در این مطلب، ویدئو مطالعه موردی در مورد عملکردهای گذشته تیم های IPL با استفاده از EDA در پایتون و ML | Arpendu Ganguly | مدرسه IvyPro 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: 1:09:41
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,080 –> 00:00:02,240
اوه اجازه دهید سریع بپرسم چند نفر از شما از
2
00:00:02,240 –> 00:00:05,920
3
00:00:05,920 –> 00:00:09,599
مفهوم eda آگاه هستید و معنای آن چیست که
4
00:00:09,599 –> 00:00:12,559
من دوست دارم بشنوم که
5
00:00:14,559 –> 00:00:16,640
کسی هرکسی
6
00:00:16,640 –> 00:00:18,880
7
00:00:18,880 –> 00:00:20,240
بیاید بچه ها
8
00:00:20,240 –> 00:00:23,760
من دوست دارم افکار شما را بشنوم
9
00:00:23,840 –> 00:00:27,199
تجسم داده ها خوب است
10
00:00:27,199 –> 00:00:29,760
خوب چه چیز دیگری
11
00:00:29,760 –> 00:00:31,920
نه
12
00:00:35,520 –> 00:00:37,760
چگونه در مورد دیگران چگونه است من می
13
00:00:37,760 –> 00:00:39,760
دانم که ما داریم، آیا ما یک نظرسنجی زنده در حال انجام داریم،
14
00:00:39,760 –> 00:00:42,879
اما همچنین دوست داریم
15
00:00:42,879 –> 00:00:43,840
ببینیم
16
00:00:43,840 –> 00:00:46,800
خوب است، بیایید سعی کنیم آن را هم داشته باشیم،
17
00:00:46,800 –> 00:00:48,480
بنابراین یکی از قطب های نوری که در حال حرکت
18
00:00:48,480 –> 00:00:49,760
است، همان چیزی است که شکل کاملتر
19
00:00:49,760 –> 00:00:50,879
eda
20
00:00:50,879 –> 00:00:52,399
اوه،
21
00:00:52,399 –> 00:00:54,160
من میگویم هشت درصد از
22
00:00:54,160 –> 00:00:57,440
شما گفتهاید اتوماسیون طراحی الکترونیکی،
23
00:00:57,440 –> 00:00:59,440
85 درصد به عنوان
24
00:00:59,440 –> 00:01:01,600
تجزیه و تحلیل دادههای توضیحی ذکر شدهاند،
25
00:01:01,600 –> 00:01:02,480
26
00:01:02,480 –> 00:01:04,640
هشت درصد دوباره
27
00:01:04,640 –> 00:01:07,520
تجزیه و تحلیل طراحی آزمایشی و چهارمی حتی
28
00:01:07,520 –> 00:01:10,080
معماری مبتنی بر معماری خوب است، اما فکر میکنم
29
00:01:10,080 –> 00:01:12,560
اکثر شما بچهها درست است، بله
30
00:01:12,560 –> 00:01:15,840
، تجزیه و تحلیل داده های اکتشافی مشکلی ندارد،
31
00:01:15,840 –> 00:01:18,400
بنابراین فقط برای ارائه به شما در زمینه بچه ها،
32
00:01:18,400 –> 00:01:21,200
قبل از اینکه
33
00:01:21,200 –> 00:01:23,360
با مجموعه داده های ipl عمیقاً به theuh into the eda وارد
34
00:01:23,360 –> 00:01:26,400
شویم.
35
00:01:26,400 –> 00:01:29,600
36
00:01:29,600 –> 00:01:32,159
چرخه عمر یا پروژهای که ما درست انجام میدهیم،
37
00:01:32,159 –> 00:01:35,680
بنابراین زمان زیادی را صرف دادهها میکنیم،
38
00:01:35,680 –> 00:01:38,320
بنابراین معمولاً گفته میشود حدود 60
39
00:01:38,320 –> 00:01:41,280
تا 70 درصد زمان uh
40
00:01:41,280 –> 00:01:43,200
هر یک از پروژههای علم داده
41
00:01:43,200 –> 00:01:45,119
معمولاً صرف بقیه دادهها میشود.
42
00:01:45,119 –> 00:01:46,799
از زمانی که فرض کنید 30
43
00:01:46,799 –> 00:01:48,880
یا 40 درصد صرف مدلسازی
44
00:01:48,880 –> 00:01:52,560
و بینشهای تجاری میشود یا میتوانم بگویم
45
00:01:52,560 –> 00:01:54,720
حقوق هوش تجاری که در
46
00:01:54,720 –> 00:01:57,520
آن اساساً
47
00:01:57,520 –> 00:01:59,040
نتایج را با کسبوکار به اشتراک میگذاریم و اعتبارسنجی میکنیم،
48
00:01:59,040 –> 00:02:00,880
اکنون با گفتن این که
49
00:02:00,880 –> 00:02:03,439
در نوار داده، eda نقش بسیار مهمی دارد.
50
00:02:03,439 –> 00:02:05,520
نقش بسیار مهم است، خوب، نقش
51
00:02:05,520 –> 00:02:07,200
بسیار مهمی را ایفا می کند، بچه ها از نظر
52
00:02:07,200 –> 00:02:09,919
اینکه من چه چیزی را می بینم.
53
00:02:09,919 –> 00:02:14,720
54
00:02:14,720 –> 00:02:17,280
55
00:02:17,280 –> 00:02:20,640
56
00:02:20,640 –> 00:02:23,840
57
00:02:23,840 –> 00:02:25,599
این یک چیز بسیار مهم است که
58
00:02:25,599 –> 00:02:28,560
ما از آن دریافت می کنیم، خوب
59
00:02:28,560 –> 00:02:30,080
دوم
60
00:02:30,080 –> 00:02:32,319
اینکه وقتی می گوییم در داخل
61
00:02:32,319 –> 00:02:34,160
چیزهایی مانند اینکه معنی یک عدد
62
00:02:34,160 –> 00:02:35,599
چیست یا میانه یک عدد چیست، واقعاً
63
00:02:35,599 –> 00:02:38,000
سعی می کنیم رمزگشایی کنیم. مرتبط ما سعی
64
00:02:38,000 –> 00:02:41,200
می کنیم بفهمیم چه
65
00:02:41,200 –> 00:02:43,840
الگوهایی وجود دارد خوب است، بنابراین یک
66
00:02:43,840 –> 00:02:46,560
ثانیه خوب است، بدیهی است که یک خلاصه بسیار سریع به ما می دهد،
67
00:02:46,560 –> 00:02:49,280
خوب است، بنابراین تصور کنید
68
00:02:49,280 –> 00:02:51,280
که روی پایگاه داده ای از
69
00:02:51,280 –> 00:02:53,200
میلیون ها قانون نشسته
70
00:02:53,200 –> 00:02:55,360
اید و می خواهید اوه بیایید خود را ارائه دهید.
71
00:02:55,360 –> 00:02:57,120
به مشتری یک خلاصه بسیار خوب از اینکه چه
72
00:02:57,120 –> 00:02:59,760
دادههایی خوب است بگویید، بنابراین این چیزی است که eda
73
00:02:59,760 –> 00:03:02,400
به شما کمک میکند تا یک ایده بسیار خوب از
74
00:03:02,400 –> 00:03:04,640
آنچه که خلاصه سریع در مورد دادهها
75
00:03:04,640 –> 00:03:05,440
درست است،
76
00:03:05,440 –> 00:03:09,200
به شما میدهد، بنابراین این یکی دیگر
77
00:03:09,200 –> 00:03:12,080
از ویژگیهای بسیار مهم یا حذف آن است.
78
00:03:12,080 –> 00:03:13,920
ادا باشه
79
00:03:13,920 –> 00:03:16,000
و سومین
80
00:03:16,000 –> 00:03:17,519
81
00:03:17,519 –> 00:03:19,360
مطمئن نیستم چند نفر از شما بچه ها اینجا
82
00:03:19,360 –> 00:03:20,959
از مدل سازی علم داده یا مدل
83
00:03:20,959 –> 00:03:23,360
سازی یادگیری ماشین آگاه هستید،
84
00:03:23,360 –> 00:03:25,920
مثل یک پیش ساز می شود، خوب، مثل یک
85
00:03:25,920 –> 00:03:27,840
پیش درآمد برای مدل سازی می شود،
86
00:03:27,840 –> 00:03:31,599
خوب اوه، یعنی مثل قبل اوه،
87
00:03:31,599 –> 00:03:33,920
بنابراین من می توانیم میتوانیم آن را به عنوان یک تکنیک پیش مدلسازی
88
00:03:33,920 –> 00:03:37,120
ببینیم، بنابراین وقتی
89
00:03:37,120 –> 00:03:39,840
میگوییم هر زمان که هر نوع الگوریتم علم دادهای را انجام میدهیم،
90
00:03:39,840 –> 00:03:41,599
91
00:03:41,599 –> 00:03:43,519
این چیزی است که میتوانم
92
00:03:43,519 –> 00:03:45,920
بگویم این یک چیز اجباری نیست که به دنبال آن باشد،
93
00:03:45,920 –> 00:03:48,319
خوب است.
94
00:03:48,319 –> 00:03:49,920
ما قبل از اینکه به مدل سازی بپردازیم، به
95
00:03:49,920 –> 00:03:51,920
این موضوع ادامه می دهیم زیرا واقعاً به ما می دهد
96
00:03:51,920 –> 00:03:53,920
ویژگی های من چیست که چند متغیر
97
00:03:53,920 –> 00:03:55,920
وجود دارد نوع این متغیرها چیست؟
98
00:03:55,920 –> 00:03:58,400
آیا می توانیم تحلیل همبستگی را درست
99
00:03:58,400 –> 00:04:00,400
انجام دهیم.
