Anaconda е платформата за наука за данни за учените по данни, IT специалисти и бизнес лидери от утрешния ден. Това е разпределение на Python , R и др. С повече от 300 пакета за , той се превръща в една от най-добрите платформи за всеки проект. В това anaconda tutorial, ще обсъдим как можем да използваме anaconda за програмиране на python. Следват темите, обсъдени в този блог:
- Въведение в Anaconda
- Инсталиране и настройка
- Как да инсталирам библиотеки на Python в Anaconda?
- Anaconda Navigator
- Случай за употреба
Въведение в Anaconda
Anaconda е дистрибуция с отворен код за python и R. Използва се за наука за данни , , дълбоко обучение и т.н. С наличието на повече от 300 библиотеки за наука за данни, става доста оптимално за всеки програмист да работи по анаконда за наука за данни.
Anaconda помага за опростено управление и внедряване на пакети. Anaconda се предлага с голямо разнообразие от инструменти за лесно събиране на данни от различни източници, използвайки различни машинно обучение и алгоритми на AI. Той помага за получаването на лесно управляема настройка на средата, която може да разположи всеки проект с едно щракване на един бутон.
След като вече знаем какво е анаконда, нека се опитаме да разберем как можем да инсталираме анаконда и да създадем среда, която да работи в нашите системи.
Инсталиране и настройка
За да инсталирате anaconda, отидете на https://www.anaconda.com/distribution/ .
разлика между интерфейс и клас
Изберете подходяща за вас версия и кликнете върху изтегляне. След като завършите изтеглянето, отворете настройката.
Следвайте инструкциите в настройката. Не забравяйте да кликнете върху добавяне на анаконда към променливата на моята среда на пътя. След като инсталацията приключи, ще получите прозорец, както е показано на изображението по-долу.
След приключване на инсталацията отворете подкана за анаконда и въведете .
Ще видите прозорец, както е показано на изображението по-долу.
Сега, когато знаем как да използваме anaconda за python, нека да разгледаме как можем да инсталираме различни библиотеки в anaconda за всеки проект.
Как да инсталирам библиотеки на Python в Anaconda?
Отворете подкана за анаконда и проверете дали библиотеката вече е инсталирана или не.
Тъй като няма модул с име numpy, ще изпълним следната команда, за да инсталираме numpy.
Ще получите прозореца, показан на изображението, след като завършите инсталацията.
След като инсталирате библиотека, просто опитайте да импортирате модула отново за уверение.
Както можете да видите, в началото няма грешка, така че по този начин можем да инсталираме различни библиотеки в anaconda.
Anaconda Navigator
Anaconda Navigator е графичен потребителски интерфейс за настолен компютър, който се доставя с дистрибуцията на anaconda. Позволява ни да стартираме приложения и да управляваме conda пакети, среда и без да използваме команди от командния ред.
Случай за употреба - Основи на Python
Променливи и типове данни
Променливи и типове данни са градивните елементи на всеки език за програмиране. Python има 6 типа данни в зависимост от свойствата, които притежават. Списък, речник, набор, кортеж са типовете данни за събиране в езика за програмиране на python.
Следва пример за показване как променливите и типовете данни се използват в python.
#variable декларация name = 'Edureka' f = 1991 print ('python е основан през', f) #data type 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 ('списъкът е', a) print ('речникът е' , b) print („кортежът е“, c) print („комплектът е“, d)
Оператори
Оператори в Python се използват за операции между стойности или променливи. В python има 7 вида оператори.
- Оператор за възлагане
- Аритметичен оператор
- Логически оператор
- Сравнителен оператор
- Бит мъдър оператор
- Оператор за членство
- Оператор за самоличност
Следва пример с използването на няколко оператора в python.
a = 10 b = 15 # аритметичен оператор print (a + b) print (a - b) print (a * b) # оператор за присвояване a + = 10 print (a) # оператор за сравнение #a! = 10 #b == a #logical оператор a> b и a> 10 # това ще върне true, ако и двете твърдения са верни.
