار عالی است، بنابراین من همه چیز را
214
00:06:45,840 –> 00:06:47,360
از پانداها از جعبه بیرون آورده ام،
215
00:06:47,360 –> 00:06:48,560
خوب حالا بیایید چیزهای دیگری را ببینیم که می
216
00:06:48,560 –> 00:06:52,319
توانید از آنها برای انجام دادن استفاده کنید، در صورتی که من نیز می خواهم
217
00:06:52,400 –> 00:06:55,759
بررسی کنم که آیا برخی از انتخاب های ساده را انجام دهید
218
00:06:55,759 –> 00:06:57,199
در صورتی که می خواهم انتخاب ساده ای انجام دهم.
219
00:06:57,199 –> 00:06:59,039
در صورتی که می خواهید
220
00:06:59,039 –> 00:07:00,319
مقداری انتخاب کنید ght
221
00:07:00,319 –> 00:07:02,000
بنابراین ما میتوانیم تمام اشکال مختلف
222
00:07:02,000 –> 00:07:03,520
انتخابی را که
223
00:07:03,520 –> 00:07:05,440
میخواهیم با دادههای خود انجام دهیم، بنابراین
224
00:07:05,440 –> 00:07:06,639
انتخابی که میتوانیم
225
00:07:06,639 –> 00:07:10,080
با نام ستون انتخاب کنیم، ستونها را
226
00:07:10,080 –> 00:07:13,120
بر اساس نام انتخاب کنیم و سپس با نمایه سمت
227
00:07:13,120 –> 00:07:15,840
راست میتوانیم انتخاب را بر اساس
228
00:07:15,840 –> 00:07:17,039
ردیفها به
229
00:07:17,039 –> 00:07:19,039
درستی انتخاب کنیم. بیایید ببینیم چگونه این کار را
230
00:07:19,039 –> 00:07:20,319
231
00:07:20,319 –> 00:07:24,960
با استفاده از قطب های pi به سمت راست یا قطب ها
232
00:07:25,039 –> 00:07:27,280
انجام دهیم، بیایید بررسی کنیم که
233
00:07:27,280 –> 00:07:28,800
بسیار ساده است، بنابراین
234
00:07:28,800 –> 00:07:29,440
235
00:07:29,440 –> 00:07:32,639
ستون های انتخابی انتخاب می شود
236
00:07:32,639 –> 00:07:34,319
زیرا می خواهم ستون ها را با
237
00:07:34,319 –> 00:07:35,460
نام ستون
238
00:07:35,460 –> 00:07:37,199
[Music] انتخاب
239
00:07:37,199 –> 00:07:38,400
کنم. از قبل میدانید که
240
00:07:38,400 –> 00:07:39,840
ما این گزینه را داریم که
241
00:07:39,840 –> 00:07:40,960
نام ستونها را
242
00:07:40,960 –> 00:07:44,479
با استفاده از ستونهای نقطهای df
243
00:07:44,479 –> 00:07:45,919
بدست آوریم تا نام ستونها را به دست آوریم، در صورتی که میخواهم
244
00:07:45,919 –> 00:07:47,440
گزینه فعلی را درست انتخاب کنم
245
00:07:47,440 –> 00:07:47,840
246
00:07:47,840 –> 00:07:50,720
که در شماره شاخص صفر است، بنابراین میتوانم
247
00:07:50,720 –> 00:07:51,360
فقط با
248
00:07:51,360 –> 00:07:54,800
نام باینری برویم. بنابراین df و سپس هویج
249
00:07:54,800 –> 00:07:56,240
میتوانید کارهای معمولی را
250
00:07:56,240 –> 00:07:58,560
که در پانداها انجام میدهید به
251
00:07:58,560 –> 00:08:00,400
درستی انجام دهید و یک سری را حفظ کنید،
252
00:08:00,400 –> 00:08:02,080
بنابراین با این سری میتوانید دستکاریهای زیادی انجام دهید،
253
00:08:02,080 –> 00:08:04,080
بنابراین این یکی
254
00:08:04,080 –> 00:08:06,160
از راههایی است که میتوانید ستونها را نیز
255
00:08:06,160 –> 00:08:07,180
با
256
00:08:07,180 –> 00:08:09,199
[ انتخاب کنید. موسیقی]
257
00:08:09,199 –> 00:08:13,840
این آی ndex برای انتخاب ستونها
258
00:08:14,160 –> 00:08:17,199
بر اساس نمایه سمت راست، بنابراین این شبیه به
259
00:08:17,199 –> 00:08:18,960
پانداها است به همان روشی که در پانداها میتوانید همان کار را انجام دهید
260
00:08:18,960 –> 00:08:20,319
، در صورتی که
261
00:08:20,319 –> 00:08:21,759
شریک هستید، میتوانید همان کار را انجام دهید،
262
00:08:21,759 –> 00:08:22,639
بنابراین
263
00:08:22,639 –> 00:08:25,120
فرض کنید فعلی این کار را انجام دهید.