100
00:04:00,400 –> 00:04:02,879
تجزیه و تحلیل اساساً نوعی
101
00:04:02,879 –> 00:04:05,920
اوه، من میگویم که دادهها را از
102
00:04:05,920 –> 00:04:08,400
زوایای مختلف برش میدهیم و سعی میکنم ایدهای خوب به دست آوریم
103
00:04:08,400 –> 00:04:09,920
و این چیزی است که ما امروز در
104
00:04:09,920 –> 00:04:12,319
تلاشیم تا انجام دهیم، بسیار خوب، بنابراین سعی خواهم کرد
105
00:04:12,319 –> 00:04:14,879
یک
106
00:04:14,879 –> 00:04:17,519
مجموعه داده um ipl را به شما نشان دهم که ما هستیم. که روی آن
107
00:04:17,519 –> 00:04:19,279
کار خواهد شد و با استفاده از این مجموعه داده
108
00:04:19,279 –> 00:04:20,959
، سعی خواهد شد بینش های زیادی تولید کند،
109
00:04:20,959 –> 00:04:22,079
خوب به
110
00:04:22,079 –> 00:04:24,479
نظر می رسد خوب به نظر می رسد جالب است
111
00:04:24,479 –> 00:04:26,800
و اکنون امیدوارم که همه یک
112
00:04:26,800 –> 00:04:29,840
دید کلی از آنچه که
113
00:04:29,840 –> 00:04:32,880
اوه ادا یا تجزیه و تحلیل داده های توضیحی
114
00:04:32,880 –> 00:04:33,759
به
115
00:04:33,759 –> 00:04:36,800
چه معناست می دانم، داشته باشند. به این سوال پاسخ دادم اما در
116
00:04:36,800 –> 00:04:41,479
مورد اینکه اولین فرم لیگ برتر ada
117
00:04:48,560 –> 00:04:51,670
[موسیقی]
118
00:04:53,680 –> 00:04:55,680
چیست خوب است، بنابراین آنچه ما می
119
00:04:55,680 –> 00:04:58,320
گوییم این است که
120
00:04:58,320 –> 00:05:00,320
در تاریخ
121
00:05:00,320 –> 00:05:02,800
کریکت مانند کریکت هندی، بنابراین
122
00:05:02,800 –> 00:05:04,960
سروصدای زیادی در اطراف ipl وجود دارد
123
00:05:04,960 –> 00:05:07,280
و این چیزی است که ch است uh
124
00:05:07,280 –> 00:05:10,639
است که در سراسر جهان جشن گرفته می شود و دیده می شود
125
00:05:10,639 –> 00:05:12,479
و نه فقط در هند،
126
00:05:12,479 –> 00:05:14,080
بنابراین داده های زیادی تولید شده است که
127
00:05:14,080 –> 00:05:16,320
تیم های زیادی خوب بازی می کنند، بنابراین ما سعی می کنیم
128
00:05:16,320 –> 00:05:19,280
مجموعه داده های ipl را خوب انتخاب
129
00:05:19,280 –> 00:05:20,720
کنیم و سعی خواهیم کرد
130
00:05:20,720 –> 00:05:23,840
شما می دانید سعی کنید چند رسانه
131
00:05:23,840 –> 00:05:25,759
و بینش در مورد آن ایجاد کنید، بنابراین من سعی می کنم
132
00:05:25,759 –> 00:05:27,840
کل این جلسه را به دو قسمت تقسیم کنم،
133
00:05:27,840 –> 00:05:29,919
خوب یک قسمت این است که سعی می
134
00:05:29,919 –> 00:05:32,800
کنم برخی از
135
00:05:32,800 –> 00:05:35,680
مهارت های اساسی پایتون یا برنامه نویسی پایتون را
136
00:05:35,680 –> 00:05:37,759
به شما نشان دهم. شما را به سفر
137
00:05:37,759 –> 00:05:40,160
احمقهای خودکار میبرم، من به شما تعدادی از
138
00:05:40,160 –> 00:05:41,039
139
00:05:41,039 –> 00:05:43,919
کتابخانههای بسیار خوبی را میگویم که در آنجا وجود دارد،
140
00:05:43,919 –> 00:05:46,160
زیرا پایتون خوب است، بنابراین به شما
141
00:05:46,160 –> 00:05:48,160
فقط برای ارائه یک نمای کلی به شما میدهم python
142
00:05:48,160 –> 00:05:50,880
is an um یک زبان منبع باز است.
143
00:05:50,880 –> 00:05:53,120
درست است، این زبانی است که عمدتاً
144
00:05:53,120 –> 00:05:55,680
در صنعت علم داده برای انجام
145
00:05:55,680 –> 00:05:57,840
یادگیری ماشینی و یادگیری عمیق
146
00:05:57,840 –> 00:05:59,919
و همچنین هر نوع کار علم داده استفاده میشود، بنابراین
147
00:05:59,919 –> 00:06:01,520
میتوان گفت
148
00:06:01,520 –> 00:06:03,520
اولین زبانی است که
149
00:06:03,520 –> 00:06:06,080
برای هر نوع زبانی استفاده میشود. دانشمند داده حق و
150
00:06:06,080 –> 00:06:08,160
و با استفاده از py از آنجایی که این یک
151
00:06:08,160 –> 00:06:10,240
منبع باز است، ما کتابخانههای باز زیادی نیز داریم،
152
00:06:10,240 –> 00:06:13,039
خوب است
153
00:06:13,039 –> 00:06:16,400
که اساساً این ویرایشها را تولید کنیم،
154
00:06:16,400 –> 00:06:19,199
بنابراین پایتون به عنوان
155
00:06:19,199 –> 00:06:21,039
یک رابط کاربری نمیآید، من مطمئن نیستم چند نفر از شما
156
00:06:21,039 –> 00:06:23,520
اینجا هستید. از چیزهایی مانند تابلو
157
00:06:23,520 –> 00:06:26,160
قدرت با نمایش کلیک آگاه هستید، شما
158
00:06:26,160 –> 00:06:28,720
از اینها آگاه هستید، امیدوارم مانند اینها،
159
00:06:28,720 –> 00:06:30,400
بیشتر از ابزارهای بی بگم،
160
00:06:30,400 –> 00:06:32,960
161
00:06:32,960 –> 00:06:36,240
بنابراین در جایی که به ما اجازه می دهد کارهای زیادی انجام دهیم،
162
00:06:36,240 –> 00:06:38,319
می گویم آه
163
00:06:38,319 –> 00:06:41,520
اوه شما تصاویر را درست می دانید، پس چه پایتونی
164
00:06:41,520 –> 00:06:44,479
همچنین خود را قادر
165
00:06:44,479 –> 00:06:46,639
به ارائه چنین بینشهایی در مورد
166
00:06:46,639 –> 00:06:48,639
آن کرده است و سپس من بهطور مستقیم به روش کلیکی ارسال
167
00:06:48,639 –> 00:06:51,360
میکنم، بنابراین سعی میکنم به شما نشان دهم که خوب است،
168
00:06:51,360 –> 00:06:54,240
بنابراین بیایید سفر خود را شروع کنیم، بنابراین
169
00:06:54,240 –> 00:06:56,960
فکر میکنم قبلاً در مورد چیستی eda صحبت کردهام
170
00:06:56,960 –> 00:06:59,039
. این اساساً یک تکنیک بهره برداری از داده
171
00:06:59,039 –> 00:07:00,560
است
172
00:07:00,560 –> 00:07:02,560
که بیشتر برای درک جنبه های مختلف
173
00:07:02,560 –> 00:07:04,960
داده استفاده می شود، بنابراین همانطور که گفتم
174
00:07:04,960 –> 00:07:06,800
یک خلاصه بسیار سریع به شما ارائه می دهد، بنابراین
175
00:07:06,800 –> 00:07:08,479
تصور کنید که با میلیون ها
176
00:07:08,479 –> 00:07:10,160
رکورد کار می کنید و می خواهید
177
00:07:10,160 –> 00:07:12,160
خلاصه ای سریع از داده ها ایجاد کنید. که شما
178
00:07:12,160 –> 00:07:14,160
باید انجام دهید این است یک Ada یا یک
179
00:07:14,160 –> 00:07:17,039
تجزیه و تحلیل داده های سوء استفاده شده درست است، بنابراین همراه با
180
00:07:17,039 –> 00:07:20,000
آن، همانطور که گفتم، این است که کمک می کند
181
00:07:20,000 –> 00:07:21,520
و مهم است، این یک
182
00:07:21,520 –> 00:07:23,680
گام بسیار مهم قبل از هر نوع
183
00:07:23,680 –> 00:07:25,520
یادگیری ماشینی یا وظیفه یادگیری عمیق است،
184
00:07:25,520 –> 00:07:28,160
بنابراین این یک مرحله بسیار مهم است،
185
00:07:28,160 –> 00:07:31,120
خوب و من می گویم که این بیشتر یک
186
00:07:31,120 –> 00:07:34,080
هنر است نه در علم، بنابراین
187
00:07:34,080 –> 00:07:36,319
وقتی می گویم هنری،
188
00:07:36,319 –> 00:07:38,400
آن را بیشتر به عنوان یک هنر در نظر بگیرید که به این معنی است که شما باید به این نکته توجه داشته
189
00:07:38,400 –> 00:07:41,440
باشید که چگونه باید
190
00:07:41,440 –> 00:07:43,280
داده ها را به درستی غواصی کنید.
191
00:07:43,280 –> 00:07:45,680
اسکریپتها
192
00:07:45,680 –> 00:07:47,039
وجود خواهند داشت،
193
00:07:47,039 –> 00:07:49,440
اما چشمان شما میدانند که به دنبال لغو
194
00:07:49,440 –> 00:07:51,360
آن دادهها یا نوع تحلیلی هستند که
195
00:07:51,360 –> 00:07:53,680
باید درست انجام دهید، بنابراین
196
00:07:53,680 –> 00:07:55,759
تجزیه و تحلیل دادههای اکتشافی این چیزی است
197
00:07:55,759 –> 00:07:58,560
که شما تصمیم میگیرید، بنابراین در اینجا من
198
00:07:58,560 –> 00:08:01,039
میگویم که بیشتر از آن است. هنر تا علم درست است،
199
00:08:01,039 –> 00:08:04,639
زیرا به شما اجازه میدهد که آه،
200
00:08:04,639 –> 00:08:06,000
اوه،
201
00:08:06,000 –> 00:08:09,039
زیرا به شما امکان میدهد اساساً
202
00:08:09,039 –> 00:08:11,919
بینشهای زیادی و
203
00:08:11,919 –> 00:08:14,960
داستانهای زیادی از دادههای خود ایجاد کنید، بنابراین ما
204
00:08:14,960 –> 00:08:16,639
دانشمندان دادهای را دوست داریم
205
00:08:16,639 –> 00:08:18,560
دانشمندان داده اطلاعات زیادی را حمل میکنند، من
206
00:08:18,560 –> 00:08:19,360
207
00:08:19,360 –> 00:08:21,840
میتوانم بگویم eda proc روشهایی از جمله
208
00:08:21,840 –> 00:08:24,319
آمار توصیفی پراکندگی
209
00:08:24,319 –> 00:08:27,120
همبستگیها درست است و تلاش برای یافتن هر گونه
210
00:08:27,120 –> 00:08:29,199
ناهنجاری، بنابراین یکی دیگر از نکات کلیدی
211
00:08:29,199 –> 00:08:31,199
pda است که اگر نوعی
212
00:08:31,199 –> 00:08:32,958
ناهنجاری دارید، اگر نوعی از
213
00:08:32,958 –> 00:08:34,479
نقاط دادهای از دست رفته وجود داشته باشد، این نیز
214
00:08:34,479 –> 00:08:36,799
چیزی است که ویرایش به ما اجازه میدهد تا در این مورد کمک کنیم.
