Python Anaconda -opetusohjelma: kaikki mitä sinun tarvitsee tietää

Tämä artikkeli python-anakondan opetusohjelmasta auttaa sinua ymmärtämään, miten voit käyttää pythonia anakondassa python-perusteiden, analytiikan, ML / AI: n jne. Kanssa.

Anaconda on tietojenkäsittelyalusta tulevaisuuden datatieteilijöille, IT-ammattilaisille ja yritysjohtajille. Se on jakelu Python , R jne. Yli 300 pakkausta , siitä tulee yksi parhaista alustoista mille tahansa projektille. Tässä Anaconda-opetusohjelma, keskustelemme siitä, miten voimme käyttää anacondaa python-ohjelmoinnissa. Tässä blogissa käsitellään seuraavia aiheita:

Anacondan esittely

Anaconda on avoimen lähdekoodin jakelu pythonille ja R: lle. Sitä käytetään datatiede , , syvä oppiminen jne. Kun datatieteelle on käytettävissä yli 300 kirjastoa, jokaiselle ohjelmoijalle tulee melko optimaalinen työskennellä datatieteen anakondan parissa.



logo-python anaconda tutorial-edureka

Anaconda auttaa yksinkertaistetussa pakettien hallinnassa ja käyttöönotossa. Anacondan mukana tulee laaja valikoima työkaluja tietojen keräämiseen helposti eri lähteistä käyttämällä erilaisia ​​koneoppimisen ja tekoälyn algoritmeja. Se auttaa saamaan helposti hallittavan ympäristöasennuksen, joka voi ottaa minkä tahansa projektin käyttöön yhdellä napin painalluksella.

Nyt kun tiedämme mikä anaconda on, yritetään ymmärtää kuinka voimme asentaa anacondan ja luoda ympäristön toimimaan järjestelmissämme.

Asennus ja asennus

Asenna anaconda siirtymällä osoitteeseen https://www.anaconda.com/distribution/ .

Valitse sinulle sopiva versio ja napsauta Lataa. Kun olet suorittanut latauksen loppuun, avaa asennus.

Seuraa asennuksen ohjeita. Älä unohda napsauttaa Lisää anaconda polkuympäristömuuttujaani. Kun asennus on valmis, saat ikkunan, kuten alla olevassa kuvassa.

Kun asennus on valmis, avaa anaconda-kehote ja kirjoita .

Näet ikkunan, kuten alla olevassa kuvassa.

Nyt kun tiedämme kuinka anakondaa käytetään pythonissa, katsotaan miten voimme asentaa erilaisia ​​kirjastoja anakondaan mihin tahansa projektiin.

Kuinka asentaa Python-kirjastot Anacondaan?

Avaa anaconda-kehote ja tarkista, onko kirjasto jo asennettu vai ei.

Koska moduulia nimeltä numpy ei ole läsnä, suoritamme seuraavan komennon numpy: n asentamiseksi.

Saat kuvan osoittaman ikkunan, kun olet suorittanut asennuksen.

Kun olet asentanut kirjaston, yritä tuoda moduuli uudelleen varmuuden vuoksi.

Kuten näette, alussa ei ole virheitä, joten näin voimme asentaa erilaisia ​​kirjastoja anacondaan.

Anaconda Navigator

mikä on umpikujaan java

Anaconda Navigator on työpöydän käyttöliittymä, joka tulee anaconda-jakelun mukana. Sen avulla voimme käynnistää sovelluksia ja hallita condapaketteja, ympäristöä ja ilman komentorivikomentoja.

Käytä tapausta - Pythonin perusteet

Muuttujat ja tietotyypit

Muuttujat ja tietotyypit ovat minkä tahansa ohjelmointikielen rakennuspalikoita. Pythonilla on 6 tietotyyppiä heidän hallussaan olevista ominaisuuksista riippuen. Lista, sanakirja, set, tuple ovat kokoelmatietotyypit python-ohjelmointikielellä.

Seuraava on esimerkki siitä, kuinka muuttujia ja tietotyyppejä käytetään pythonissa.

mikä skanneriluokan menetelmä lukee merkkijonoa?
#muuttuvan ilmoituksen nimi = 'Edureka' f = 1991 print ('python perustettiin', f) # tietotyypit a = [1,2,3,4,5,6,7] b = {1: 'edureka' , 2: 'python'} c = (1,2,3,4,5) d = {1,2,3,4,5} tulosta ('luettelo on', a) tulosta ('sanakirja on' , b) tulosta ('tuple is', c) tulosta ('set is', d)

Operaattorit

Operaattorit Pythonissa käytetään arvojen tai muuttujien välisiin operaatioihin. Pythonissa on 7 operaattorityyppiä.

  • Tehtäväoperaattori
  • Aritmeettinen operaattori
  • Looginen operaattori
  • Vertailuoperaattori
  • Bit-viisas operaattori
  • Jäsenoperaattori
  • Identiteettioperaattori

Seuraava on esimerkki muutaman operaattorin käytöstä pythonissa.

a = 10 b = 15 # aritmeettinen operaattori tulosta (a + b) tulosta (a - b) tulosta (a * b) # määritysoperaattori a + = 10 tulosta (a) # vertailuoperaattori #a! = 10 #b == #logical -operaattori a> b ja a> 10 #tämä palauttaa true, jos molemmat lauseet ovat totta.