264
00:08:25,120 –> 00:08:25,919
پانداها درست
265
00:08:25,919 –> 00:08:29,120
همان چیزی هستند که تفاوتی با پاندا ندارند، بنابراین
266
00:08:29,120 –> 00:08:30,800
اجازه دهید من آن را به عنوان
267
00:08:30,800 –> 00:08:33,039
یک پاندا صدا کنم تا شما آن را به عنوان
268
00:08:33,039 –> 00:08:34,159
مرجع داشته
269
00:08:34,159 –> 00:08:35,440
باشید، همچنین می توانید همین کار را در اینجا انجام دهید،
270
00:08:35,440 –> 00:08:36,880
اگر می خواهید با فهرست درست انتخاب کنید،
271
00:08:36,880 –> 00:08:38,559
فقط می توانید با df بروید
272
00:08:38,559 –> 00:08:39,919
سپس فقط در این مورد مشخص شده است، بنابراین
273
00:08:39,919 –> 00:08:41,599
صنعت درست صفر است،
274
00:08:41,599 –> 00:08:42,799
ستون
275
00:08:42,799 –> 00:08:45,040
اول اولین ستون را برای ما چاپ می کند بسیار جالب است،
276
00:08:45,040 –> 00:08:45,920
بنابراین همان کاری را
277
00:08:45,920 –> 00:08:47,839
که می توانید انجام دهید، بیایید کارهای دیگری را
278
00:08:47,839 –> 00:08:51,200
که می توانید انجام دهید در صورتی که می خواهم
279
00:08:51,839 –> 00:08:55,760
مانند چندین ستون انتخاب کنم، انجام دهید. درست
280
00:08:55,760 –> 00:08:57,120
در همان زمان من همچنین می توانم همین کار را انجام دهم،
281
00:08:57,120 –> 00:08:59,120
بنابراین df دقیقاً مانند
282
00:08:59,120 –> 00:09:01,920
پانداها می خواهم گزینه فعلی را دریافت کنم و
283
00:09:01,920 –> 00:09:03,200
همچنین می خواهم دریافت کنم، فرض کنید
284
00:09:03,200 –> 00:09:06,320
می خواهم ستون قیمت را دریافت کنم
285
00:09:06,320 –> 00:09:07,920
، یک گزینه فعلی دریافت می کنم و سپس یک گزینه
286
00:09:07,920 –> 00:09:10,399
287
00:09:10,399 –> 00:09:12,880
ستون قیمت ها در سمت راست می تواند انتخاب mul را نیز انجام دهد
288
00:09:12,880 –> 00:09:13,760
ستونهای تیپ
289
00:09:13,760 –> 00:09:15,839
را نیز میتوانید ببینید و
290
00:09:15,839 –> 00:09:17,360
کاملاً درست
291
00:09:17,360 –> 00:09:18,880
292
00:09:18,880 –> 00:09:20,320
293
00:09:20,320 –> 00:09:22,320
294
00:09:22,320 –> 00:09:24,160
295
00:09:24,160 –> 00:09:26,640
296
00:09:26,640 –> 00:09:27,760
297
00:09:27,760 –> 00:09:31,120
کار میکند. انتخاب فرمت دیگری
298
00:09:31,120 –> 00:09:35,279
را با نمایه s سمت راست انتخاب کنید، بنابراین اجازه دهید با
299
00:09:35,279 –> 00:09:37,839
استفاده از این گزینه خاص
300
00:09:37,839 –> 00:09:40,320
301
00:09:40,640 –> 00:09:42,160
، یک تابع دیگر وجود دارد به نام
302
00:09:42,160 –> 00:09:44,160
این، سپس انتخاب کنید
303
00:09:44,160 –> 00:09:45,839
شما همچنین می توانید با موقعیت شاخص
304
00:09:45,839 –> 00:09:48,800
برای ستون ها به سمت راست انتخاب کنید، بنابراین برای ستون ها
305
00:09:48,800 –> 00:09:51,920
، همانطور که ما این گزینه را انجام دادیم آیا
306
00:09:51,920 –> 00:09:52,800
این گزینه
307
00:09:52,800 –> 00:09:55,839
را به درستی انجام دادید، همچنین می توانید با رفتن با این گزینه،
308
00:09:55,839 –> 00:09:56,800
همین کار را در اینجا
309
00:09:56,800 –> 00:09:59,600
انجام
310
00:09:59,600 –> 00:10:01,120
دهید، بنابراین بیایید آن را به این صورت بسازیم تا
311
00:10:01,120 –> 00:10:02,839
این مرجع
312
00:10:02,839 –> 00:10:05,680
همان
