Anaconda adalah platform sains data untuk saintis data, profesional IT dan pemimpin perniagaan esok. Ia adalah sebaran Python , R , dll. Dengan lebih daripada 300 pakej untuk , ia menjadi salah satu platform terbaik untuk sebarang projek. Di dalam ini tutorial anaconda, kita akan membincangkan bagaimana kita boleh menggunakan anaconda untuk pengaturcaraan python. Berikut adalah topik yang dibincangkan dalam blog ini:
- Pengenalan kepada Anaconda
- Pemasangan Dan Persediaan
- Bagaimana Memasang Perpustakaan Python Di Anaconda?
- Pelayar Anaconda
- Kes pakai
Pengenalan kepada Anaconda
Anaconda adalah sebaran sumber terbuka untuk python dan R. Ia digunakan untuk sains data , , pembelajaran mendalam , dsb. Dengan adanya lebih daripada 300 perpustakaan untuk sains data, menjadi lebih optimum bagi mana-mana pengaturcara untuk mengerjakan anaconda untuk sains data.
Anaconda membantu dalam pengurusan dan penggunaan pakej yang dipermudahkan. Anaconda dilengkapi dengan pelbagai jenis alat untuk mengumpulkan data dari pelbagai sumber dengan mudah menggunakan pelbagai algoritma pembelajaran mesin dan AI. Ini membantu dalam mendapatkan penyediaan persekitaran yang mudah dikendalikan yang dapat menyebarkan projek apa pun dengan satu klik butang.
Sekarang kita tahu apa itu anaconda, mari kita cuba memahami bagaimana kita dapat memasang anaconda dan menyiapkan persekitaran untuk berfungsi pada sistem kita.
Pemasangan Dan Persediaan
Untuk memasang anaconda pergi ke https://www.anaconda.com/distribution/ .
Pilih versi yang sesuai untuk anda dan klik pada muat turun. Setelah selesai memuat turun, buka persediaan.
Ikuti arahan dalam persediaan. Jangan lupa klik add anaconda pada pemboleh ubah persekitaran jalan saya. Setelah pemasangan selesai, anda akan mendapat tetingkap seperti yang ditunjukkan dalam gambar di bawah.
Setelah menyelesaikan pemasangan, buka arahan dan ketik anaconda .
Anda akan melihat tetingkap seperti yang ditunjukkan dalam gambar di bawah.
Setelah kita mengetahui bagaimana menggunakan anaconda untuk python mari kita lihat bagaimana kita boleh memasang pelbagai perpustakaan di anaconda untuk sebarang projek.
Bagaimana Memasang Perpustakaan Python Di Anaconda?
Buka arahan anaconda dan periksa sama ada perpustakaan sudah dipasang atau tidak.
apa itu token java
Oleh kerana tidak ada modul bernama numpy yang hadir, kami akan menjalankan perintah berikut untuk memasang numpy.
Anda akan mendapat tetingkap yang ditunjukkan dalam gambar setelah anda menyelesaikan pemasangan.
Setelah anda memasang perpustakaan, cubalah mengimport modul sekali lagi untuk jaminan.
Seperti yang anda lihat, tidak ada kesalahan yang kami dapat pada awalnya, jadi ini adalah bagaimana kami dapat memasang pelbagai perpustakaan di anaconda.
Pelayar Anaconda
Anaconda Navigator adalah GUI desktop yang disertakan dengan pengedaran anaconda. Ini membolehkan kita melancarkan aplikasi dan menguruskan pakej konda, persekitaran dan tanpa menggunakan perintah baris perintah.
Use Case - Asas Python
Pemboleh ubah Dan Jenis Data
Pemboleh ubah dan jenis data adalah asas bagi sebarang bahasa pengaturcaraan. Python mempunyai 6 jenis data bergantung pada sifat yang mereka miliki. List, kamus, set, tuple, adalah jenis data pengumpulan dalam bahasa pengaturcaraan python.
Berikut adalah contoh untuk menunjukkan bagaimana pemboleh ubah dan jenis data digunakan dalam ular sawa.
#variasi deklarasi nama = 'Edureka' f = 1991 cetakan ('python ditubuhkan pada', f) #data jenis 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} cetak ('the list is', a) print ('kamus itu' , b) cetak ('tuple is', c) print ('the set is', d)Pengendali
Pengendali di Python digunakan untuk operasi antara nilai atau pemboleh ubah. Terdapat 7 jenis operator di python.
- Pengendali Tugasan
- Pengendali Aritmetik
- Pengendali Logik
- Pengendali Perbandingan
- Pengendali yang bijak
- Pengendali Keahlian
- Pengendali Identiti
Berikut adalah contoh dengan penggunaan beberapa operator di python.
struktur data dan algoritma dalam tutorial java
a = 10 b = 15 # cetakan operator aritmetik (a + b) cetakan (a - b) cetak (a * b) # pengendali penetapan a + = 10 cetakan (a) # operator perbandingan #a! = 10 #b == a # pengendali logik a> b dan a> 10 # ini akan kembali benar sekiranya kedua-dua pernyataan itu benar.