215
00:08:36,799 –> 00:08:37,599
216
00:08:37,599 –> 00:08:40,958
در نهایت و به ما کمک میکند که
217
00:08:40,958 –> 00:08:42,719
اساساً
218
00:08:42,719 –> 00:08:46,320
سیگنالهایی تولید کنیم، میتوان گفت
219
00:08:46,320 –> 00:08:49,040
الگوهایی را نیز در
220
00:08:49,040 –> 00:08:51,040
دادههایم ایجاد میکنیم، بنابراین اساساً
221
00:08:51,040 –> 00:08:52,720
عناصر مهم یا مهمتر را
222
00:08:52,720 –> 00:08:54,640
کشف میکند که هر نوع طراحی یا
223
00:08:54,640 –> 00:08:57,040
اطلاعات داخلی را
224
00:08:57,040 –> 00:08:58,480
که از منظر مدلسازی مفید است، کشف کند.
225
00:08:58,480 –> 00:09:00,320
درست است، بنابراین اساساً
226
00:09:00,320 –> 00:09:02,000
شما را قادر میسازد
227
00:09:02,000 –> 00:09:04,160
بینش ایجاد کنید
228
00:09:04,160 –> 00:09:06,560
، داستانی قدرتمند داشته باشید و
229
00:09:06,560 –> 00:09:09,279
کل دادهها را خلاصه کنید و اساساً آنها را
230
00:09:09,279 –> 00:09:10,320
به
231
00:09:10,320 –> 00:09:12,399
مشتری یا
232
00:09:12,399 –> 00:09:14,560
به اعضای تیم خود منتقل کنید، بنابراین این همان چیزی است که
233
00:09:14,560 –> 00:09:17,120
ada در مورد آن است و من فکر میکنم در
234
00:09:17,120 –> 00:09:19,360
چرخه پروژه های علم داده یک
235
00:09:19,360 –> 00:09:22,560
چیز بسیار بسیار مهم است که
236
00:09:22,560 –> 00:09:25,200
در حال حاضر با آن بازی می کند، بنابراین اکنون فکر می کنم به
237
00:09:25,200 –> 00:09:27,360
اندازه کافی در مورد e صحبت کرده ایم.
238
00:09:27,360 –> 00:09:30,080
خب، بیایید سعی کنیم برخی از
239
00:09:30,080 –> 00:09:33,200
کدها را درست انجام دهیم، اما قبل از آن، بچه ها هر گونه سؤالی دارید
240
00:09:33,200 –> 00:09:37,839
و در این مورد بپرسید،
241
00:09:39,200 –> 00:09:42,240
242
00:09:43,680 –> 00:09:46,240
بسیار خوب، خب، بیایید
243
00:09:46,240 –> 00:09:48,880
اکنون
244
00:09:48,880 –> 00:09:51,360
روی شروع کدها
245
00:09:51,360 –> 00:09:52,720
کار کنیم،
246
00:09:52,720 –> 00:09:54,640
بنابراین مطمئن هستم که بسیاری از آنها از شما قبلاً
247
00:09:54,640 –> 00:09:55,360
از
248
00:09:55,360 –> 00:09:57,360
محیط پایتون آگاه هستید، بنابراین در اینجا کاری که
249
00:09:57,360 –> 00:09:59,279
من انجام میدهم این است که من
250
00:09:59,279 –> 00:10:01,600
دایرکتوریهای کاری را تنظیم میکنم و
251
00:10:01,600 –> 00:10:04,079
کتابخانهها از نظر
252
00:10:04,079 –> 00:10:06,560
اصول اولیهای که ما انجام میدهیم خوب هستند. از
253
00:10:06,560 –> 00:10:10,880
پانداها استفاده خواهیم کرد و همچنین از os uh
254
00:10:10,880 –> 00:10:12,240
استفاده خواهیم کرد که فقط برای تنظیم دایرکتوری کاری استفاده می شود تا
255
00:10:12,240 –> 00:10:14,160
256
00:10:14,160 –> 00:10:15,839
فایل های داده را بخوانیم
257
00:10:15,839 –> 00:10:19,120
برای خودمان eda بسیار خوب است، من
258
00:10:19,120 –> 00:10:22,000
از سه بسته مهم استفاده خواهم کرد
259
00:10:22,000 –> 00:10:24,720
، اولی با جزئیات بیشتر است.
260
00:10:24,720 –> 00:10:26,560
نمایه پانداها است و صفحه سوم
261
00:10:26,560 –> 00:10:29,360
همه اینها را به
262
00:10:29,360 –> 00:10:31,519
شما نشان خواهم داد.
263
00:10:31,519 –> 00:10:34,720
264
00:10:34,720 –> 00:10:37,120
265
00:10:37,120 –> 00:10:40,480
266
00:10:40,480 –> 00:10:43,360
تمام چیزی که
267
00:10:43,360 –> 00:10:46,079
من باید div کنم، باید یک نام مسیر ارائه کنم تا اینطور
268
00:10:46,079 –> 00:10:47,680
باشد آنچه من در اینجا داده ام، بنابراین نام قطعه
269
00:10:47,680 –> 00:10:48,480
270
00:10:48,480 –> 00:10:50,240
این است که اساساً مکانی است که
271
00:10:50,240 –> 00:10:52,160
272
00:10:52,160 –> 00:10:53,519
من می خواهم
273
00:10:53,519 –> 00:10:55,440
مجموعه داده های خود را درست داشته باشم
274
00:10:55,440 –> 00:10:57,519
و در
275
00:10:57,519 –> 00:11:00,880
اینجا داده هایی است که من از آنها
276
00:11:00,880 –> 00:11:03,600
در کل تجزیه و تحلیل خود استفاده خواهم کرد، بنابراین بیایید
277
00:11:03,600 –> 00:11:05,920
سعی کنیم این کار را انجام دهیم. آن و خواهید دید
278
00:11:05,920 –> 00:11:07,519
که شکل کل این داده ها چگونه است، بنابراین
279
00:11:07,519 –> 00:11:09,760
من حدود 816
280
00:11:09,760 –> 00:11:13,200
مشاهده و 17 ستون دارم،
281
00:11:13,200 –> 00:11:15,040
بنابراین یکی از اولین چیزی که ما می
282
00:11:15,040 –> 00:11:16,640
خواهیم همیشه ببینیم
283
00:11:16,640 –> 00:11:17,760
این است
284
00:11:17,760 –> 00:11:20,720
که ستون های داده های من چه هستند،
285
00:11:20,720 –> 00:11:22,399
بنابراین به ترتیب برای بررسی ستون های
286
00:11:22,399 –> 00:11:24,640
داده ها، من اساساً می توانم
287
00:11:24,640 –> 00:11:27,120
ipl dot df را انجام دهم که در این مورد چارچوب داده های من
288
00:11:27,120 –> 00:11:31,200
است و ستون ها را بررسی کنم،
289
00:11:31,200 –> 00:11:32,160
متاسفم،
290
00:11:32,160 –> 00:11:34,640
بنابراین وقتی من دارم، وقتی
291
00:11:34,640 –> 00:11:37,200
ستون ها را بررسی می کنم و اوه، اساساً
292
00:11:37,200 –> 00:11:39,440
تمام موارد را به من می دهد. پس دوباره تصور کنید
293
00:11:39,440 –> 00:11:41,680
بیایید بگوییم ما یک مجموعه داده عظیم
294
00:11:41,680 –> 00:11:43,040
داریم، بنابراین می توانیم به وضوح همه
295
00:11:43,040 –> 00:11:44,560
ستون های برنامه db را لیست کنیم، بنابراین چه ستون
296
00:11:44,560 –> 00:11:46,880
هایی در اینجا داریم، ما یک شناسه داریم
297
00:11:46,880 –> 00:11:48,959
که این شهر را داریم که در کدام شهر
298
00:11:48,959 –> 00:11:51,040
مطابقت دارد. بازی شد ما تاریخ را
299
00:11:51,040 –> 00:11:53,120
گرفتیم که بازیکن مسابقه را دریافت کردیم درست در
300
00:11:53,120 –> 00:11:55,279
استادیوم، اگر یک مکان بی طرف باشد یا
301
00:11:55,279 –> 00:11:57,600
نه، مانند یک صفر و یک
302
00:11:57,600 –> 00:11:58,639
است، بدیهی است که تیم هایی که شما در
303
00:11:58,639 –> 00:12:00,240
آنجا بازی می کنید،
304
00:12:00,240 –> 00:12:01,839
بدیهی است که همیشه دو تیم در
305
00:12:01,839 –> 00:12:03,440
مقابل یکدیگر بازی می کنند
306
00:12:03,440 –> 00:12:06,240
که برنده پرتاب است. یک
307
00:12:06,240 –> 00:12:07,680
موقعیت آموزش داده شده است که
308
00:12:07,680 –> 00:12:10,160
تصمیم لمسی درست چه کسی بوده و چه کسی
309
00:12:10,160 –> 00:12:12,079
برنده مسابقه است،
310
00:12:12,079 –> 00:12:13,680
چه نتیجه ای چه دونده یا
311
00:12:13,680 –> 00:12:16,240
ویکت بوده است، حاشیه نتیجه چقدر بوده است،
312
00:12:16,240 –> 00:12:19,200
بنابراین اگر با
313
00:12:19,200 –> 00:12:22,320
دویدن باشد، شوالیه سواران کلکته با چند دوند
314
00:12:22,880 –> 00:12:25,200
برنده مسابقه درست است اگر
315
00:12:25,200 –> 00:12:27,120
بد است چند ویکت برای مثال در
316
00:12:27,120 –> 00:12:29,680
این مورد کاملاً واضح است که داده های دهلی
317
00:12:29,680 –> 00:12:32,480
یک حذف کننده درست بود چه
318
00:12:32,480 –> 00:12:35,040
دور حذفی بود یا نه روش اوه من
319
00:12:35,040 –> 00:12:38,160
می گویم که دقیقاً مانند یک روش است
320
00:12:38,160 –> 00:12:40,720
اگر در ترسیم باشد. مسابقه یا داک ورث لوییس
321
00:12:40,720 –> 00:12:42,560
اوه و چیزهایی از این قبیل و
322
00:12:42,560 –> 00:12:44,480
بالاخره امپراتوری ها راست می گویند پس چه کسی
323
00:12:44,480 –> 00:12:46,399
در این مسابقه آسیب می رساند داده های بسیار
324
00:12:46,399 –> 00:12:49,279
جالبی از نظر dpnew
325
00:12:49,279 –> 00:12:51,600
تاریخ مسابقه بازی در یک محل بی طرف یا
326
00:12:51,600 –> 00:12:54,399
غیر تیم یک و تیم دو درست اوه اوه چه کسی
327
00:12:54,399 –> 00:12:56,320
بود چه کسی یک پرتاب بود وقتی چه
328
00:12:56,320 –> 00:12:58,160
تصمیمی پرتاب بود
329
00:12:58,160 –> 00:12:59,680
همچنین اوه
330
00:12:59,680 –> 00:13:01,680
چه کسی برنده مسابقه بود درست
331
00:13:01,680 –> 00:13:03,200
و اوه
332
00:13:03,200 –> 00:13:05,200
چه نتیجه ای داشت چه
333
00:13:05,200 –> 00:13:08,399
خفاش داخل اوه چه کسی که
334
00:13:08,399 –> 00:13:11,120
ضربه زد اولین نفر یا کسی که
335
00:13:11,120 –> 00:13:13,279
اولین مورد را درست وارد کرده است و به طور مشابه
336
00:13:13,279 –> 00:13:16,399
، حاشیه نتیجه چه بود، خوب است، بنابراین با
337
00:13:16,399 –> 00:13:20,079
این، بیایید سعی کنیم در حال حاضر نوعی
338
00:13:20,079 –> 00:13:21,440
339
00:13:21,440 –> 00:13:24,000
توصیفی در اطراف این موضوع داشته باشیم،
340
00:13:24,000 –> 00:13:26,959
بنابراین یک توصیفی اساسی که
341
00:13:26,959 –> 00:13:29,200
ما با هر ایده ای شروع می کنیم خوب این است
342
00:13:29,200 –> 00:13:31,360
که اطلاعات مربوط به هر مجموعه داده ای را بررسی کنید یا
343
00:13:31,360 –> 00:13:33,760
آنچه را که در مورد هر
344
00:13:33,760 –> 00:13:35,920
مجموعه داده ای می گوییم مشخص کنید، بنابراین در اینجا شما از قبل می دانید
345
00:13:35,920 –> 00:13:37,839
که ستون ها چیست، اما همچنین
346
00:13:37,839 –> 00:13:40,560
مهم است که اطلاعات اولیه را تجزیه و تحلیل کنید
347
00:13:40,560 –> 00:13:42,639
تا اطلاعات اولیه
348
00:13:42,639 –> 00:13:44,639
در مورد مجموعه داده ها از طریق استخراج شود.
