Anaconda este platforma științei datelor pentru oamenii de știință a datelor, profesioniștii IT și liderii de afaceri de mâine. Este o distribuție a Piton , R , etc. Cu mai mult de 300 de pachete pentru , devine una dintre cele mai bune platforme pentru orice proiect. In acest tutorialul anaconda, vom discuta despre modul în care putem folosi anaconda pentru programarea python. Următoarele sunt subiectele discutate în acest blog:
- Introducere în Anaconda
- Instalare și configurare
- Cum se instalează bibliotecile Python în Anaconda?
- Anaconda Navigator
- Utilizare caz
Introducere în Anaconda
Anaconda este o distribuție open-source pentru python și R. Este utilizată pentru știința datelor , , invatare profunda , etc. Cu disponibilitatea a peste 300 de biblioteci pentru știința datelor, devine destul de optim pentru orice programator să lucreze la anaconda pentru știința datelor.
Anaconda ajută la gestionarea și implementarea simplificată a pachetelor. Anaconda vine cu o mare varietate de instrumente pentru a colecta cu ușurință date din diverse surse, folosind diverse algoritmi de învățare automată și AI. Ajută la obținerea unei configurări de mediu ușor de gestionat, care poate implementa orice proiect printr-un singur clic.
Acum, că știm ce este anaconda, să încercăm să înțelegem cum putem instala anaconda și să configurăm un mediu care să funcționeze pe sistemele noastre.
Instalare și configurare
Pentru a instala anaconda accesați https://www.anaconda.com/distribution/ .
Alegeți o versiune potrivită pentru dvs. și faceți clic pe descărcare. După ce finalizați descărcarea, deschideți configurarea.
Urmați instrucțiunile din configurare. Nu uitați să faceți clic pe adăugați anaconda la variabila de mediu a căii mele. După finalizarea instalării, veți obține o fereastră așa cum se arată în imaginea de mai jos.
După terminarea instalării, deschideți promptul anaconda și tastați .
Veți vedea o fereastră ca în imaginea de mai jos.
Acum, că știm cum să folosim anaconda pentru python, aruncăm o privire asupra modului în care putem instala diverse biblioteci în anaconda pentru orice proiect.
Cum se instalează bibliotecile Python în Anaconda?
Deschideți promptul anaconda și verificați dacă biblioteca este deja instalată sau nu.
Deoarece nu există un modul numit numpy prezent, vom rula următoarea comandă pentru a instala numpy.
Veți obține fereastra afișată în imagine după finalizarea instalării.
După ce ați instalat o bibliotecă, încercați să importați din nou modulul pentru asigurare.
După cum puteți vedea, nu există nicio eroare pe care am primit-o la început, așa că așa putem instala diverse biblioteci în anaconda.
Anaconda Navigator
Anaconda Navigator este un GUI pentru desktop care vine cu distribuția anaconda. Ne permite să lansăm aplicații și să gestionăm pachete Conda, mediu și fără a utiliza comenzi din linia de comandă.
Utilizare - Fundamentele Python
Variabile și tipuri de date
Variabile și tipuri de date sunt elementele de bază ale oricărui limbaj de programare. Python are 6 tipuri de date în funcție de proprietățile pe care le posedă. Listă, dicționar, set, tuplu, sunt tipurile de date de colectare în limbajul de programare python.
Următorul este un exemplu pentru a arăta cum sunt utilizate variabilele și tipurile de date în python.
#variable statement name = 'Edureka' f = 1991 print ('python a fost fondat în', f) # tipuri de date 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 ('lista este', a) print ('dicționarul este' , b) print („tuplul este”, c) print („setul este”, d)Operatori
Operatori în Python sunt utilizate pentru operații între valori sau variabile. Există 7 tipuri de operatori în python.
- Operator de misiune
- Operator aritmetic
- Operator logic
- Operator de comparație
- Operator bit-înțelept
- Operator de membru
- Operator de identitate
Următorul este un exemplu cu utilizarea câtorva operatori în python.
a = 10 b = 15 #aritmetic operator print (a + b) print (a - b) print (a * b) #assignment operator a + = 10 print (a) #comparison operator #a! = 10 #b == a # operator logic a> b și a> 10 #acest lucru va reveni adevărat dacă ambele afirmații sunt adevărate.