313
00:10:05,680 –> 00:10:08,000
پانداها را داشته باشید، شما همچنین می توانید همین
314
00:10:08,000 –> 00:10:09,519
کار را در اینجا انجام دهید، فقط می توانید این کار را انجام دهید گزینه
315
00:10:09,519 –> 00:10:10,160
در اینجا
316
00:10:10,160 –> 00:10:14,640
بنابراین df سمت راست را انتخاب نکنید
317
00:10:14,640 –> 00:10:16,959
خرید، اجازه دهید خرید را نیز انتخاب کنید، سپس
318
00:10:16,959 –> 00:10:18,480
شاخص خاصی را
319
00:10:18,480 –> 00:10:20,079
که می خواهید
320
00:10:20,079 –> 00:10:23,600
انتخاب کنید، راست فعال کننده را انتخاب کنید در idx انتخاب کنید سپس
321
00:10:23,600 –> 00:10:24,959
مقدار خاص را پاس می کنید. بنابراین بیایید
322
00:10:24,959 –> 00:10:26,720
در صفر بگذریم
323
00:10:26,720 –> 00:10:28,880
، همان مناقصه را نیز حفظ می کند، بنابراین می توانید
324
00:10:28,880 –> 00:10:30,720
از این گزینه در اینجا
325
00:10:30,720 –> 00:10:31,920
استفاده کنید، می توانید از این گزینه در مورد
326
00:10:31,920 –> 00:10:33,839
این گزینه بسیار جالب و بسیار زیبا استفاده کنید، بنابراین
327
00:10:33,839 –> 00:10:35,040
بیایید ببینیم موارد دیگری نیز می توانند انجام
328
00:10:35,040 –> 00:10:36,800
دهند. نحوه
329
00:10:36,800 –> 00:10:40,000
انتخاب بر اساس نام ستون ها
330
00:10:40,000 –> 00:10:41,440
با استفاده از این گزینه را دیدم من نحوه
331
00:10:41,440 –> 00:10:43,040
انتخاب بر اساس شاخص را
332
00:10:43,040 –> 00:10:44,480
دیدم که دو گزینه وجود دارد که می توانید از
333
00:10:44,480 –> 00:10:46,240
این گزینه استفاده کنید در اینجا در
334
00:10:46,240 –> 00:10:48,800
idx موقعیت عدد صحیح را
335
00:10:48,800 –> 00:10:50,320
انتخاب کنید ما همچنین می توانیم چندین ستون را انتخاب
336
00:10:50,320 –> 00:10:53,600
کنیم بیایید ببینیم چگونه با ردیفها
337
00:10:53,600 –> 00:10:56,959
کار کنید، بنابراین اگر میخواهم ردیفها را انتخاب
338
00:10:56,959 –> 00:10:58,839
کنم، میدانید که آیا صدا درست است یا نه.
339
00:10:58,839 –> 00:11:00,480
340
00:11:00,480 –> 00:11:02,160
341
00:11:02,160 –> 00:11:03,839
342
00:11:03,839 –> 00:11:05,040
343
00:11:05,040 –> 00:11:06,560
344
00:11:06,560 –> 00:11:08,240
345
00:11:08,240 –> 00:11:09,760
دو روش وجود
346
00:11:09,760 –> 00:11:10,800
دارد که می توانید از
347
00:11:10,800 –> 00:11:13,040
گزینه slice استفاده کنید، می توانید پانداهای معمولی را در
348
00:11:13,040 –> 00:11:15,519
مرکز قرار دهید، بنابراین فقط با این
349
00:11:15,519 –> 00:11:17,040
گزینه بروید، سپس من می خواهم صفر
350
00:11:17,040 –> 00:11:18,720
و سپس سه سمت راست را برای همه ستون ها دریافت کنم، بنابراین
351
00:11:18,720 –> 00:11:21,360
این انتخاب می شود
352
00:11:21,360 –> 00:11:25,680
همه را
353
00:11:26,240 –> 00:11:29,760
انتخاب می کند صفر مانند یک ردیف صفر
354
00:11:29,760 –> 00:11:34,480
دو سه سمت راست و سپس همه ستون ها را انتخاب می کند،
355
00:11:34,480 –> 00:11:35,680
بنابراین این شبیه به انجام چنین کاری
356
00:11:35,680 –> 00:11:37,519
در پایتون است بنابراین df dot i
357
00:11:37,519 –> 00:11:39,839
lock سپس شما فقط با این گزینه
358
00:11:39,839 –> 00:11:40,560
صفر
359
00:11:40,560 –> 00:11:42,720
و سپس سه سمت راست بروید تا مشابه باشد.