349
00:13:44,639 –> 00:13:47,760
این ستون اطلاعات نقطهای خوب است، بنابراین
350
00:13:47,760 –> 00:13:50,079
در اینجا چگونه این را تجزیه و تحلیل کنیم،
351
00:13:50,079 –> 00:13:52,240
اساساً ما ستون را داریم و
352
00:13:52,240 –> 00:13:54,160
آنها آنها را درست نام
353
00:13:54,160 –> 00:13:56,320
میبرند تعداد عادی بچهها حساب غیر تهی
354
00:13:56,320 –> 00:13:58,880
به سادگی به این معنی است که تعداد بدون تهی است.
355
00:13:58,880 –> 00:14:00,880
مقادیر خوب است، بنابراین ما می دانیم که چند d
356
00:14:00,880 –> 00:14:03,680
چند ردیف داریم،
357
00:14:03,680 –> 00:14:06,240
تعداد کل ردیف هایی که داریم 816 سمت راست
358
00:14:06,240 –> 00:14:09,279
و 17 ستون است، بنابراین در این مورد
359
00:14:09,279 –> 00:14:11,519
می بینیم که اوه برای مواردی مانند ما
360
00:14:11,519 –> 00:14:14,880
816 داریم، در اینجا 816 داریم. و برای تعداد کمی از
361
00:14:14,880 –> 00:14:17,279
آنها
362
00:14:17,279 –> 00:14:19,279
363
00:14:19,279 –> 00:14:21,040
364
00:14:21,040 –> 00:14:23,120
365
00:14:23,120 –> 00:14:25,760
مشکلی وجود ندارد.
366
00:14:25,760 –> 00:14:28,800
در حال حاضر اساساً یک رشته نیست
367
00:14:28,800 –> 00:14:31,120
که چرا این این اطلاعات
368
00:14:31,120 –> 00:14:32,720
از منظر ada مهم است
369
00:14:32,720 –> 00:14:35,440
زیرا واقعاً شما را پایه گذاری
370
00:14:35,440 –> 00:14:37,680
می کند که خوب اینها متغیرهای عددی من هستند
371
00:14:37,680 –> 00:14:40,560
اینها متغیرهای رشته من هستند درست و
372
00:14:40,560 –> 00:14:43,760
چند مقدار عادی دارم.
373
00:14:43,760 –> 00:14:46,399
یکی از چیزهایی که فقط باید با این مورد بررسی شود
374
00:14:46,399 –> 00:14:50,399
این است که وقتی اطلاعات را در اختیار دارید،
375
00:14:50,399 –> 00:14:52,639
یکی از بررسیهای مهم که
376
00:14:52,639 –> 00:14:55,680
هر یک از کسانی که دادهها را تجزیه و تحلیل میکنند این
377
00:14:55,680 –> 00:14:58,560
است که بررسی کنیم چند مقدار تهی
378
00:14:58,560 –> 00:15:00,320
داریم که درست است، بنابراین این بسیار است.
379
00:15:00,320 –> 00:15:02,959
بخش بسیار مهم یک آدا و بدیهی است
380
00:15:02,959 –> 00:15:04,720
از آنجایی که ما از پایتون استفاده می کنیم، بنابراین این کار
381
00:15:04,720 –> 00:15:06,639
را درست انجام می دهیم، بنابراین چگونه می توانیم
382
00:15:06,639 –> 00:15:09,519
تعداد مقادیر از دست رفته در یک قاب داده را بررسی
383
00:15:09,519 –> 00:15:12,399
کنیم که به سادگی انجام می دهیم این است که مجموع نقطه صفر خوب است،
384
00:15:12,399 –> 00:15:14,399
بنابراین بیشترین تعداد مقادیر از دست رفته
385
00:15:14,399 –> 00:15:16,160
در اینجا کدام
386
00:15:16,160 –> 00:15:17,920
است، اساساً این روش است. به این معنی
387
00:15:17,920 –> 00:15:20,079
که اکثر مسابقاتی که
388
00:15:20,079 –> 00:15:22,320
اساسا بدون این روش انجام میشدند،
389
00:15:22,320 –> 00:15:24,560
درست و بدون یک روش سست صعودی، بنابراین
390
00:15:24,560 –> 00:15:26,639
حاشیه نتیجه شاید این تساویهای بد
391
00:15:26,639 –> 00:15:28,720
درست اوه، که وجود نداشت، اما
392
00:15:28,720 –> 00:15:30,880
بله و برای 13 ما
393
00:15:30,880 –> 00:15:33,600
شهرها را به خوبی نداریم. بنابراین،
394
00:15:33,600 –> 00:15:34,959
395
00:15:34,959 –> 00:15:36,320
396
00:15:36,320 –> 00:15:39,279
این اطلاعات دوباره به شما اجازه میدهد تا
397
00:15:39,279 –> 00:15:40,480
398
00:15:40,480 –> 00:15:41,440
399
00:15:41,440 –> 00:15:43,759
ایده بسیار خوبی در مورد تعداد
400
00:15:43,759 –> 00:15:45,600
مقادیر گمشده در یک داده خاص به دست آورید، این
401
00:15:45,600 –> 00:15:47,360
بسیار مهم میشود، مخصوصاً
402
00:15:47,360 –> 00:15:48,880
زمانی که تعداد زیادی
403
00:15:48,880 –> 00:15:51,360
مقادیر گمشده داشته باشیم و بتوانیم نوعی انجام دهیم.
404
00:15:51,360 –> 00:15:54,480
تجزیه و تحلیل انتساب مانند جایگزینی آن
405
00:15:54,480 –> 00:15:56,480
با میانگین یا حالت یا میانه
406
00:15:56,480 –> 00:15:58,959
بسته به نوع داده، بسیار خوب است، اما
407
00:15:58,959 –> 00:16:00,480
این اطلاعات بسیار
408
00:16:00,480 –> 00:16:01,519
حیاتی می شود،
409
00:16:01,519 –> 00:16:04,480
زیرا ما با فرآیند خوب شروع می کنیم،
410
00:16:04,480 –> 00:16:05,360
411
00:16:05,360 –> 00:16:06,560
412
00:16:06,560 –> 00:16:08,399
اکنون یک نه، من می گویم دستور پایه پانداها
413
00:16:08,399 –> 00:16:10,240
درست است، بنابراین این یک چیز دیگر است
414
00:16:10,240 –> 00:16:13,040
که ما می توانیم مورد
415
00:16:13,040 –> 00:16:15,120
دیگری را که
416
00:16:15,120 –> 00:16:17,920
از نظر نمایه سازی داده ها انجام می دهیم، تجزیه و تحلیل کنیم
417
00:16:17,920 –> 00:16:19,920
، دستور شرح داده شده بسیار خوب است، بنابراین من انجام خواهم
418
00:16:19,920 –> 00:16:22,000
داد، دو مورد از این موارد را به شما نشان خواهم داد. این است
419
00:16:22,000 –> 00:16:23,440
که می توانم بگویم یکی اساسی است
420
00:16:23,440 –> 00:16:26,160
توصیف کنید اکنون محدودیت
421
00:16:26,160 –> 00:16:28,800
توصیف پایه بسیار منظم به نظر می رسد آه
422
00:16:28,800 –> 00:16:31,440
این یک چارچوب داده است بچه ها اوه چه می گوید
423
00:16:31,440 –> 00:16:32,959
اساساً تعداد آن را
424
00:16:32,959 –> 00:16:34,639
به شما می دهد که میانگین انحراف استاندارد را به شما می
425
00:16:34,639 –> 00:16:37,600
دهد حداقل صدک 25
426
00:16:37,600 –> 00:16:40,639
صدک 50 70 اما صدک 55
427
00:16:40,639 –> 00:16:41,680
و حداکثر
428
00:16:41,680 –> 00:16:43,600
اوه و چیزهایی در مورد درآمد خنثی و
429
00:16:43,600 –> 00:16:46,160
حاشیه نتیجه درست است، بنابراین
430
00:16:46,160 –> 00:16:49,360
بیشتر این درونیات آه اکنون
431
00:16:49,360 –> 00:16:51,440
اینجا می آید که
432
00:16:51,440 –> 00:16:53,440
اوه من می گویم
433
00:16:53,440 –> 00:16:55,440
آه همه چیز را نمی توان خودکار کرد، پس
434
00:16:55,440 –> 00:16:57,360
همه چیز نمی تواند باشد.