Declarații de control
Declarații precum , break, continue sunt utilizate ca declarație de control pentru a obține controlul asupra execuției pentru rezultate optime. Putem folosi aceste declarații în diferite bucle din python pentru a controla rezultatul. Următorul este un exemplu pentru a arăta cum putem lucra cu instrucțiuni de control și condiționale.
name = 'edureka' pentru i în nume: if i == 'a': break else: print (i)
Funcții
oferim reutilizarea codului într-un mod eficient, unde putem scrie logica pentru o declarație de problemă și putem rula câteva argumente pentru a obține soluțiile optime. Următorul este un exemplu al modului în care putem folosi funcțiile în python.
def func (a): return a ** a res = func (10) print (res)
Clase și obiecte
Deoarece Python acceptă programarea orientată pe obiecte, putem lucra cu clase și obiecte de asemenea. Următorul este un exemplu de modul în care putem lucra cu clase și obiecte în python.
class Parent: def func (self): print ('this is parent') class Child (Parent): def func1 (self): print ('this is child') ob = new Child () ob.func ()Acestea sunt câteva concepte fundamentale în Python pentru a începe. Vorbind acum despre suportul mai mare pentru pachete în anaconda, putem lucra cu o mulțime de biblioteci. Să aruncăm o privire la modul în care putem folosi anaconda python pentru analiza datelor.
Utilizați caz - Analytics
Acestea sunt anumite etape implicate . Să aruncăm o privire asupra modului în care funcționează analiza datelor în anaconda și în diferite biblioteci pe care le putem folosi.
Colectarea datelor
colectarea datelor este la fel de simplu ca încărcarea unui fișier CSV în program. Apoi, putem folosi datele relevante pentru a analiza anumite instanțe sau intrări în date. Următorul este codul pentru încărcarea datelor CSV în program.
import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns df = pd.read_csv ('filename.csv') print (df.head (5))Feliere și tăiere
După ce încărcăm setul de date în program, trebuie să filtrăm datele cu câteva modificări, cum ar fi eliminarea valorilor nule și a câmpurilor inutile care pot cauza ambiguitate în analiză.
Următorul este un exemplu de modul în care putem filtra datele în funcție de cerințe.
print (df.isnull (). sum ()) #this va da suma tuturor valorilor nule din setul de date. df1 = df.dropna (axis = 0, how = 'any') #this va renunța la rânduri cu valori nule.
Putem renunța și la valorile nule.
BoxPlot
sns.boxplot (x = df ['Salary Range From']) sns.boxplot (x = df ['Salary Range To'])
ScatterPlot
import matplotlib.pyplot ca plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Salary Range From'], df ['Salary Range To']) ax.set_xlabel ('Salary Range From ') ax.set_ylabel (' Salary Range TO ') plt.show ()
Vizualizare
Odată ce am modificat datele în funcție de cerințe, este necesar să analizăm aceste date. Un astfel de mod de a face acest lucru este vizualizarea rezultatelor. O mai bună ajută la o analiză optimă a proiecțiilor datelor.
Următorul este un exemplu de vizualizare a datelor.
sns.countplot (x = 'Indicator full-time / part-time', date = df) sns.countplot (x = 'Indicator full-time / part-time', nuanță = 'Frecvența salariului', date = df) sns .countplot (hue = 'Indicator full-time / part-time', x = 'Tip de înregistrare', date = df) df ['Salary Range From']. plot.hist () df ['Salary Range To']. plot.hist ()
import matplotlib.pyplot as plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. title („Corelație”, dimensiunea fontului = 5) plt.show ()
diferența dintre supraîncărcarea metodei și suprascrierea metodei
Analiză
După vizualizare, putem face analiza analizând diversele grafice și grafice. Să presupunem că lucrăm la date despre locuri de muncă, analizând reprezentarea vizuală a unui anumit loc de muncă într-o regiune, putem stabili numărul de locuri de muncă într-un anumit domeniu.
Din analiza de mai sus, putem presupune următoarele rezultate
- Numărul de joburi cu fracțiune de normă din setul de date este foarte mic în comparație cu joburile cu normă întreagă.
- în timp ce locurile de muncă cu jumătate de normă sunt mai mici de 500, locurile de muncă cu normă întreagă sunt mai mari de 2500.
- Pe baza acestei analize, putem construi un model de predicție.
În acest tutorial Python Anaconda, am înțeles cum putem configura anaconda pentru Python cu cazuri de utilizare care acoperă fundamentele Python, analiza datelor și învățarea automată. Cu peste 300 de pachete pentru știința datelor, anaconda oferă suport optim cu rezultate eficiente. Pentru a-ți stăpâni abilitățile în python, înscrie-te la Edureka și începeți învățarea.
Aveți întrebări? menționați-le în comentariile acestui articol despre „tutorialul python anaconda” și vă vom răspunde cât mai curând posibil.