360
00:11:42,720 –> 00:11:45,200
به این گزینه بروید
361
00:11:45,200 –> 00:11:48,000
و این است که چگونه می توان آن کار بسیار جالب را انجام داد که
362
00:11:48,000 –> 00:11:48,480
363
00:11:48,480 –> 00:11:50,320
بسیار خوب است، بنابراین یکی
364
00:11:50,320 –> 00:11:52,079
از راه هایی است که می توانید از این گزینه نیز استفاده کنید
365
00:11:52,079 –> 00:11:54,079
یا می توانید از این گزینه در اینجا استفاده کنید
366
00:11:54,079 –> 00:11:57,839
گزینه اسلاید این برش است
367
00:11:58,000 –> 00:12:01,410
آه ببینید چگونه من املای آن را اسلاید
368
00:12:01,410 –> 00:12:03,200
[Music]
369
00:12:03,200 –> 00:12:04,880
با ویژگی slice نوشتم که به شما
370
00:12:04,880 –> 00:12:06,480
امکان می دهد کارهای بسیار ساده ای انجام دهید،
371
00:12:06,480 –> 00:12:08,639
بنابراین df.slice می شود و شما
372
00:12:08,639 –> 00:12:09,680
373
00:12:09,680 –> 00:12:11,440
از اولین مقدار که
374
00:12:11,440 –> 00:12:13,519
مکان خاصی است که می خواهید انتخاب کنید عبور کنید و
375
00:12:13,519 –> 00:12:15,040
سپس طول، بنابراین چند خط می خواهید
376
00:12:15,040 –> 00:12:16,880
بگوییم، بیایید بگوییم سه،
377
00:12:16,880 –> 00:12:18,320
بیایید آن را به درستی برش دهیم تا
378
00:12:18,320 –> 00:12:20,399
راه دیگری درست باشد،
379
00:12:20,399 –> 00:12:22,000
درست همان چیزی که در بالا
380
00:12:22,000 –> 00:12:23,440
به اینجا رسیدید، بنابراین می توانیم کارهای جالب دیگری
381
00:12:23,440 –> 00:12:24,000
نیز انجام دهیم،
382
00:12:24,000 –> 00:12:26,079
بنابراین این یکی
383
00:12:26,079 –> 00:12:28,000
است مکانی که شما می خواهید درست و هفتم en
384
00:12:28,000 –> 00:12:29,279
برشی که سه سمت راست است
385
00:12:29,279 –> 00:12:30,959
خیلی نزدیک است، من میخواهم این لنز خاص را
386
00:12:30,959 –> 00:12:32,800
درست
387
00:12:32,800 –> 00:12:36,160
از صفر
388
00:12:36,160 –> 00:12:39,519
به طولی که میخواهم برش بزنم که چیزی
389
00:12:39,519 –> 00:12:39,839
درست است،
390
00:12:39,839 –> 00:12:41,920
بنابراین میخواهم از 0 تا 3 درست را
391
00:12:41,920 –> 00:12:43,600
با برش
392
00:12:43,600 –> 00:12:47,040
یا با این انتخاب کنم. بسیار شبیه به این گزینه
393
00:12:47,040 –> 00:12:49,920
می بینید که سوئیچ log df.i است، زیرا
394
00:12:49,920 –> 00:12:50,959
395
00:12:50,959 –> 00:12:53,600
صفر دو سه را درست مشاهده
396
00:12:53,600 –> 00:12:54,959
کردید، بنابراین بیایید کارهای دیگری را که می توانید
397
00:12:54,959 –> 00:12:57,360
انجام دهید و همچنین کارهای پیچیده دیگر را
398
00:12:57,360 –> 00:13:00,240
با پانداها و همه اینها انجام دهید
399
00:13:00,240 –> 00:13:03,360
. در صورتی که شما همچنین می خواهید انتخاب کنید
400
00:13:03,360 –> 00:13:03,680
401
00:13:03,680 –> 00:13:07,120
مثلا از سه ردیف سه ردیف
402
00:13:07,120 –> 00:13:10,000
از یک ستون سمت راست یک ستون خاص
403
00:13:10,000 –> 00:13:11,519
ما همین کار را با df انجام می دهیم
404
00:13:11,519 –> 00:13:14,800
و حداقل من می خواهم از ردیف صفر
405
00:13:14,800 –> 00:13:18,160
به چرخشی برسم و فقط می خواهم ستون
406
00:13:18,160 –> 00:13:20,240
فعلی ستون سمت راست من هم همین
