Anaconda to platforma do nauki danych dla naukowców zajmujących się danymi, specjalistów IT i liderów biznesu jutra. To jest dystrybucja Pyton , R itp. Ponad 300 pakietów dla , staje się jedną z najlepszych platform dla każdego projektu. W tym samouczek anaconda, omówimy, jak możemy używać anacondy do programowania w języku Python. Poniżej znajdują się tematy omówione na tym blogu:
- Wprowadzenie do Anakondy
- Instalacja i konfiguracja
- Jak zainstalować biblioteki Python w Anaconda?
- Anaconda Navigator
- Przypadek użycia
Wprowadzenie do Anakondy
Anaconda to dystrybucja typu open source dla języków Python i R. Służy do nauka o danych , , głęboka nauka itd. Dzięki dostępności ponad 300 bibliotek do nauki o danych, praca nad anakondą do nauki o danych staje się dość optymalna dla każdego programisty.
Anaconda pomaga w uproszczonym zarządzaniu pakietami i wdrażaniu. Anaconda zawiera szeroką gamę narzędzi do łatwego zbierania danych z różnych źródeł przy użyciu różnych algorytmów uczenia maszynowego i sztucznej inteligencji. Pomaga w uzyskaniu łatwej w zarządzaniu konfiguracji środowiska, które umożliwia wdrożenie dowolnego projektu za pomocą jednego kliknięcia.
Teraz, gdy wiemy, czym jest anakonda, spróbujmy zrozumieć, jak możemy zainstalować anakondę i skonfigurować środowisko do pracy w naszych systemach.
Instalacja i konfiguracja
Aby zainstalować anacondę, przejdź do https://www.anaconda.com/distribution/ .
Wybierz odpowiednią dla siebie wersję i kliknij pobierz. Po zakończeniu pobierania otwórz plik setup.
Postępuj zgodnie z instrukcjami instalacji. Nie zapomnij kliknąć opcji dodaj anakondę do zmiennej środowiskowej mojej ścieżki. Po zakończeniu instalacji pojawi się okno pokazane na poniższym obrazku.
Po zakończeniu instalacji otwórz znak zachęty anaconda i wpisz .
Zobaczysz okno takie jak na poniższym obrazku.
Teraz, gdy wiemy, jak używać anacondy dla Pythona, przyjrzyjmy się, jak możemy zainstalować różne biblioteki w anaconda dla dowolnego projektu.
Jak zainstalować biblioteki Python w Anaconda?
Otwórz monit anaconda i sprawdź, czy biblioteka jest już zainstalowana, czy nie.
python co to jest __init__
Ponieważ nie ma modułu o nazwie numpy, uruchomimy następujące polecenie, aby zainstalować numpy.
Po zakończeniu instalacji pojawi się okno pokazane na obrazku.
Po zainstalowaniu biblioteki po prostu spróbuj ponownie zaimportować moduł, aby mieć pewność.
Jak widać, nie ma błędu, który otrzymaliśmy na początku, więc w ten sposób możemy zainstalować różne biblioteki w anaconda.
Anaconda Navigator
Anaconda Navigator to graficzny interfejs użytkownika, który jest dostarczany z dystrybucją anaconda. Pozwala nam uruchamiać aplikacje i zarządzać pakietami Conda, środowiskiem i bez użycia poleceń wiersza poleceń.
Przykład zastosowania - podstawy języka Python
Zmienne i typy danych
Zmienne i typy danych są elementami składowymi każdego języka programowania. Python ma 6 typów danych w zależności od posiadanych właściwości. Lista, słownik, zbiór, krotka to typy danych kolekcji w języku programowania Python.
Poniżej znajduje się przykład pokazujący, jak zmienne i typy danych są używane w Pythonie.
#variable nazwa deklaracji = 'Edureka' f = 1991 print ('python został założony w', f) # typy danych 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 to', a) print ('słownik to' , b) print ('the tuple is', c) print ('the set is', d)
Operatorzy
Operatory w Pythonie są używane do operacji między wartościami lub zmiennymi. W Pythonie istnieje 7 typów operatorów.
- Operator przypisania
- Operator arytmetyczny
- Operator logiczny
- Operator porównania
- Operator bitowy
- Operator członkostwa
- Operator tożsamości
Poniżej znajduje się przykład z użyciem kilku operatorów w Pythonie.
a = 10 b = 15 # operator arytmetyczny print (a + b) print (a - b) print (a * b) # Operator przypisania a + = 10 print (a) # Operator porównania #a! = 10 #b == # operator logiczny a> b i a> 10 # zwróci prawdę, jeśli obie instrukcje są prawdziwe.