435
00:16:57,360 –> 00:16:59,839
گفتن نمی تواند یک هوش مصنوعی خودکار باشد،
436
00:16:59,839 –> 00:17:02,160
زیرا
437
00:17:02,160 –> 00:17:03,920
یافتن بینش از این نتایج
438
00:17:03,920 –> 00:17:06,400
جایی است که نقش ما در آن خوب است،
439
00:17:06,400 –> 00:17:09,520
اکنون چیزهایی مانند این مانند اوه اوه، به
440
00:17:09,520 –> 00:17:10,559
عنوان مثال،
441
00:17:10,559 –> 00:17:13,039
اوه میانگین این بی طرفی
442
00:17:13,039 –> 00:17:15,520
درست است که منطقی به نظر نمی رسد،
443
00:17:15,520 –> 00:17:17,359
بنابراین آه
444
00:17:17,359 –> 00:17:19,760
یا مواردی شبیه به این، زیرا
445
00:17:19,760 –> 00:17:22,079
مکان خنثی صرفاً نشان دهنده این است که
446
00:17:22,079 –> 00:17:23,919
آیا یک منوی خنثی است
447
00:17:23,919 –> 00:17:26,720
یا نه و از
448
00:17:26,720 –> 00:17:28,640
این رو واقعاً نقش مهمی در آن بازی نمی کند.
449
00:17:28,640 –> 00:17:30,400
تمام این زمینه،
450
00:17:30,400 –> 00:17:32,320
چیزی که من سعی می کنم
451
00:17:32,320 –> 00:17:34,720
از طریق این نقطه ارتباط برقرار کنم، بچه ها این است که به هیچ وجه در هر
452
00:17:34,720 –> 00:17:36,880
جایی که تجزیه و تحلیل را انجام می دهید،
453
00:17:36,880 –> 00:17:39,200
زمانی که آدا را انجام می دهید، فقط
454
00:17:39,200 –> 00:17:41,039
کورکورانه باور نکنید که دستورات اعداد کورکورانه اعداد را گزارش نکنید.
455
00:17:41,039 –> 00:17:42,799
456
00:17:42,799 –> 00:17:44,960
میانگین معنای خنثی 0.09 است خوب
457
00:17:44,960 –> 00:17:47,360
این به چه معناست خوب است، آیا شما به
458
00:17:47,360 –> 00:17:50,640
فکر کلاه در سمت راست هستید و
459
00:17:50,640 –> 00:17:53,919
به عنوان مثال در اینجا ممکن است
460
00:17:53,919 –> 00:17:56,080
بهتر باشد که مقداری از مقدار به درستی محاسبه شود
461
00:17:56,080 –> 00:17:58,080
تا اینکه در چند
462
00:17:58,080 –> 00:18:00,160
مسابقه بازی شده باشد. یک مکان خنثی در
463
00:18:00,160 –> 00:18:02,080
مقابل تعداد بازیهایی که در
464
00:18:02,080 –> 00:18:04,799
12 دقیقه درست
465
00:18:04,799 –> 00:18:07,200
انجام نشدهاند، بنابراین باید همیشه این موارد را در نظر داشته باشید و
466
00:18:07,200 –> 00:18:10,080
فقط اعداد را تکرار نکنید، اوه
467
00:18:10,080 –> 00:18:12,480
من میگویم اعداد را کورکورانه گزارش ندهید،
468
00:18:12,480 –> 00:18:15,280
خوب این یکی یکی و بسیار
469
00:18:15,280 –> 00:18:18,480
مهم است. نکته ای در مورد eda بسیار خوب
470
00:18:18,480 –> 00:18:20,559
بدون درک اهمیت آن اعداد را کورکورانه گزارش
471
00:18:20,559 –> 00:18:23,679
نکنید،
472
00:18:23,679 –> 00:18:25,840
بنابراین مثالی که من در اینجا
473
00:18:25,840 –> 00:18:29,360
آوردم این منوی خنثی است که به طور مشابه
474
00:18:29,360 –> 00:18:32,559
در مورد این حاشیه نتیجه درست است،
475
00:18:32,559 –> 00:18:34,240
این نیز یک چیز کج است
476
00:18:34,240 –> 00:18:35,200
477
00:18:35,200 –> 00:18:37,120
زیرا چرا یک چیز کج است
478
00:18:37,120 –> 00:18:39,840
هر ایده که چرا ما نباید این
479
00:18:39,840 –> 00:18:42,160
اعداد را همانطور که
480
00:18:42,160 –> 00:18:46,480
هر ایده ای است بخوانیم و من از شما بچه ها می پرسم که
481
00:18:46,880 –> 00:18:49,840
چرا نباید حاشیه نتیجه را بخوانیم
482
00:18:49,840 –> 00:18:52,320
زیرا این
483
00:18:54,320 –> 00:18:57,280
سوالات افکار است من می خواهم شما بچه
484
00:18:57,280 –> 00:18:59,679
ها بسیار
485
00:18:59,679 –> 00:19:01,280
تعاملی باشید. فکر می کنم ما نباید
486
00:19:01,280 –> 00:19:04,080
این را تفسیر کنیم، می توانم بگویم میانگین یا
487
00:19:04,080 –> 00:19:07,120
انحراف معیار به عنوان یک آزمون
488
00:19:09,600 –> 00:19:13,039
um برخی از مقادیر گم شده وجود دارد، بله
489
00:19:13,039 –> 00:19:15,520
، اما یک عامل مهمتر
490
00:19:15,520 –> 00:19:17,760
در اینجا وجود دارد
491
00:19:20,640 –> 00:19:24,760
که به نظر شما چه چیزی را بچه ها
492
00:19:25,600 –> 00:19:29,280
هر حدس می زنند هر ایده ای دور از ذهن است،
493
00:19:29,280 –> 00:19:30,720
خوب
494
00:19:30,720 –> 00:19:35,400
چه چه ایده های دیگری آیا شما
495
00:19:40,240 –> 00:19:42,080
خوب هستید پس من دوباره به شما می گویم و
496
00:19:42,080 –> 00:19:44,080
اینجاست که می گویم
497
00:19:44,080 –> 00:19:47,360
اوه تجزیه و تحلیل جایگزینی برای
498
00:19:47,360 –> 00:19:50,720
اوه نیست، من می گویم عقل سلیم درست است،
499
00:19:50,720 –> 00:19:53,200
بنابراین اگر داده ها را
500
00:19:53,200 –> 00:19:57,120
درست می بینید اگر به سایت ما برگردید درست تنظیم کنید،
501
00:19:57,760 –> 00:20:00,000
بنابراین در این مورد اگر می بینید
502
00:20:00,000 –> 00:20:01,360
دو چیز وجود دارد
503
00:20:01,360 –> 00:20:03,679
یکی این که Uh اجرا می شود و دیگری
504
00:20:03,679 –> 00:20:04,880
wickets است،
505
00:20:04,880 –> 00:20:07,280
حالا وقتی میانگین این
506
00:20:07,280 –> 00:20:08,960
را می گیریم آیا فکر می کنید این کار
507
00:20:08,960 –> 00:20:11,120
درستی است که میانگین
508
00:20:11,120 –> 00:20:13,600
دویدن را
509
00:20:14,320 –> 00:20:17,360
انجام دهید و توسط مدافعان انجام دهید شما فکر می کنید این کار درستی است
510
00:20:17,840 –> 00:20:20,159
نه آقا نه درست است زیرا اینها
511
00:20:20,159 –> 00:20:21,840
بدیهی است که اینها واحدهای مختلف هستند.
512
00:20:21,840 –> 00:20:23,760
513
00:20:23,760 –> 00:20:27,039
514
00:20:27,039 –> 00:20:29,120
515
00:20:29,120 –> 00:20:31,039
516
00:20:31,039 –> 00:20:33,760
حاشیه بسیار بزرگتر از 33 اما پس از آن این
517
00:20:33,760 –> 00:20:36,080
در مقیاسی از اعداد
518
00:20:36,080 –> 00:20:37,840
بسیار کوچک می شود و این بسیار سبک می شود
519
00:20:37,840 –> 00:20:40,159
بسیار بالا درست است، بنابراین این
520
00:20:40,159 –> 00:20:41,520
چیزی است که من
521
00:20:41,520 –> 00:20:43,360
سعی می کنم بگویم هر زمان که از نظر
522
00:20:43,360 –> 00:20:44,880
یک آدا زمانی که شما زمانی که شما
523
00:20:44,880 –> 00:20:47,280
آن را برای یک پروژه انتخاب کنید، فقط
524
00:20:47,280 –> 00:20:49,200
اعداد را آنطور که هست باور نکنید و به همین دلیل است
525
00:20:49,200 –> 00:20:52,240
که تکرار می کنم
526
00:20:52,240 –> 00:20:54,640
فقط کورکورانه اعداد را گزارش ندهید، بنابراین
527
00:20:54,640 –> 00:20:56,240
اعداد می توانند فریبنده باشند و
528
00:20:56,240 –> 00:20:58,880
اینجاست که نقش شما خوب است، بنابراین در این مورد
529
00:20:58,880 –> 00:21:00,720
من نباید بگیرد این اعداد را همانطور که هست
530
00:21:00,720 –> 00:21:02,480
و شاید باید بیشتر در عمق آن غواصی کنم
531
00:21:02,480 –> 00:21:04,080
خوب به آن نکات می
532
00:21:04,080 –> 00:21:05,679
رسم و شاید به صورت خودکار به شما نشان دهم
533
00:21:05,679 –> 00:21:08,480
که چگونه این کار را انجام دهید خوب است
534
00:21:08,480 –> 00:21:10,000
اما
535
00:21:10,000 –> 00:21:12,720
اوه بیایید ببینیم من همچنین یکی دیگر از ویژگی های
536
00:21:12,720 –> 00:21:14,640
این کار را انجام دهم
537
00:21:14,640 –> 00:21:16,559
. خواستم خوب
538
00:21:16,559 –> 00:21:19,440
است بیایید ببینیم آیا میخواهم
539
00:21:19,440 –> 00:21:22,799
حق غیرعددی را نیز اضافه کنم، بنابراین
540
00:21:22,799 –> 00:21:24,080
هر زمان که میخواهید یک
541
00:21:24,080 –> 00:21:26,159
غیرعددی را وارد کنید، بنابراین باید این
542
00:21:26,159 –> 00:21:28,000
آرگومان اضافی را بنویسید که عبارت است
543
00:21:28,000 –> 00:21:30,640
با همه خوب است هر زمان که از
544
00:21:30,640 –> 00:21:32,240
include برابر است استفاده کنید. به همه، بنابراین اگر
545
00:21:32,240 –> 00:21:34,320
اینجا را ببینید، من فقط این دو متغیر UH را دارم
546
00:21:34,320 –> 00:21:36,159
که محل برگزاری خنثی است و به
547
00:21:36,159 –> 00:21:39,280
درستی نتیجه می دهد، بنابراین به طور پیش فرض پانداها
548
00:21:39,280 –> 00:21:40,960
دستوری را توصیف می کنند که
549
00:21:40,960 –> 00:21:43,919
تابع اصلی توصیفات شما در در
550
00:21:43,919 –> 00:21:46,720
پانداها است، آن را فقط برای
551
00:21:46,720 –> 00:21:48,320
غیر از عددی بسیار خوب است، اما اگر میخواهید
552
00:21:48,320 –> 00:21:51,360
برای همه متغیرهای uh درج کنید، در
553
00:21:51,360 –> 00:21:54,480
این صورت باید یکی از متغیرهای ok را وارد کنید،
554
00:21:54,480 –> 00:21:56,720
بنابراین در این صورت
555
00:21:56,720 –> 00:21:58,320
اطلاعات اضافی که
556
00:21:58,320 –> 00:21:59,840
بچهها در اینجا میبینید چه اطلاعاتی خواهید دید،
557
00:21:59,840 –> 00:22:02,080
اطلاعات اضافی که خواهید دید
558
00:22:02,080 –> 00:22:04,559
559
00:22:04,559 –> 00:22:06,159
560
00:22:06,159 –> 00:22:07,280
561
00:22:07,280 –> 00:22:08,720
562
00:22:08,720 –> 00:22:10,400
حتی ستونهای غیر عددی شناخته شده را نیز
563
00:22:10,400 –> 00:22:12,480
درست میزنند، به عنوان مثال
564
00:22:12,480 –> 00:22:15,120
بازیکن مسابقه، پس چه کسی
565
00:22:15,120 –> 00:22:18,240
بازیکن برتر مسابقه بوده است، لایههای avtv درست
566
00:22:18,240 –> 00:22:20,240
در چه محلی بوده است که بیشتر با آن بازی میشود.