Изявления за контрол
Изявления като , break, continue се използват като контролен оператор, за да се получи контрол върху изпълнението за оптимални резултати. Можем да използваме тези изявления в различни цикли в python за контролиране на резултата. Следва пример, за да покажем как можем да работим с контролни и условни изявления.
name = 'edureka' за i в name: if i == 'a': break else: print (i)
Функции
осигуряват многократна употреба на кода по ефективен начин, където можем да напишем логиката за изявление на проблема и да изпълним няколко аргумента, за да получим оптималните решения. Следва пример за това как можем да използваме функции в python.
def func (a): връща a ** a res = func (10) print (res)
Класове и обекти
Тъй като python поддържа обектно-ориентирано програмиране, можем да работим с него класове и обекти както добре. Следва пример за това как можем да работим с класове и обекти в 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 ()
Това са няколко основни концепции в python, за да започнете. Сега като говорим за по-голямата поддръжка на пакети в anaconda, можем да работим с много библиотеки. Нека да разгледаме как можем да използваме python anaconda за анализ на данни.
Случай на употреба - Анализ
Това са определени стъпки, включени в . Нека да разгледаме как работи анализът на данните в анакондата и различни библиотеки, които можем да използваме.
Събиране на данни
The събиране на данни е толкова просто, колкото зареждането на CSV файл в програмата. След това можем да използваме съответните данни, за да анализираме конкретни екземпляри или записи в данните. Следва кодът за зареждане на CSV данните в програмата.
импортирайте панди като pd импортирайте numpy като np импортирайте matplotlib.pyplot като plt импортирайте seaborn като sns df = pd.read_csv ('filename.csv') print (df.head (5))
Нарязване и нарязване на кубчета
След като заредим набора от данни в програмата, трябва да филтрираме данните с няколко промени като премахване на нулевите стойности и ненужните полета, които могат да причинят неяснота при анализа.
Следва пример за това как можем да филтрираме данните според изискванията.
print (df.isnull (). sum ()) #this ще даде сумата на всички нулеви стойности в набора от данни. df1 = df.dropna (ос = 0, как = 'всякакво') # това ще пусне редове с нулеви стойности.
функция за сортиране в c ++
Можем да пуснем и нулевите стойности.
BoxPlot
sns.boxplot (x = df ['Диапазон на заплата от']) sns.boxplot (x = df ['Диапазон на заплата до'])
ScatterPlot
импортирайте matplotlib.pyplot като plt фиг, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Диапазон на заплата от'], df ['Диапазон на заплата до']) ax.set_xlabel ('Заплата Обхват от ') ax.set_ylabel (' Обхват на заплатата ДО ') plt.show ()
Визуализация
След като сме променили данните в съответствие с изискванията, е необходимо да ги анализираме. Един такъв начин за това е чрез визуализация на резултатите. По-добро помага за оптимален анализ на прогнозите за данни.
Следва пример за визуализиране на данните.
sns.countplot (x = 'Индикатор за пълен / непълен работен ден', data = df) sns.countplot (x = 'Индикатор за пълен / непълен работен ден', hue = 'Честота на заплащане', data = df) sns .countplot (hue = 'Индикатор за пълен / непълен работен ден', x = 'Тип на публикуване', data = df) df ['Диапазон на заплата от']. plot.hist () df ['Диапазон на заплата до']. plot.hist ()
импортирайте matplotlib.pyplot като plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. title ('Correlation', fontsize = 5) plt.show ()
Анализ
След визуализация можем да направим нашия анализ, като разглеждаме различните графики и графики. Да предположим, че работим върху данните за работата, като разглеждаме визуалното представяне на определена работа в регион, можем да разберем броя на заданията в определен домейн.
От горния анализ можем да приемем следните резултати
- Броят на работата на непълно работно време в набора от данни е много по-малък в сравнение с работата на пълен работен ден.
- докато работните места на непълно работно време са под 500, на пълно работно време са повече от 2500.
- Въз основа на този анализ можем да изградим модел за прогнозиране.
В този урок на python anaconda разбрахме как можем да настроим anaconda за python с случаи на употреба, които обхващат основите на python, анализ на данни и машинно обучение. С над 300 пакета за наука за данни, anaconda осигурява оптимална поддръжка с ефективни резултати. За да овладеете уменията си в python, регистрирайте се в Edureka’s и стартирайте обучението си.
Имате ли въпроси? споменете ги в коментарите на тази статия за „урок на python anaconda“ и ние ще се свържем с вас възможно най-скоро.