Pernyataan Kawalan
Penyataan seperti , break, terus digunakan sebagai pernyataan kawalan untuk mendapatkan kawalan terhadap pelaksanaan untuk hasil yang optimum. Kita boleh menggunakan pernyataan ini dalam pelbagai gelung di python untuk mengawal hasilnya. Berikut adalah contoh untuk menunjukkan bagaimana kita dapat bekerja dengan pernyataan kawalan dan bersyarat.
name = 'edureka' untuk i in name: if i == 'a': break another: print (i)
Fungsi
memberikan kebolehgunaan semula kod dengan cara yang cekap, di mana kita dapat menulis logik untuk penyataan masalah dan menjalankan beberapa argumen untuk mendapatkan penyelesaian yang optimum. Berikut ini adalah contoh bagaimana kita dapat menggunakan fungsi di python.
def func (a): mengembalikan cetakan ** a res = func (10) (res)
Kelas Dan Objek
Oleh kerana python menyokong pengaturcaraan berorientasikan objek, kita dapat bekerjasama kelas dan objek juga. Berikut adalah contoh bagaimana kita dapat bekerja dengan kelas dan objek di python.
class Parent: def func (self): print ('this is parent') class Child (Parent): def func1 (self): print ('this is child') ob = baru Anak () ob.func ()Ini adalah beberapa konsep asas dalam python untuk bermula. Sekarang bercakap mengenai sokongan pakej yang lebih besar di anaconda, kita dapat bekerja dengan banyak perpustakaan. Mari kita lihat bagaimana kita dapat menggunakan python anaconda untuk analisis data.
Kes Penggunaan - Analitis
Ini adalah langkah-langkah tertentu yang terlibat dalam . Mari kita lihat bagaimana analisis data berfungsi di anaconda dan pelbagai perpustakaan yang boleh kita gunakan.
Mengumpul data
The pengumpulan data semudah memuat fail CSV dalam program. Kemudian kita dapat menggunakan data yang relevan untuk menganalisis contoh atau entri tertentu dalam data. Berikut adalah kod untuk memuat data CSV dalam program.
import panda sebagai pd import numpy sebagai np import matplotlib.pyplot sebagai plt import seaborn sebagai sns df = pd.read_csv ('filename.csv') cetak (df.head (5))Menghiris Dan Memakan Daging
Setelah memuatkan set data dalam program, kita mesti menyaring data dengan beberapa perubahan seperti menghilangkan nilai nol dan bidang yang tidak perlu yang boleh menyebabkan kekaburan dalam analisis.
Berikut ini adalah contoh bagaimana kita dapat menyaring data mengikut keperluan.
print (df.isnull (). sum ()) # ini akan memberikan jumlah semua nilai null dalam set data. df1 = df.dropna (sumbu = 0, bagaimana = 'mana-mana') #ini akan menjatuhkan baris dengan nilai null.
Kita juga boleh menjatuhkan nilai nol.
Kotak Petak
sns.boxplot (x = df ['Julat Gaji Dari']) sns.boxplot (x = df ['Julat Gaji Ke'])
Plot bersepah
import matplotlib.pyplot sebagai plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Salary Range From'], df ['Salary Range To']) ax.set_xlabel ('Gaji Julat Dari ') ax.set_ylabel (' Julat Gaji KE ') plt.show ()
Visualisasi
Setelah kami mengubah data mengikut keperluan, perlu menganalisis data ini. Salah satu cara untuk melakukannya adalah dengan visualisasi hasilnya. Lebih baik membantu dalam analisis optimum unjuran data.
Berikut adalah contoh untuk memvisualisasikan data.
sns.countplot (x = 'Penunjuk Sepenuh Masa / Separuh Masa', data = df) sns.countplot (x = 'Penunjuk Sepenuh Masa / Separuh Masa', rona = 'Frekuensi Gaji', data = df) sns .countplot (hue = 'Penunjuk Sepenuh Masa / Separuh Masa', x = 'Jenis Pengeposan', data = df) df ['Julat Gaji Dari']. plot.hist () df ['Julat Gaji Ke']. plot.hist ()
import matplotlib.pyplot sebagai plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. tajuk ('Korelasi', fontsize = 5) plt.show ()Analisis
Selepas visualisasi, kita dapat membuat analisis dengan melihat pelbagai plot dan grafik. Misalkan kita sedang mengerjakan data pekerjaan, dengan melihat representasi visual pekerjaan tertentu di wilayah, kita dapat mengetahui jumlah pekerjaan dalam domain tertentu.
Dari analisis di atas, kita dapat mengandaikan hasil berikut
- Bilangan pekerjaan sambilan dalam kumpulan data sangat sedikit berbanding dengan pekerjaan sepenuh masa.
- sementara pekerjaan sambilan kurang dari 500, pekerjaan sepenuh masa lebih dari 2500.
- Berdasarkan analisis ini, Kami dapat membina sebuah model ramalan.
Dalam tutorial python anaconda ini, kita telah memahami bagaimana kita dapat menyediakan anaconda untuk python dengan kes penggunaan yang merangkumi asas-asas python, analisis data, dan pembelajaran mesin. Dengan lebih dari 300 pakej untuk sains data, anaconda memberikan sokongan yang optimum dengan hasil yang cekap. Untuk menguasai kemahiran anda dalam python mendaftar di Edureka's dan mulakan pembelajaran anda.
Ada sebarang pertanyaan? sebutkan dalam komen artikel ini mengenai ‘tutorial python anaconda’, dan kami akan menghubungi anda secepat mungkin.