567
00:22:20,240 –> 00:22:21,200
568
00:22:21,200 –> 00:22:24,640
30 uh hidden gardens درست است
569
00:22:24,640 –> 00:22:28,960
و 77 مسابقه از 816 مسابقه وجود داشت که
570
00:22:28,960 –> 00:22:30,640
در باغ های مخفی به طور مشابه از
571
00:22:30,640 –> 00:22:34,880
812 مسابقه انجام شد.
572
00:22:34,880 –> 00:22:37,200
573
00:22:37,200 –> 00:22:40,720
574
00:22:40,720 –> 00:22:43,280
تعداد
575
00:22:43,280 –> 00:22:46,640
توسپانای هندی های من که اوه
576
00:22:46,640 –> 00:22:49,600
چه نوع موجو نوع تصمیم متقابل
577
00:22:49,600 –> 00:22:52,080
بود که درست نمی
578
00:22:52,080 –> 00:22:54,159
کرد بیشترین تعداد برنده بود که
579
00:22:54,159 –> 00:22:57,360
توسط هندی ها شناخته شد باز هم بیشتر تعداد من می
580
00:22:57,360 –> 00:22:58,080
گویم
581
00:22:58,080 –> 00:23:00,960
اوه نتیجه آن بیشتر در
582
00:23:00,960 –> 00:23:03,120
شرایط بلیط و نه از
583
00:23:03,120 –> 00:23:04,880
نظر آه،
584
00:23:04,880 –> 00:23:07,919
من می گویم اوه درست اجرا می شود، بنابراین آنچه این
585
00:23:07,919 –> 00:23:10,799
نوع تحلیل درست می شود، این نوع
586
00:23:10,799 –> 00:23:13,520
تجزیه و تحلیل به سادگی
587
00:23:13,520 –> 00:23:16,559
آن هزینه را نشان می دهد که تیم هایی که
588
00:23:16,559 –> 00:23:17,679
589
00:23:17,679 –> 00:23:18,640
590
00:23:18,640 –> 00:23:21,360
ابتدا بازی کرده بودند. بنابراین آنها احساس می کنند
591
00:23:21,360 –> 00:23:23,360
افراد تیم هایی که در ابتدا کشته می شوند
592
00:23:23,360 –> 00:23:26,159
و همچنین از نظر نتایج به این معنی است
593
00:23:26,159 –> 00:23:27,919
594
00:23:27,919 –> 00:23:31,440
که اوه تیمی که اوم
595
00:23:31,440 –> 00:23:34,320
بود به آن داده شد اوه اوه می دانید یک
596
00:23:34,320 –> 00:23:36,559
اجرا یا jscore آنها نبودند. میتوانستند
597
00:23:36,559 –> 00:23:38,880
آن را به درستی تطبیق دهند تا زمین بخورند،
598
00:23:38,880 –> 00:23:40,960
جنگیدند، کسری داشتند و به
599
00:23:40,960 –> 00:23:44,000
همین دلیل درست باختند، بنابراین این بدان معناست
600
00:23:44,000 –> 00:23:46,000
که این نوع استنباط چه میدهد
601
00:23:46,000 –> 00:23:48,320
و اینجاست که باید سعی
602
00:23:48,320 –> 00:23:50,640
کنید داستانها را درست جمع کنید. بنابراین این به سادگی به این
603
00:23:50,640 –> 00:23:51,840
معنی است که
604
00:23:51,840 –> 00:23:53,440
605
00:23:53,440 –> 00:23:56,320
تیمهای من که
606
00:23:56,320 –> 00:23:58,000
دومی را
607
00:23:58,000 –> 00:24:01,039
به ثمر رساندند، تعداد بازیهای بیشتری را از دست دادند
608
00:24:01,039 –> 00:24:05,840
609
00:24:05,919 –> 00:24:07,679
610
00:24:07,679 –> 00:24:10,880
تا تیمهایی که دومی را
611
00:24:10,880 –> 00:24:12,799
شکست دادند.
612
00:24:12,799 –> 00:24:15,120
613
00:24:15,120 –> 00:24:18,320
ویکت های بیشتر در نتایج
614
00:24:18,320 –> 00:24:20,159
بسیار خوب است، بنابراین این نوع داستان ها است
615
00:24:20,159 –> 00:24:21,840
و این نوع بینش هایی است
616
00:24:21,840 –> 00:24:23,440
که می خواهید درست ایجاد کنید
617
00:24:23,440 –> 00:24:25,840
و نه فقط اعداد را گزارش کنید وقتی
618
00:24:25,840 –> 00:24:27,600
می گویم فقط اعداد را گزارش کنید مانند
619
00:24:27,600 –> 00:24:30,159
گفتن ساده
620
00:24:30,159 –> 00:24:33,200
بچهها، چه بچهها متداولترین چیز هستند یا
621
00:24:33,200 –> 00:24:35,120
برنده مثل هندیهای بمبئی و غیره
622
00:24:35,120 –> 00:24:37,600
و غیره
623
00:24:38,400 –> 00:24:40,480
با من بچهها، امیدوارم
624
00:24:40,480 –> 00:24:42,320
تا اینجا
625
00:24:42,320 –> 00:24:44,559
و حالا بیاید قسمت جالبتر
626
00:24:44,559 –> 00:24:47,840
،
627
00:24:48,640 –> 00:24:51,120
میتوانم بگویم میتوانیم این را با قطعیتتر
628
00:24:51,120 –> 00:24:52,159
ببینیم، بله، ما میتوانیم
629
00:24:52,159 –> 00:24:53,120
خوب
630
00:24:53,120 –> 00:24:55,120
و میتوانیم، همچنین میتوانیم
631
00:24:55,120 –> 00:24:56,559
خریدهای گروهی زیادی انجام دهیم و میتوانیم حسابهای ارزش زیادی
632
00:24:56,559 –> 00:24:59,039
را به درستی انجام دهیم، بنابراین من به شما نشان خواهم داد که
633
00:24:59,039 –> 00:25:02,320
در این مورد،
634
00:25:02,320 –> 00:25:04,799
مثلاً بیشترین
635
00:25:04,799 –> 00:25:06,799
تعداد Uh
636
00:25:06,799 –> 00:25:08,960
از مسابقات کدام است. درست است، بنابراین در این مورد
637
00:25:08,960 –> 00:25:10,960
خواهیم دید که اوه بیشترین تعداد
638
00:25:10,960 –> 00:25:14,480
مسابقاتی که من انجام دادم مربوط به
639
00:25:14,480 –> 00:25:16,960
باغ های عدن بوده است و سپس بازی های
640
00:25:16,960 –> 00:25:19,760
ferocious و سپس با یک حق دنبال می شود،
641
00:25:19,760 –> 00:25:21,840
بنابراین این به
642
00:25:21,840 –> 00:25:24,799
من تعداد بازی ها را می
643
00:25:24,799 –> 00:25:26,960
دهد. ارزش با خرید به درستی مکانها را بخرید
644
00:25:26,960 –> 00:25:29,600
و واقعاً
645
00:25:29,600 –> 00:25:32,240
تعداد مسابقات را توسط
646
00:25:32,240 –> 00:25:33,679
استادیومها محاسبه میکند، خوب
647
00:25:33,679 –> 00:25:36,480
حالا همه اینهایی که ما انجام دادهایم خوب
648
00:25:36,480 –> 00:25:38,400
همه کارهایی که انجام دادهایم بخشی
649
00:25:38,400 –> 00:25:43,120
از این است که میتوانم بگویم اوه پانداهای اولیه خوب حالا
650
00:25:43,120 –> 00:25:45,760
من به شما سه بسته مهم را می گویم
651
00:25:45,760 –> 00:25:47,840
بچههای ges و اینها خیلی مهم هستند
652
00:25:47,840 –> 00:25:49,440
وقتی میگویم بسته، اجازه دهید سعی کنم
653
00:25:49,440 –> 00:25:51,360
برای افرادی که ممکن است
654
00:25:51,360 –> 00:25:53,279
در مورد بستههای آب نباشند، بگویم بسته خوب،
655
00:25:53,279 –> 00:25:55,520
او آن را درک میکنند، مثل اینکه این یک
656
00:25:55,520 –> 00:25:57,760
روش خودکار برای انجام کاری در
657
00:25:57,760 –> 00:25:59,600
پایتون است، خوب است، بنابراین به شما یک
658
00:25:59,600 –> 00:26:01,200
قابلیتهای اضافه شده به شما
659
00:26:01,200 –> 00:26:03,520
انعطافپذیری بیشتری برای کار میدهد و اینها
660
00:26:03,520 –> 00:26:06,240
بسیار جالب هستند، میتوانم بگویم افزونههایی در
661
00:26:06,240 –> 00:26:08,880
هر زبان برنامهنویسی، پس چه
662
00:26:08,880 –> 00:26:11,039
پایتون ما هر دوی اینها
663
00:26:11,039 –> 00:26:13,200
مفهوم بستهها یا کتابخانهها را داشته باشند، بنابراین
664
00:26:13,200 –> 00:26:15,520
اینها مانند ابتدایی هستند. افزونههایی که
665
00:26:15,520 –> 00:26:18,240
میتوانند در بستهبندی برای جنگل تصادفی uh باشند،
666
00:26:18,240 –> 00:26:19,919
به طور مشابه میتوان آنها را برای
667
00:26:19,919 –> 00:26:20,720
668
00:26:20,720 –> 00:26:21,600
uh
669
00:26:21,600 –> 00:26:23,760
gbm و غیره و غیره بستهبندی کرد، بسیار خوب، بنابراین
670
00:26:23,760 –> 00:26:25,840
به طور مشابه یک تفاوت
671
00:26:25,840 –> 00:26:27,360
بین
672
00:26:27,360 –> 00:26:29,279
بستهها و کتابخانهها وجود دارد، آنها به نوعی
673
00:26:29,279 –> 00:26:30,559
مترادف هستند،
674
00:26:30,559 –> 00:26:34,480
اوکی پس اوه بنابراین در ما آنها را به عنوان
675
00:26:34,480 –> 00:26:36,840
کتابخانهها میخوانیم، در پایتون، آنها را بهعنوان
676
00:26:36,840 –> 00:26:40,080
بستههای اوکی میخوانیم، اما
677
00:26:40,080 –> 00:26:42,159
بیشتر آنها در اصل مترادف هستند.