407
00:13:20,240 –> 00:13:21,760
کار را
408
00:13:21,760 –> 00:13:23,519
انجام میدهم که جایی اشتباه کردم، اجازه دهید درست با آن روبرو شویم،
409
00:13:23,519 –> 00:13:24,959
بنابراین شما فقط باید این
410
00:13:24,959 –> 00:13:26,160
یکی را درست انتخاب کنید تا من هم همینطور هستم، بنابراین من
411
00:13:26,160 –> 00:13:27,839
یک
412
00:13:27,839 –> 00:13:29,360
چرخشی تنها ستون صحیح را به سمت راست انتخاب میکنم و
413
00:13:29,360 –> 00:13:31,040
می تواند همین کار را انجام دهد بله من نیز
414
00:13:31,040 –> 00:13:32,800
می خواهم به فروش برسم ct چندین ردیف
415
00:13:32,800 –> 00:13:34,639
قوانین مختلف برای انتخاب
416
00:13:34,639 –> 00:13:36,320
متغیرهای یک ستون خاص به
417
00:13:36,320 –> 00:13:37,600
این گزینه توجه کنید زیرا من همچنین می
418
00:13:37,600 –> 00:13:38,079
419
00:13:38,079 –> 00:13:39,440
خواهم نه فقط سه ردیف را انتخاب کنم بلکه می خواهم
420
00:13:39,440 –> 00:13:41,040
چندین ردیف را به درستی انتخاب کنم
421
00:13:41,040 –> 00:13:42,720
انواع مختلف سطرها
422
00:13:42,720 –> 00:13:45,360
و همچنین یک چیز یکسان را انتخاب کنم، بنابراین یک
423
00:13:45,360 –> 00:13:49,080
ردیف متنوع و بسیار متفاوت انتخاب کنید. ردیفها
424
00:13:49,080 –> 00:13:50,160
[موسیقی
425
00:13:50,160 –> 00:13:52,160
] به ترتیب ردیفهای مختلف یک
426
00:13:52,160 –> 00:13:53,680
ستون خاص نیستند، من نمیتوانم
427
00:13:53,680 –> 00:13:55,680
یک چیز را به شما نشان دهم، بنابراین میخواهم به ردیف
428
00:13:55,680 –> 00:13:58,079
صفر برسم، میخواهم ردیف سه را بگیرم، بیایید ردیف چهار را بسازیم
429
00:13:58,079 –> 00:13:58,800
430
00:13:58,800 –> 00:14:00,959
و سپس ردیف را بگوییم 10 یا چیزی
431
00:14:00,959 –> 00:14:02,560
درست اجازه دهید من همین کار را انجام
432
00:14:02,560 –> 00:14:04,639
میدهم، من آن را کاملاً برای ما انتخاب میکنم، بنابراین
433
00:14:04,639 –> 00:14:07,680
ردیف
434
00:14:08,000 –> 00:14:10,880
0 4 و سپس ردیف 10 از این
435
00:14:10,880 –> 00:14:12,160
ستون خاص را به سمت راست انتخاب میکنم، همچنین میتوانید
436
00:14:12,160 –> 00:14:15,440
ستونهای بیشتری به آن اضافه کنید، در صورتی که
437
00:14:15,440 –> 00:14:17,279
چندین ستون میخواهید. این شبیه
438
00:14:17,279 –> 00:14:19,279
کاری است که در پایتون
439
00:14:19,279 –> 00:14:21,440
در پانداها انجام میدادید، بنابراین من همین
440
00:14:21,440 –> 00:14:22,720
کار را در اینجا
441
00:14:22,720 –> 00:14:25,839
انجام میدهم.
442
00:14:25,839 –> 00:14:28,959
443
00:14:28,959 –> 00:14:32,320
444
00:14:32,320 –> 00:14:33,760
رفتن به عکس این کاملاً برای
445
00:14:33,760 –> 00:14:36,560
شماست که میتوانید ببینید که
446
00:14:36,560 –> 00:14:39,839
از ردیفهای مختلف ردیف 0 4 10 این
447
00:14:39,839 –> 00:14:41,440
ستون خاص از ستونهای مختلف
448
00:14:41,440 –> 00:14:42,000
449
00:14:42,000 –> 00:14:45,760
ستونهای چند
450
00:14:45,760 –> 00:14:47,519
ستونی انتخاب شدهاند، درست به همان روشی
451
00:14:47,519 –> 00:14:49,040
که در
452
00:14:49,040 –> 00:14:51,199
پانداها انجام میدادید به علاوه به شما امکان میدهد اکنون این کار را انجام دهید.
