Az Anaconda a holnap adatkutatóinak, informatikai szakembereinek és üzleti vezetőinek az adattudományi platformja. Ez a Piton , R stb. Több mint 300 csomaggal , ez az egyik legjobb platform minden projekt számára. Ebben anaconda bemutató, megbeszéljük, hogyan használhatjuk az anacondát a python programozásához. Az alábbiakban a blogban tárgyalt témák szerepelnek:
- Bevezetés az Anaconda-ba
- Telepítés és beállítás
- Hogyan telepítsünk Python könyvtárakat az Anaconda-ba?
- Anaconda Navigator
- Felhasználási eset
Bevezetés az Anaconda-ba
Az Anaconda egy nyílt forráskódú disztribúció a python és az R. számára adattudomány , , mély tanulás stb. A több mint 300 könyvtár rendelkezésre állásával az adattudomány számára meglehetősen optimális lesz minden programozó számára az adattudomány anakondáján dolgozni.
Az Anaconda segít az egyszerűsített csomagkezelésben és a telepítésben. Az Anaconda sokféle eszközzel rendelkezik, hogy a különböző gépi tanulási és mesterséges intelligencia-algoritmusok segítségével egyszerűen gyűjtsön adatokat különböző forrásokból. Segít a könnyen kezelhető környezeti beállítások elkészítésében, amely egyetlen projektre kattintva egyetlen projektet telepíthet.
Most, hogy tudjuk, mi az anakonda, próbáljuk megérteni, hogyan telepíthetjük az anakondát, és hogyan tudunk környezetet kialakítani a rendszereink működéséhez.
Telepítés és beállítás
Az anaconda telepítéséhez menjen a https://www.anaconda.com/distribution/ .
java script felbukkanó üzenet
Válasszon egy megfelelő verziót, és kattintson a letöltésre. A letöltés befejezése után nyissa meg a telepítést.
Kövesse a beállítás utasításait. Ne felejtsen el rákattintani az anakonda hozzáadása elemre az én környezeti változómban. A telepítés befejezése után kap egy ablakot, amely az alábbi képen látható.
A telepítés befejezése után nyissa meg az anaconda parancsot és írja be .
Megjelenik egy ablak, amely az alábbi képen látható.
Most, hogy tudjuk, hogyan kell az anakondát használni a pythonhoz, megnézhetjük, hogyan telepíthetünk különféle könyvtárakat az anakondába bármely projekthez.
Hogyan telepítsünk Python könyvtárakat az Anaconda-ba?
Nyissa meg az anaconda parancssort, és ellenőrizze, hogy a könyvtár már telepítve van-e.
Mivel nincs numpy nevű modul, ezért a következő parancsot futtatjuk a numpy telepítéséhez.
A telepítés befejezése után megkapja a képen látható ablakot.
Miután telepített egy könyvtárat, a biztonság kedvéért próbáljon meg újra importálni a modult.
Mint látható, nincs olyan hiba, amelyet az elején kaptunk volna, így így különféle könyvtárakat telepíthetünk az anakondába.
Anaconda Navigator
Az Anaconda Navigator egy asztali grafikus felhasználói felület, amely az anaconda disztribúcióval érkezik. Ez lehetővé teszi számunkra az alkalmazások elindítását és a conda csomagok, a környezet kezelését és a parancssori parancsok használata nélkül.
Felhasználási eset - Python alapjai
Változók és adattípusok
Változók és adattípusok bármely programozási nyelv építőkövei. A Pythonnak 6 adattípusa van a tőlük származó tulajdonságoktól függően. A lista, a szótár, a set, a tuple a gyűjtemény adattípusai a python programozási nyelven.
Az alábbiakban bemutatunk egy példát a változók és adattípusok használatának bemutatására a pythonban.
#változó deklaráció neve = 'Edureka' f = 1991 nyomtatás ('python alapítás éve', f) #adattípusok 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} print ('a lista van', a) print ('a szótár' , b) print ('a kettő van', c) print ('a készlet', d)Operátorok
Operátorok a Pythonban értékek vagy változók közötti műveletekre használják. A pythonban 7 típusú operátor létezik.
- Feladatkezelő
- Számtani operátor
- Logikai operátor
- Összehasonlító operátor
- Bit-bölcs Operátor
- Tagsági operátor
- Identity Operator
Az alábbiakban egy példát mutatunk be néhány operátor használatára a pythonban.
a = 10 b = 15 # aritmetikai operátor nyomtatás (a + b) nyomtatás (a - b) nyomtatás (a * b) # hozzárendelés operátor a + = 10 nyomtatás (a) # összehasonlító operátor # a! = 10 #b == A #logical operátor a> b és a> 10 #ez igazra tér vissza, ha mindkét állítás igaz.