678
00:26:42,159 –> 00:26:44,640
679
00:26:44,640 –> 00:26:47,279
680
00:26:47,279 –> 00:26:50,240
زبانهای روگرامینگ بسیار خوب،
681
00:26:55,760 –> 00:26:58,480
ما این دادهها را به اشتراک
682
00:26:58,480 –> 00:27:00,720
میگذاریم، بنابراین بسته اول و
683
00:27:00,720 –> 00:27:02,240
684
00:27:02,240 –> 00:27:04,480
اجازه دهید من واقعاً هسته را مجدداً راهاندازی کنم تا
685
00:27:04,480 –> 00:27:07,200
686
00:27:07,200 –> 00:27:09,679
687
00:27:09,679 –> 00:27:11,600
بتوانم خروجیها را به صورت زنده نشان دهم،
688
00:27:11,600 –> 00:27:13,840
689
00:27:14,799 –> 00:27:18,000
بله، بنابراین اولین بستهای که
690
00:27:18,000 –> 00:27:20,799
از نظر dda خودکار استفاده
691
00:27:20,799 –> 00:27:24,399
خواهیم کرد. بسیار خوب، جزئیات است خب
692
00:27:24,399 –> 00:27:25,840
جزئیات چیست،
693
00:27:25,840 –> 00:27:27,919
بنابراین یک جزئیات نوعی ترکیبی
694
00:27:27,919 –> 00:27:29,760
از یک فلاسک است و اوه
695
00:27:29,760 –> 00:27:31,760
، آن را مانند یک Ui نوعی چیز خوب است،
696
00:27:31,760 –> 00:27:33,919
بنابراین اساساً در فلاسک ساخته شده است،
697
00:27:33,919 –> 00:27:35,840
فلاسک اوه است،
698
00:27:35,840 –> 00:27:38,159
699
00:27:38,159 –> 00:27:40,799
پایان پایتون، بنابراین درست مانند
700
00:27:40,799 –> 00:27:43,440
یک موج کاربر پسند است، زیرا چگونه
701
00:27:43,440 –> 00:27:45,039
میخواهیم این کار را انجام دهیم، همانطور که معمولاً
702
00:27:45,039 –> 00:27:46,640
میخواستیم همیشه حلقههایی با این کلیک داشته
703
00:27:46,640 –> 00:27:48,399
باشیم که بتوانیم آنها را بکشیم و رها کنیم و
704
00:27:48,399 –> 00:27:50,399
بتوانیم چیزها را به درستی تجزیه و تحلیل
705
00:27:50,399 –> 00:27:53,440
کنیم. از این ها از پایتون
706
00:27:53,440 –> 00:27:55,520
درست است، بنابراین اگر می توانید بدانید که
707
00:27:55,520 –> 00:27:58,240
چنین تحلیلی انجام دهید، بنابراین جزئیات
708
00:27:58,240 –> 00:28:00,399
یک بسته مهم و قدرتمند است
709
00:28:00,399 –> 00:28:03,039
که به وسیله آن می توانید اساساً ساختار داده پانداهای خود را به طور
710
00:28:03,039 –> 00:28:05,520
711
00:28:05,520 –> 00:28:08,240
یکپارچه در یک نوع حالت رابط کاربری تجزیه و تحلیل کنید، بنابراین
712
00:28:08,240 –> 00:28:10,720
برای که نمایان متأسفانه شما باید جزئیات را وارد یا
713
00:28:10,720 –> 00:28:11,760
نصب کنید،
714
00:28:11,760 –> 00:28:14,240
بنابراین چگونه می توانید هر بسته ای را نصب کنید،
715
00:28:14,240 –> 00:28:16,080
بنابراین برای مرجع شما اجازه دهید
716
00:28:16,080 –> 00:28:18,880
من نیز بنویسم که در این uh
717
00:28:18,880 –> 00:28:20,720
در این نوت بوک من فقط آن را نظر می
718
00:28:20,720 –> 00:28:22,080
دهم زیرا آن را اجرا نمی کنم و قبلاً آن را اجرا کرده ام
719
00:28:22,080 –> 00:28:24,559
آن را نصب کردم بنابراین دستور
720
00:28:24,559 –> 00:28:27,279
نصب هر بسته به صورت pip
721
00:28:27,279 –> 00:28:29,039
نصب نام بسته است،
722
00:28:29,039 –> 00:28:31,039
بنابراین در این
723
00:28:31,039 –> 00:28:32,480
مورد بسته ای که من نصب می کنم
724
00:28:32,480 –> 00:28:33,520
جزئیات
725
00:28:33,520 –> 00:28:34,960
درست است، بنابراین
726
00:28:34,960 –> 00:28:36,480
727
00:28:36,480 –> 00:28:38,720
روشی که می توانیم آن را بنویسیم
728
00:28:38,720 –> 00:28:42,080
پیپ نصب شده است
729
00:28:42,080 –> 00:28:44,320
خوب، به این ترتیب می توانید هر بسته ای را نصب کنید.
730
00:28:44,320 –> 00:28:45,919
731
00:28:45,919 –> 00:28:48,080
بسیار خوب، پس وقتی این بسته را نصب کردید،
732
00:28:48,080 –> 00:28:50,159
واضح است که می توانید تمام توابع را
733
00:28:50,159 –> 00:28:52,240
از طریق این بسته اجرا کنید، بنابراین بیایید
734
00:28:52,240 –> 00:28:53,600
آن را اجرا کنیم و خواهید دید که این یک
735
00:28:53,600 –> 00:28:55,440
تابع بسیار ساده است، بنابراین فقط
736
00:28:55,440 –> 00:28:57,760
دو خط کد وجود دارد و خواهید دید
737
00:28:57,760 –> 00:28:58,480
که چگونه
738
00:28:58,480 –> 00:29:02,320
um من می گویم چقدر
739
00:29:02,320 –> 00:29:04,799
تجزیه و تحلیل قدرتمند می تواند خوب باشد،
740
00:29:04,799 –> 00:29:06,000
بنابراین دو خط کدی
741
00:29:06,000 –> 00:29:08,559
که اینجا نوشته ام کدامند، اول من فقط
742
00:29:08,559 –> 00:29:10,480
جزئیات را نشان می دهم و این
743
00:29:10,480 –> 00:29:13,120
قاب داده من است که قبلاً خوانده ام و
744
00:29:13,120 –> 00:29:15,039
دوم مثل اینکه دارم باز می کنم آی تی در یک
745
00:29:15,039 –> 00:29:17,919
مرورگر خوب است، بنابراین اجرای آن
746
00:29:17,919 –> 00:29:20,240
مانند دو یا شاید یک دقیقه طول
747
00:29:20,240 –> 00:29:21,919
می کشد،
748
00:29:21,919 –> 00:29:24,640
زیرا در backend سعی می
749
00:29:24,640 –> 00:29:26,720
کند توابع زیادی را اجرا
750
00:29:26,720 –> 00:29:28,799
کند، بسیاری از آن نمودارهای زیادی ایجاد می کند و
751
00:29:28,799 –> 00:29:30,960
اساساً ایجاد می کند. و یک نوع محیط رابط کاربری
752
00:29:30,960 –> 00:29:33,760
خوب است، بنابراین اکنون آنچه می بینید این است
753
00:29:33,760 –> 00:29:36,559
که یک محیط جدید را باز کرده است، بسیار
754
00:29:36,559 –> 00:29:38,399
خوب، یک محیط زبان کامل را باز کرده است،
755
00:29:38,399 –> 00:29:41,360
بنابراین بچه ها اینجا چه چیزی را می بینیم،
756
00:29:41,360 –> 00:29:44,320
بنابراین همه این داده ها را درست می بینیم، بنابراین
757
00:29:44,320 –> 00:29:46,080
وقتی به پایین اسکرول می کنیم می توانیم
758
00:29:46,080 –> 00:29:48,720
کل داده ها را درست مانند اکسل به سمت راست اسکرول
759
00:29:48,720 –> 00:29:50,880
کنیم تا بتوانیم اساساً شناسه ای را
760
00:29:50,880 –> 00:29:53,360
ببینیم که بازیکن تاریخ مسابقه
761
00:29:53,360 –> 00:29:55,760
را می بینیم و همچنین می توانیم اسکرول را دوست داشته باشیم
762
00:29:55,760 –> 00:29:56,799
از نظر
763
00:29:56,799 –> 00:29:59,279
اینکه این
764
00:29:59,279 –> 00:30:01,279
ویژگی ها چگونه هستند. مشابه
765
00:30:01,279 –> 00:30:02,880
اکسل
766
00:30:02,880 –> 00:30:03,840
767
00:30:03,840 –> 00:30:04,640
در حال حاضر
768
00:30:04,640 –> 00:30:07,120
من اکنون دارم، سعی می کنم
769
00:30:07,120 –> 00:30:09,279
ویژگی های کلیدی را به شما بگویم، خوب، در این جلسه نمی توان
770
00:30:09,279 –> 00:30:10,799
همه ویژگی ها را به شما گفت،
771
00:30:10,799 –> 00:30:12,559
اما سعی می کنم یکی از
772
00:30:12,559 –> 00:30:14,480
معدود ویژگی های کلیدی دیگر را ببینم، بنابراین اولین ویژگی ها چیست؟
773
00:30:14,480 –> 00:30:16,080
ویژگی کلیدی اولین ویژگی کلیدی
774
00:30:16,080 –> 00:30:18,559
برای هر colu چند دقیقه ای که می
775
00:30:18,559 –> 00:30:20,720
بینید این سه
776
00:30:20,720 –> 00:30:23,200
خط آبی نقطه چین را دارید، خوب است، پس اجازه دهید شاید
777
00:30:23,200 –> 00:30:26,159
بازیکن مسابقه را به شما نشان دهم خوب است
778
00:30:26,159 –> 00:30:29,039
و اجازه دهید فقط روی آن کلیک کنم خوب،
779
00:30:29,039 –> 00:30:30,799
بنابراین در اینجا خواهید دید
780
00:30:30,799 –> 00:30:32,640
که می توانید نوع داده
781
00:30:32,640 –> 00:30:34,720
آن را دریافت کنید.