453
00:14:51,199 –> 00:14:52,639
بیایید به چیزهای دیگر
454
00:14:52,639 –> 00:14:53,920
برویم، بنابراین من نحوه کار با
455
00:14:53,920 –> 00:14:54,560
انتخاب
456
00:14:54,560 –> 00:14:56,639
تقریباً همان api پانداها
457
00:14:56,639 –> 00:14:57,760
را دیدم
458
00:14:57,760 –> 00:14:58,880
459
00:14:58,880 –> 00:15:00,399
460
00:15:00,399 –> 00:15:01,839
. پایین می آید
461
00:15:01,839 –> 00:15:02,880
و سپس
462
00:15:02,880 –> 00:15:04,959
موارد بسیار جالبی را بررسی می کنیم که می توانید انجام دهید، بنابراین
463
00:15:04,959 –> 00:15:08,240
چگونه می توانید شمارش های ارزش را درست
464
00:15:08,639 –> 00:15:11,440
مانند یک کار ساده برای انجام شمارش اولیه انجام دهید،
465
00:15:11,440 –> 00:15:13,120
بنابراین چگونه می توانید مقداری ارزش به دست آورید تا در
466
00:15:13,120 –> 00:15:14,560
صورتی که می خواهید حساب ارزش بسیار زیادی را دریافت کنید
467
00:15:14,560 –> 00:15:16,240
به سادگی کافیست با این کار
468
00:15:16,240 –> 00:15:17,680
درست بروید سپس ستون مورد نظر خود را مشخص کنید،
469
00:15:17,680 –> 00:15:20,320
بنابراین اجازه دهید ابتدا آن را مشاهده
470
00:15:20,320 –> 00:15:23,519
کنیم که چگونه
471
00:15:23,519 –> 00:15:25,760
بر اساس این مجموعه داده، مکان منحصر به فردی را
472
00:15:25,760 –> 00:15:27,040
که میخواهید پیشبینی کنید، در صورتی
473
00:15:27,040 –> 00:15:27,440
474
00:15:27,440 –> 00:15:28,880
که میخواهید یادگیری ماشینی انجام دهید، به دست آوریم.
475
00:15:28,880 –> 00:15:30,320
گربه باشه پس حدس میزنم
476
00:15:30,320 –> 00:15:31,440
میخواهم برشها را
477
00:15:31,440 –> 00:15:33,120
برای شمارش ارزش برای گربه دریافت کنم،
478
00:15:33,120 –> 00:15:34,880
این گزینه نیز خواهد بود، بنابراین
479
00:15:34,880 –> 00:15:37,920
df من برش ستون را انتخاب میکنم، فقط
480
00:15:37,920 –> 00:15:38,839
481
00:15:38,839 –> 00:15:42,399
مقدار مقدار نقطهای را درست انجام میدهم، همچنین
482
00:15:42,399 –> 00:15:44,079
برای ما pivot چاپ میشود
483
00:15:44,079 –> 00:15:47,120
و این برمیگردد. یک سری نیست، اما
484
00:15:47,120 –> 00:15:48,320
یک قاب داده را برمی گرداند که
485
00:15:48,320 –> 00:15:49,360
می توانید آن را در واقع آپلود کنید،
486
00:15:49,360 –> 00:15:50,720
بنابراین بعداً سعی می کنم ببینم چگونه
487
00:15:50,720 –> 00:15:52,000
آن را درست ترسیم کنم، بنابراین حدس می زنم می خواهم
488
00:15:52,000 –> 00:15:53,600
این یکی را ترسیم کنم شما نیز می توانید آن را ترسیم کنید،
489
00:15:53,600 –> 00:15:56,320
اما ما این کار را انجام خواهیم داد یکی بعدا
490
00:15:56,320 –> 00:15:57,839
نحوه کار با مقدار شمارش و
491
00:15:57,839 –> 00:15:58,560
بقیه است،
492
00:15:58,560 –> 00:16:00,720
بنابراین همانطور که گفتم هیچ چیزی شبیه به این
493
00:16:00,720 –> 00:16:02,320
وجود ندارد،
494
00:16:02,320 –> 00:16:05,839
توصیف درستی وجود ندارد، اما شما همچنین می توانید
495
00:16:05,839 –> 00:16:07,600
کارهای ساده ای را روی سری درست روی
496
00:16:07,600 –> 00:16:08,240
هر
497
00:16:08,240 –> 00:16:11,680
سری انجام دهید، بنابراین بیایید ببینیم چگونه
498
00:16:11,680 –> 00:16:14,720
فیلترها را اعمال کنیم.