Oświadczenia kontrolne
Oświadczenia takie jak , break, continue są używane jako instrukcja sterująca w celu uzyskania kontroli nad wykonywaniem w celu uzyskania optymalnych wyników. Możemy użyć tych instrukcji w różnych pętlach w Pythonie do kontrolowania wyniku. Poniżej znajduje się przykład pokazujący, jak możemy pracować z instrukcjami sterującymi i warunkowymi.
name = 'edureka' for i in name: if i == 'a': break else: print (i)
Funkcje
zapewniają możliwość ponownego wykorzystania kodu w efektywny sposób, w którym możemy napisać logikę dla instrukcji problemu i uruchomić kilka argumentów, aby uzyskać optymalne rozwiązania. Poniżej znajduje się przykład tego, jak możemy używać funkcji w Pythonie.
def func (a): return a ** a res = func (10) print (res)
Klasy i obiekty
Ponieważ Python obsługuje programowanie obiektowe, możemy pracować z klasy i obiekty także. Poniżej znajduje się przykład tego, jak możemy pracować z klasami i obiektami w Pythonie.
class Parent: def func (self): print ('this is parent') class Child (Parent): def func1 (self): print ('this is child') ob = new Child () ob.func ()
Oto kilka podstawowych pojęć w Pythonie na początek. Mówiąc teraz o obsłudze większych pakietów w anaconda, możemy pracować z wieloma bibliotekami. Przyjrzyjmy się, jak możemy użyć anakondy Pythona do analizy danych.
Przykład zastosowania - analityka
Są to pewne etapy . Przyjrzyjmy się, jak działa analiza danych w anakondzie i różnych bibliotekach, których możemy użyć.
Zbieranie danych
Plik kolekcja danych jest tak proste, jak załadowanie pliku CSV do programu. Następnie możemy wykorzystać odpowiednie dane do analizy poszczególnych instancji lub wpisów w danych. Poniżej znajduje się kod do załadowania danych CSV w programie.
import pandy 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))
Krojenie i kostkowania
Po załadowaniu zestawu danych do programu musimy przefiltrować dane z kilkoma zmianami, takimi jak wyeliminowanie wartości zerowych i niepotrzebnych pól, które mogą powodować niejednoznaczność w analizie.
Poniżej znajduje się przykład tego, jak możemy filtrować dane zgodnie z wymaganiami.
print (df.isnull (). sum ()) # zwróci sumę wszystkich wartości null w zbiorze danych. df1 = df.dropna (axis = 0, how = 'any') # to usunie wiersze z wartościami null.
Możemy również usunąć wartości null.
BoxPlot
sns.boxplot (x = df ['Zakres wynagrodzenia od']) sns.boxplot (x = df ['Zakres wynagrodzenia do'])
jak znaleźć największą liczbę w tablicy java
Wykres punktowy
import matplotlib.pyplot as plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Salary Range From'], df ['Salary Range To']) ax.set_xlabel ('Salary Zakres od ') ax.set_ylabel (' Zakres wynagrodzenia DO ') plt.show ()
Wyobrażanie sobie
Po zmianie danych zgodnie z wymaganiami konieczna jest analiza tych danych. Jednym z takich sposobów jest wizualizacja wyników. Lepiej pomaga w optymalnej analizie prognoz danych.
Poniżej znajduje się przykład wizualizacji danych.
sns.countplot (x = 'Wskaźnik pełnego / niepełnego etatu', data = df) sns.countplot (x = 'Wskaźnik pełnego / niepełnego etatu', hue = 'Częstotliwość wynagrodzeń', dane = df) sns .countplot (hue = 'Wskaźnik pełnego / niepełnego etatu', x = 'Typ księgowania', data = df) df ['Zakres wynagrodzenia od']. plot.hist () df ['Zakres wynagrodzenia do']. 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 ('Korelacja', fontsize = 5) plt.show ()
Analiza
Po wizualizacji możemy dokonać analizy, patrząc na różne wykresy i wykresy. Załóżmy, że pracujemy nad danymi o ofertach pracy, patrząc na wizualną reprezentację określonej pracy w regionie, możemy określić liczbę miejsc pracy w określonej domenie.
Z powyższej analizy możemy założyć następujące wyniki
- Liczba miejsc pracy w niepełnym wymiarze godzin w zbiorze danych jest znacznie mniejsza w porównaniu z pracą w pełnym wymiarze godzin.
- podczas gdy praca w niepełnym wymiarze godzin wynosi mniej niż 500, praca w pełnym wymiarze godzin to ponad 2500.
- Na podstawie tej analizy możemy zbudować model prognozowania.
W tym samouczku dotyczącym anakondy Pythona zrozumieliśmy, jak możemy skonfigurować anakondę dla języka Python za pomocą przypadków użycia, które obejmowały podstawy języka Python, analizę danych i uczenie maszynowe. Dzięki ponad 300 pakietom do nauki o danych, anaconda zapewnia optymalne wsparcie i wydajne wyniki. Aby doskonalić swoje umiejętności w Pythonie, zarejestruj się w Edureka i rozpocznij naukę.
Jakieś pytania? wspomnij o nich w komentarzach do tego artykułu na temat „samouczka Python Anaconda”, a skontaktujemy się z Tobą tak szybko, jak to możliwe.