782
00:30:34,720 –> 00:30:36,720
اگر
783
00:30:36,720 –> 00:30:38,320
میخواهید ستون را حذف کنید، میتوانید چند مقدار از دست رفته وجود داشته باشد، میتوانید آن را حذف کنید بسیار خوب،
784
00:30:38,320 –> 00:30:40,240
حتی میتوانید برای هر تکراری که
785
00:30:40,240 –> 00:30:42,240
میخواهید توصیف کنید، این مهمترین
786
00:30:42,240 –> 00:30:44,080
چیز است، بنابراین
787
00:30:44,080 –> 00:30:45,919
میتوانید آن را توصیف کنید و اجازه دهید به
788
00:30:45,919 –> 00:30:48,000
بعداً توضیح دهید و ابتدا
789
00:30:48,000 –> 00:30:49,520
میتوانم همچنین میتوانم اساساً
790
00:30:49,520 –> 00:30:52,320
اوکی را فیلتر کنم، بنابراین اگر میخواهم بگویم
791
00:30:52,320 –> 00:30:54,799
که مقادیر b
792
00:30:54,799 –> 00:30:56,799
uh را انجام دهیم،
793
00:30:56,799 –> 00:30:58,320
794
00:30:58,320 –> 00:31:01,279
بنابراین میتوانم همین
795
00:31:01,279 –> 00:31:04,080
الان کل این
796
00:31:04,080 –> 00:31:06,559
بسته را به درستی فیلتر کنم، بنابراین مانند یک
797
00:31:06,559 –> 00:31:10,159
اکسل است اما داخلی اوه، پایتون داخلی
798
00:31:10,159 –> 00:31:12,480
بسیار خوب است، بنابراین این بسته چقدر قدرتمند است
799
00:31:12,480 –> 00:31:14,799
، حالا که به آن باز می
800
00:31:14,799 –> 00:31:16,240
گردم، می گویم
801
00:31:16,240 –> 00:31:19,919
این شرح ستون خوب است، بنابراین برای این
802
00:31:19,919 –> 00:31:23,440
، شما به توصیف خوب بروید، بنابراین
803
00:31:23,440 –> 00:31:25,919
جزئیات کل اوکی به شما می دهد که
804
00:31:25,919 –> 00:31:27,600
تعداد ردیف های کل چند ردیف است. از دست رفته
805
00:31:27,600 –> 00:31:29,120
چند درصد است سن پرتکرارترین
806
00:31:29,120 –> 00:31:30,960
خط های روزمره از دست رفته چقدر است 23
807
00:31:30,960 –> 00:31:33,440
درست تعداد منحصر به فرد
808
00:31:33,440 –> 00:31:34,960
بازیکنان مسابقه 2
809
00:31:34,960 –> 00:31:37,200
33 همه چیز درست حداقل تعداد
810
00:31:37,200 –> 00:31:39,679
کاراکترهای متوسط و غیره و ا
811
00:31:39,679 –> 00:31:42,480
ه شما همچنین می توانید ردیف های منحصر به فرد را داشته باشید او
812
00:31:42,480 –> 00:31:45,120
صد نفر برتر متداول ترین، بنابراین ابد ویلر
813
00:31:45,120 –> 00:31:47,600
نفر بعدی ch gail
814
00:31:47,600 –> 00:31:48,559
rohit
815
00:31:48,559 –> 00:31:52,159
اوه، من فکر می کنم این روهیت شارما و داوونر اوه ام اس
816
00:31:52,159 –> 00:31:55,039
تونی واتسون است، درست همه
817
00:31:55,039 –> 00:31:55,840
آنها،
818
00:31:55,840 –> 00:31:58,880
ما همچنین می توانیم
819
00:31:58,880 –> 00:32:01,440
کلمه ارزش را ببینیم که اوکی است، بنابراین در اینجا در
820
00:32:01,440 –> 00:32:03,360
این مورد به عنوان مثال
821
00:32:03,360 –> 00:32:04,960
uh
822
00:32:04,960 –> 00:32:06,880
چیزی که ما میبینیم چیزی است که ما نیز میبینیم
823
00:32:06,880 –> 00:32:09,279
شبیه به مثال شرما است
824
00:32:09,279 –> 00:32:12,240
که در 31 مورد از آنها ظاهر میشود و
825
00:32:12,240 –> 00:32:14,960
بعد از آن uh و به دنبال آن ابد ویلیامز
826
00:32:14,960 –> 00:32:17,600
راست میشود، بنابراین من میتوانم اساساً تبدیل به یک
827
00:32:17,600 –> 00:32:20,799
نوع کامل از بستهبندی میشود، بنابراین من
828
00:32:20,799 –> 00:32:22,799
حتی میتوانم
829
00:32:22,799 –> 00:32:26,320
اوه شما میدانید که اوه و من میتوانم را انتخاب کنید، میتوانم
830
00:32:26,320 –> 00:32:28,399
تعداد منحصربهفرد را درست داشته باشم
831
00:32:28,399 –> 00:32:31,360
و میتوانم حتی تعداد را داشته باشم،
832
00:32:31,360 –> 00:32:32,799
بنابراین میتوانم اساساً
833
00:32:32,799 –> 00:32:35,600
با آن بازی کنم و حتی میتوانم
834
00:32:35,600 –> 00:32:37,279
میتوانم ارزشها را درست حساب کنم، بنابراین از نظر
835
00:32:37,279 –> 00:32:39,120
تعداد ارزشها میدانم که avd valu e
836
00:32:39,120 –> 00:32:41,279
در حال آمدن است در فرکانس 23
837
00:32:41,279 –> 00:32:43,279
یا در کل
838
00:32:43,279 –> 00:32:44,480
Uh این اتفاق می
839
00:32:44,480 –> 00:32:46,559
افتد، بنابراین حالا چه می توانم می توانم انجام دهم،
840
00:32:46,559 –> 00:32:47,919
چه چیزی سریع است که می توانم درست انجام دهم،
841
00:32:47,919 –> 00:32:51,120
بنابراین وقتی که من این را دارم یا
842
00:32:51,120 –> 00:32:53,039
اجازه دهید این چیز خاص را بگویم
843
00:32:53,039 –> 00:32:54,320
و اجازه دهید من
844
00:32:54,320 –> 00:32:58,320
شمارش ارزش ها را انتخاب کنید
845
00:32:58,320 –> 00:33:00,159
بله، فکر می کنم در حال حاضر ارزش
846
00:33:00,159 –> 00:33:03,519
شمارش شده است، بنابراین من اساساً می توانم
847
00:33:03,519 –> 00:33:06,880
کد را به درستی صادر کنم، حتی می توانم از آن یک
848
00:33:06,880 –> 00:33:09,120
اسکرین شات بگیرم و می توانم می
849
00:33:09,120 –> 00:33:11,120
توانم آن را در ارائه هایم به درستی قرار دهم
850
00:33:11,120 –> 00:33:13,279
تا همه تحلیلی را که میخواهم
851
00:33:13,279 –> 00:33:15,760
میتوانم تغییر دهم و میتوانم درست انجام دهم،
852
00:33:15,760 –> 00:33:17,679
بنابراین
853
00:33:17,679 –> 00:33:20,240
این پکیج خاص چقدر قدرتمند است،
854
00:33:20,240 –> 00:33:21,519
855
00:33:21,519 –> 00:33:23,679
بنابراین یکی از آنها درست است و بیایید
856
00:33:23,679 –> 00:33:28,080
سعی کنیم چیزی شبیه به یک برنده um toss ببینیم، خب
857
00:33:28,080 –> 00:33:29,679
858
00:33:29,679 –> 00:33:31,600
پس شما اینجا هستید خواهید دید که کدام است
859
00:33:31,600 –> 00:33:33,519
کدام است که بیشترین
860
00:33:33,519 –> 00:33:37,279
تعداد تیمی است که برنده بازی شده است،
861
00:33:37,600 –> 00:33:39,200
این بود که اساساً سرخپوستان بمبئی و سپس
862
00:33:39,200 –> 00:33:41,200
نویسندگان شوالیه بودند
863
00:33:41,200 –> 00:33:42,159
،
864
00:33:42,159 –> 00:33:44,559
بنابراین هر نوع تحلیل تک متغیره ای که
865
00:33:44,559 –> 00:33:46,480
می خواهید انجام دهید، اساساً می توانید این کار را
866
00:33:46,480 –> 00:33:48,799
از طریق آنها انجام دهید. ستون را چنین توصیف کرد
867
00:33:48,799 –> 00:33:52,679
بچه ها جالب نیست
868
00:33:53,840 –> 00:33:55,600
این
869
00:33:55,600 –> 00:33:59,919
یکی، امیدوارم چیز جدیدی برای همه باشد،
870
00:34:03,360 –> 00:34:06,399
حالا دوباره هر سوالی دارید به
871
00:34:06,399 –> 00:34:08,320
من بگویید خوب حالا یک چیز دیگر که من
872
00:34:08,320 –> 00:34:09,839
یک چیز کلیدی دیگر را نشان خواهم داد که یک
873
00:34:09,839 –> 00:34:12,000
چیز بسیار مهم در مورد جزئیات است،
874
00:34:12,000 –> 00:34:12,879
875
00:34:12,879 –> 00:34:14,800
بنابراین در این مورد اینجا هستم شما دوباره می بینید و
876
00:34:14,800 –> 00:34:16,879
دکمه بازی را می زنید اوکی 17
877
00:34:16,879 –> 00:34:19,119
چیست و این چیست اوه، 860 قانون اساسی وجود دارد،
878
00:34:19,119 –> 00:34:20,960
بنابراین
879
00:34:20,960 –> 00:34:24,239
وقتی این دکمه پخش را انجام می دهید خوب است، بنابراین
880
00:34:24,239 –> 00:34:26,159
چیزهای زیادی وجود دارد که
881
00:34:26,159 –> 00:34:27,760
در اینجا دارید