499
00:16:14,720 –> 00:16:17,199
چگونه عکسها را روی آن اعمال کنیم، این
500
00:16:17,199 –> 00:16:18,800
501
00:16:18,800 –> 00:16:22,399
توابع ابزار کاربردی خواهد بود و سپس
502
00:16:22,399 –> 00:16:23,920
فیلتر کردن چگونه دادهها را به درستی فیلتر میکنید
503
00:16:23,920 –> 00:16:26,240
چگونه نمایهسازی بولی را به درستی انجام میدهید،
504
00:16:26,240 –> 00:16:27,680
بنابراین سعی میکنیم ببینیم چگونه
505
00:16:27,680 –> 00:16:28,240
با آن
506
00:16:28,240 –> 00:16:29,600
کار کنیم. تلاش برای مشاهده نحوه اعمال
507
00:16:29,600 –> 00:16:30,170
توابع
508
00:16:30,170 –> 00:16:33,199
[Music]
509
00:16:33,199 –> 00:16:36,079
و همچنین نحوه انجام s برخی از فهرستبندی ساده بولی
510
00:16:36,079 –> 00:16:36,959
511
00:16:36,959 –> 00:16:38,639
و همچنین شرایط درست چگونه
512
00:16:38,639 –> 00:16:39,920
میتوانید شرایط را به آن اضافه کنید، بنابراین اینها
513
00:16:39,920 –> 00:16:41,040
چیزهایی هستند که میتوانید با این
514
00:16:41,040 –> 00:16:42,480
بسته روی بسته نیز انجام دهید و چیزی
515
00:16:42,480 –> 00:16:43,600
بسیار متفاوت
516
00:16:43,600 –> 00:16:45,519
از آنچه با هم انتظار
517
00:16:45,519 –> 00:16:47,040
دارید را به شما ارائه میدهد، یکی از پانداها
518
00:16:47,040 –> 00:16:48,480
پس بیایید اولین مورد را بررسی کنیم در صورتی که
519
00:16:48,480 –> 00:16:51,040
میخواهم یک فیلتر ساده انجام دهم،
520
00:16:51,040 –> 00:16:54,079
بنابراین میخواهم
521
00:16:54,079 –> 00:16:57,759
به چه چیزی میخواهم همه را فیلتر کنم،
522
00:16:58,399 –> 00:16:59,920
بنابراین اگر میخواهم درست فیلتر کنم،
523
00:16:59,920 –> 00:17:01,440
بیایید اول از همه قبل از عکسهای منحصربهفرد، مقادیر منحصربهفرد را دریافت
524
00:17:01,440 –> 00:17:03,839
کنیم.
525
00:17:03,839 –> 00:17:06,400
ارزش ها پوزش برای نویز
526
00:17:06,400 –> 00:17:07,679
اینجا و پشت سر خواهد بود و امیدوارم
527
00:17:07,679 –> 00:17:08,720
صدا خوب باشد
528
00:17:08,720 –> 00:17:10,559
و امیدوارم خیلی
529
00:17:10,559 –> 00:17:12,160
سریع نباشم df شود و ستونی را که
530
00:17:12,160 –> 00:17:13,359
می خواهم انتخاب کنم تا
531
00:17:13,359 –> 00:17:16,479
همه موارد را دریافت کنم مقادیر جوهر برای
532
00:17:16,640 –> 00:17:18,799
آن ستون درست است، بنابراین
533
00:17:18,799 –> 00:17:20,000
تمام مقادیر منحصر به فرد را برای ما چاپ می کند، بنابراین شما
534
00:17:20,000 –> 00:17:21,119
نیز می توانید آن را انجام
535
00:17:21,119 –> 00:17:23,119
دهید، بنابراین بیایید ببینیم چگونه نمایه سازی ساده بولی را به درستی انجام دهیم،
536
00:17:23,119 –> 00:17:24,959
537
00:17:24,959 –> 00:17:28,959
بنابراین نمایه سازی بولی برای فیلتر کردن،
538
00:17:28,960 –> 00:17:31,120
بنابراین این نمایه سازی بولی
539
00:17:31,120 –> 00:17:32,080
در مواردی مفید است شما در حال تلاش برای انجام برخی از
540
00:17:32,080 –> 00:17:33,760
همکاری هستید شرایطی که میخواهید چیزهایی را
541
00:17:33,760 –> 00:17:34,559
درست
542
00:17:34,559 –> 00:17:38,000
پیدا کنید چیزی را
543
00:17:38,080 –> 00:17:39,840
پیدا کنید یک الگو پیدا کنید، برای مثال فرض
544
00:17:39,840 –> 00:17:41,600
کنید میخواهم تمام رنگها را به بالای
545
00:17:41,600 –> 00:17:43,120
ستونها
546
00:17:43,120 –> 00:17:46,799
برسانم که برابر با ایدهآل
547
00:17:46,799 –> 00:17:49,679
است، در اینجا ایدهآل داریم، بنابراین بیایید
548
00:17:49,679 –> 00:17:50,000
با
549
00:17:50,000 –> 00:17:53,039
ایدهآل برویم که چگونه تمام ستونها را بدست آوریم.