Ohjauslausunnot

Lausunnot kuten , break, jatka käytetään ohjauslausekkeena hallinnan suorittamiseen optimaalisten tulosten saavuttamiseksi. Voimme käyttää näitä lauseita pythonin eri silmukoissa tuloksen hallitsemiseksi. Seuraava on esimerkki siitä, miten voimme työskennellä ohjaus- ja ehdollisten lauseiden kanssa.

name = 'edureka' i: lle nimessä: jos i == 'a': tauko muu: tulosta (i)

Toiminnot

tarjota koodin uudelleenkäytettävyys tehokkaalla tavalla, jossa voimme kirjoittaa ongelma-lauseen logiikan ja suorittaa muutaman argumentin optimaalisten ratkaisujen saamiseksi. Seuraava on esimerkki siitä, miten voimme käyttää toimintoja pythonissa.

def func (a): palauta a ** a res = func (10) tulosta (res)

Luokat ja esineet

Koska python tukee olio-ohjelmointia, voimme työskennellä luokat ja esineet yhtä hyvin. Seuraava on esimerkki siitä, miten voimme työskennellä luokkien ja objektien kanssa pythonissa.

luokka Vanhempi: def func (itse): tulosta ('tämä on vanhempi') luokka Lapsi (Vanhempi): def funktio1 (itse): tulosta ('tämä on lapsi') ob = uusi lapsi () ob.func ()

Nämä ovat aluksi muutamia pythonin peruskäsitteitä. Nyt kun puhutaan suuremmasta pakettituesta anacondassa, voimme työskennellä monien kirjastojen kanssa. Katsotaanpa, kuinka voimme käyttää python-anakondaa tietojen analysointiin.

Käytä tapausta - Analytics

Nämä ovat tiettyjä vaiheita . Katsotaanpa, miten data-analyysi toimii anakondassa ja erilaisissa kirjastoissa, joita voimme käyttää.

Kerätä dataa

tietojen kerääminen on yhtä helppoa kuin ladata CSV-tiedosto ohjelmaan. Sitten voimme hyödyntää asiaankuuluvia tietoja analysoidaksemme tiettyjä esiintymiä tai merkintöjä tietoihin. Seuraava on koodi ladata CSV-tiedot ohjelmaan.

tuoda pandat pd-tuontinumerona np-tuonnina matplotlib.pyplot plt-tuonnina merisyntyneinä sns df = pd.read_csv ('tiedostonimi.csv') -tulostuksena (df.head (5))

Viipalointi ja kuutiointi

Kun olet ladannut tietojoukon ohjelmassa, meidän on suodatettava tiedot muutamalla muutoksella, kuten eliminoimalla null-arvot ja tarpeettomat kentät, jotka voivat aiheuttaa epäselvyyttä analyysissä.

Seuraava on esimerkki siitä, miten voimme suodattaa tiedot vaatimusten mukaan.

print (df.isnull (). sum ()) #tämä antaa kaikkien tietojoukon nolla-arvojen summan. df1 = df.dropna (akseli = 0, miten = mikä tahansa) #tämä pudottaa rivejä, joissa on nolla-arvot.

Voimme myös pudottaa nolla-arvot.

BoxPlot

sns.boxplot (x = df ['Palkka-alue alkaen']) sns.boxplot (x = df ['Palkka-alue)')

ScatterPlot

tuo matplotlib.pyplot plt-kuvana, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Salary Range From'], df ['Salary Range To']) ax.set_xlabel ('Palkka Alue ') ax.set_ylabel (' Palkka-alue TO ') plt.show ()

Visualisointi

Kun olemme muuttaneet tietoja vaatimusten mukaisesti, nämä tiedot on analysoitava. Yksi tällainen tapa tehdä tämä on visualisoida tulokset. Parempi auttaa optimoimaan dataennusteiden analyysin.

Seuraava on esimerkki tietojen visualisoimisesta.

sns.countplot (x = 'Kokopäiväinen / osa-aikainen indikaattori', data = df) sns.countplot (x = 'Kokopäiväinen / osa-aikainen indikaattori', sävy = 'Palkkataajuus', data = df) sns .countplot (hue = 'Kokopäiväinen / osa-aikainen indikaattori', x = 'Lähetystyyppi', data = df) df ['Palkka-alue']. ​​plot.hist () df ['Palkka-alue']. juoni.hist ()

tuo matplotlib.pyplot muodossa plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. title ('korrelaatio', fontsize = 5) plt.show ()

Analyysi

Visualisoinnin jälkeen voimme tehdä analyysimme tarkastelemalla erilaisia ​​kuvaajia ja kaavioita. Oletetaan, että työskentelemme työtietojen parissa, kun tarkastelemme tietyn työn visuaalista esitystä alueella, voimme selvittää työpaikkojen määrän tietyllä toimialueella.

Edellä esitetyn analyysin perusteella voimme olettaa seuraavat tulokset

  • Osa-aikatöiden määrä tietojoukossa on hyvin pieni verrattuna kokopäiväisiin työpaikkoihin.
  • osa-aikatyön määrä on alle 500, kokopäiväisen työpaikan määrä on kuitenkin yli 2500.
  • Tämän analyysin perusteella voimme rakentaa a ennustusmalli.

Tässä python-anakondan opetusohjelmassa olemme ymmärtäneet, kuinka voimme asettaa anakondan pythonille käyttötapauksilla, jotka kattivat python-perusteet, data-analyysin ja koneoppimisen. Anaconda tarjoaa yli 300 tietojenkäsittelypakettia ja tarjoaa optimaalisen tuen tehokkailla tuloksilla. Python-taitojesi hallitsemiseksi ilmoittaudu Edurekaan ja aloita oppiminen.

Onko kysymyksiä? mainitse ne tämän python anaconda tutorial -artikkelin kommenteissa, ja otamme sinuun yhteyttä mahdollisimman pian.