۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت می‌کنید.
این فایل با Calibre، Apple Books و سایر کتابخوان‌های دیجیتال مناسب است.
**مقدمه‌ای عملی و پر از مثال برای تحلیل داده با پانداس در پایتون**
امروزه تحلیل‌گران باید با داده‌هایی سروکار داشته باشند که از نظر تنوع، سرعت تولید و حجم، بسیار گسترده‌اند. با استفاده از کتابخانه متن‌باز پانداس، می‌توانید از پایتون برای خودکارسازی سریع و انجام تقریبا هر نوع کار تحلیل داده استفاده کنید، فرقی نمی‌کند داده‌ها چقدر بزرگ یا پیچیده باشند. پانداس به شما کمک می‌کند از صحت و قابل‌اعتماد بودن داده‌های خود مطمئن شوید، آن‌ها را برای تصمیم‌گیری بهتر بصری‌سازی کنید و تحلیل‌ها را روی چندین مجموعه‌داده با اطمینان بازتولید کنید.
* **پانداس برای همه** * دانش و بینش کاربردی لازم را برای حل مسئله‌های واقعی با پانداس در یک‌جا گرد آورده است، حتی اگر تازه‌وارد تحلیل داده با پایتون باشید. دنیل وای. چن مفاهیم کلیدی را با مثال‌هایی ساده اما کاربردی معرفی می‌کند و قدم‌به‌قدم روی آن‌ها پیش می‌رود تا مسئله‌های دشوارتر و واقعی‌تر را حل کند. چن با استفاده از یک مجموعه‌داده واقعی، شروع کار با پانداس را برای شما آسان می‌کند و موضوع‌هایی مانند ترکیب مجموعه‌داده‌ها، مدیریت داده‌های گمشده، و ساختاربندی داده‌ها برای تحلیل و بصری‌سازی آسان‌تر را پوشش می‌دهد.
او تکنیک‌های قدرتمند پاک‌سازی داده را نشان می‌دهد؛ از دست‌کاری ساده رشته‌های متنی گرفته تا اعمال هم‌زمان توابع روی چندین دیتافریم. وقتی داده‌های شما آماده شد، چن شما را در مسیر برازش مدل‌ها برای پیش‌بینی، خوشه‌بندی، استنباط و کاوش داده راهنمایی می‌کند. او نکته‌هایی درباره کارایی و مقیاس‌پذیری ارائه می‌دهد و شما را با اکوسیستم گسترده‌تر تحلیل داده در پایتون آشنا می‌کند.
با DataFrameها و Seriesها کار کنید و داده‌ها را وارد یا صادر کنید. با matplotlib، seaborn و pandas نمودار بسازید. مجموعه‌داده‌ها را ترکیب کنید و با داده‌های گمشده کنار بیایید. داده‌ها را تغییر شکل دهید، مرتب و پاک‌سازی کنید تا کار با آن‌ها آسان‌تر شود. نوع داده‌ها را تبدیل کنید و رشته‌های متنی را دست‌کاری کنید. از توابع برای گسترش عملیات دست‌کاری داده استفاده کنید. با groupby مجموعه‌داده‌های بزرگ را تجمیع، تبدیل و فیلتر کنید. از قابلیت‌های پیشرفته پانداس برای تاریخ و زمان بهره ببرید. با کتابخانه‌های statsmodels و scikit-learn مدل‌های خطی برازش کنید. از مدل‌سازی خطی تعمیم‌یافته برای برازش مدل‌هایی با متغیرهای پاسخ متفاوت استفاده کنید. چندین مدل را با هم مقایسه کنید تا «بهترین» مدل را انتخاب کنید. با منظم‌سازی بر بیش‌برازش غلبه کنید و عملکرد را بهبود دهید. از خوشه‌بندی در یادگیری ماشین بدون ناظر استفاده کنید.
__محصول خود را در [informit.com/register](http://informit.com/register) ثبت کنید تا به‌محض در دسترس قرار گرفتن، به دانلودها، به‌روزرسانی‌ها و/یا اصلاحات به‌راحتی دسترسی داشته باشید.__
Normal 0 false false false EN-US X-NONE X-NONE
**The Hands-On, Example-Rich Introduction to Pandas Data Analysis in Python** Today, analysts must manage data characterized by extraordinary variety, velocity, and volume. Using the open source Pandas library, you can use Python to rapidly automate and perform virtually any data analysis task, no matter how large or complex. Pandas can help you ensure the veracity of your data, visualize it for effective decision-making, and reliably reproduce analyses across multiple datasets. \* **Pandas for Everyone** \* brings together practical knowledge and insight for solving real problems with Pandas, even if you're new to Python data analysis. Daniel Y. Chen introduces key concepts through simple but practical examples, incrementally building on them to solve more difficult, real-world problems. Chen gives you a jumpstart on using Pandas with a realistic dataset and covers combining datasets, handling missing data, and structuring datasets for easier analysis and visualization. He demonstrates powerful data cleaning techniques, from basic string manipulation to applying functions simultaneously across dataframes. Once your data is ready, Chen guides you through fitting models for prediction, clustering, inference, and exploration. He provides tips on performance and scalability, and introduces you to the wider Python data analysis ecosystem.Work with DataFrames and Series, and import or export data Create plots with matplotlib, seaborn, and pandas Combine datasets and handle missing data Reshape, tidy, and clean datasets so they're easier to work with Convert data types and manipulate text strings Apply functions to scale data manipulations Aggregate, transform, and filter large datasets with groupby Leverage Pandas' advanced date and time capabilities Fit linear models using statsmodels and scikit-learn libraries Use generalized linear modeling to fit models with different response variables Compare multiple models to select the "best" Regularize to overcome overfitting and improve performance Use clustering in unsupervised machine learning __Register your product at [informit.com/register](http://informit.com/register) for convenient access to downloads, updates, and/or corrections as they become available.__Normal 0 false false false EN-US X-NONE X-NONE
هنر
رایانه و برنامه‌نویسی
زبان انگیسی (رایگان)
درسی و کمک درسی (رایگان)