550
00:17:53,039 –> 00:17:55,760
درست تمام مکانهایی در مجموعه دادههای ما
551
00:17:55,760 –> 00:17:58,240
552
00:17:58,240 –> 00:18:01,919
که گربه را بسیار خوب دارد، ما همه
553
00:18:01,919 –> 00:18:05,440
ردیفها یا نقاط داده را
554
00:18:06,400 –> 00:18:09,679
با گربهها به عنوان ایدهآل مییابیم،
555
00:18:09,679 –> 00:18:10,880
بنابراین چگونه باید این کار را انجام داد، بنابراین این
556
00:18:10,880 –> 00:18:12,559
در درس منطقی خواهد بود که
557
00:18:12,559 –> 00:18:13,200
558
00:18:13,200 –> 00:18:14,799
درست است یا false تا true درست برای آن
559
00:18:14,799 –> 00:18:16,640
ستون خاص درست در صورتی که میخواهید
560
00:18:16,640 –> 00:18:18,640
کل مجموعه دادهها را دریافت
561
00:18:18,640 –> 00:18:20,559
کنید، میتوانید همین کار را در اینجا
562
00:18:20,559 –> 00:18:22,320
انجام
563
00:18:22,320 –> 00:18:24,559
دهید.
564
00:18:24,559 –> 00:18:26,160
کل
565
00:18:26,160 –> 00:18:28,080
مجموعه داده بنابراین df
566
00:18:28,080 –> 00:18:30,000
آن را دقیقاً مانند پانداها به آنجا منتقل کنید و
567
00:18:30,000 –> 00:18:31,760
سپس می توانید یک نوشته را به عنوان یک
568
00:18:31,760 –> 00:18:32,400
قاب داده
569
00:18:32,400 –> 00:18:34,480
درست بسیار جالب دریافت کنید، همچنین می توانید کارهای
570
00:18:34,480 –> 00:18:36,160
دیگری را انجام دهید در صورتی که می
571
00:18:36,160 –> 00:18:38,080
خواهید نه فقط برای اعدادی مانند، بلکه در صورت تمایل انجام دهید.
572
00:18:38,080 –> 00:18:39,280
می خواهید
573
00:18:39,280 –> 00:18:40,720
همه را بررسی کنید قیمت کدام یک از آنها بیشتر
574
00:18:40,720 –> 00:18:43,280
از 300 است چگونه این کار را انجام دهیم،
575
00:18:43,280 –> 00:18:44,960
بنابراین این گزینه خواهد بود، من
576
00:18:44,960 –> 00:18:47,440
می
577
00:18:47,600 –> 00:18:51,039
خواهم قیمت بیشتر
578
00:18:51,039 –> 00:18:54,400
از یک مقدار را درست بررسی کنم، بنابراین ارزش
579
00:18:54,400 –> 00:18:55,760
فرض کنید 300 باشد،
580
00:18:55,760 –> 00:18:57,760
بنابراین این گزینه به df
581
00:18:57,760 –> 00:18:59,039
من می رسد ستون را می پردازم تا
582
00:18:59,039 –> 00:19:01,840
ستون ستون قیمت باشد، من می خواهم
583
00:19:01,840 –> 00:19:02,960
هر مکان بیش از
584
00:19:02,960 –> 00:19:06,080
100 300 یا 300 را درست به دست بیاورم،
585
00:19:06,080 –> 00:19:07,360
اگر از این استفاده کنم
586
00:19:07,360 –> 00:19:09,280
درست یا نادرست واقعی نادرست به ما می دهد، سپس می
587
00:19:09,280 –>