Ellenőrzési nyilatkozatok
Nyilatkozatok, mint , break, folytatás vezérlő utasításként használják az optimális eredmények érdekében a végrehajtás irányításának megszerzésére. Ezeket az állításokat a python különböző ciklusaiban használhatjuk az eredmény ellenőrzésére. Az alábbiakban bemutatunk egy példát annak bemutatására, hogyan működhetünk a kontroll és a feltételes utasításokkal.
name = 'edureka' i-re a névben: ha i == 'a': break else: print (i)
Funkciók
hatékony módon biztosítsa a kód újrafelhasználhatóságát, ahol megírhatjuk a problémamegállapodás logikáját és néhány argumentumot futtathatunk az optimális megoldások megszerzéséhez. Az alábbiakban bemutatunk egy példát arra, hogyan használhatjuk a függvényeket a pythonban.
def func (a): adjon vissza egy ** a res = func (10) print (res)
Osztályok és tárgyak
Mivel a python támogatja az objektum-orientált programozást, ezzel együtt dolgozhatunk osztályok és tárgyak is. Az alábbiakban bemutatunk egy példát arra, hogyan működhetünk osztályokkal és objektumokkal a pythonban.
osztály Szülő: def func (self): print ('ez a szülő') class Child (Szülő): def func1 (self): print ('ez a gyermek') ob = new Child () ob.func ()Ez néhány alapvető fogalom a pythonban, hogy kezdjük. Most az anaconda nagyobb csomagtámogatásáról beszélve rengeteg könyvtárral dolgozhatunk együtt. Vizsgáljuk meg, hogyan használhatjuk a python anakondát az adatelemzéshez.
Case - Analytics használata
Ezek bizonyos lépések . Vizsgáljuk meg, hogyan működik az adatelemzés az anakondában és a különféle könyvtárakban, amelyeket felhasználhatunk.
Adatgyűjtés
Az adatgyűjtés olyan egyszerű, mint egy CSV fájl betöltése a programba. Ezután a releváns adatokat felhasználhatjuk az adatok egyes példányainak vagy bejegyzéseinek elemzésére. Az alábbiakban olvasható a CSV-adatok programba töltésének kódja.
import pandák, mint pd import számok, mint np import matplotlib.pyplot, mint plt import tengeri születésűek, mint sns df = pd.read_csv ('fájlnév.csv') nyomtatás (df.head (5))Szeletelés és kockára vágás
Miután betöltöttük az adatsort a programba, néhány változtatással szűrnünk kell az adatokat, például megszüntetjük a null értékeket és a felesleges mezőket, amelyek kétértelműséget okozhatnak az elemzésben.
Az alábbiakban bemutatunk egy példát arra, hogyan szűrhetjük az adatokat a követelményeknek megfelelően.
print (df.isnull (). sum ()) #ez adja meg az adatkészlet összes nullértékének összegét. df1 = df.dropna (tengely = 0, hogyan = 'bármilyen') #ez nullértékű sorokat dob le.
rendezési függvény c ++ - ban
Dobhatjuk a null értékeket is.
BoxPlot
sns.boxplot (x = df ['Fizetés tartománya']) sns.boxplot (x = df ['Fizetés tartománya'])
ScatterPlot
importálja a matplotlib.pyplot-t plt fig-ként, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Salary Range From'], df ['Salary Range To']) ax.set_xlabel ('Fizetés Tartomány kezdete ') ax.set_ylabel (' Fizetési tartomány TO ') plt.show ()
Megjelenítés
Miután megváltoztattuk az adatokat a követelményeknek megfelelően, elemeznünk kell ezeket az adatokat. Ennek egyik ilyen módja az eredmények vizualizálása. Jobb segít az adatvetítések optimális elemzésében.
Az alábbiakban bemutatunk egy példát az adatok vizualizálására.
sns.countplot (x = „Teljes munkaidős / részmunkaidős mutató”, adatok = df) sns.countplot (x = „Teljes munkaidős / részmunkaidős indikátor”, színárnyalat = „Fizetés gyakorisága”, adatok = df) sns .countplot (hue = 'Teljes munkaidős / részmunkaidős mutató', x = 'Feladat típusa, adatok = df) df [' Fizetés tartománya ']. plot.hist () df [' Fizetés tartománya ']. plot.hist ()
import matplotlib.pyplot mint plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. title ('Korreláció', fontsize = 5) plt.show ()Elemzés
A vizualizáció után elemzésünket elvégezhetjük a különféle grafikonok és grafikonok alapján. Tegyük fel, hogy a munkahelyi adatokon dolgozunk, ha egy régióban egy adott munka vizuális ábrázolását vizsgáljuk, ki tudjuk deríteni egy adott tartomány munkahelyeinek számát.
A fenti elemzés alapján a következő eredményeket tételezhetjük fel
- Az adatkészletben a részmunkaidős munkák száma nagyon kevés a teljes munkaidős munkákhoz képest.
- míg a részmunkaidős állások száma kevesebb, mint 500, a teljes munkaidős állások száma meghaladja a 2500-at.
- Ezen elemzés alapján Felépíthetjük a előrejelzési modell.
Ebben a python anakonda oktatóanyagban megértettük, hogyan állíthatjuk be az anakondát a python számára olyan felhasználási esetekkel, amelyek lefedték a python alapjait, az adatelemzést és a gépi tanulást. Több mint 300 adattudományi csomaggal az anaconda optimális támogatást nyújt hatékony eredményekkel. A pythonban való jártasság elsajátításához iratkozzon be az Edureka's-ba és indítsa el a tanulást.
Van kérdés? említse meg őket a „python anaconda tutorial” cikk megjegyzésében, és mi a lehető leghamarabb jelentkezünk.