Anaconda és la plataforma de ciència de dades per a científics de dades, professionals de TI i líders empresarials de demà. És una distribució de Python , R , etc. Amb més de 300 paquets per a , es converteix en una de les millors plataformes per a qualsevol projecte. En aquest tutorial anaconda, parlarem de com podem utilitzar anaconda per a la programació de python. A continuació es detallen els temes tractats en aquest bloc:
- Introducció a Anaconda
- Instal·lació i configuració
- Com instal·lar les biblioteques Python a Anaconda?
- Anaconda Navigator
- Cas d'ús
Introducció a Anaconda
Anaconda és una distribució de codi obert per a Python i R. S'utilitza per ciència de dades , , aprenentatge profund , etc. Amb la disponibilitat de més de 300 biblioteques per a la ciència de dades, es fa bastant òptim per a qualsevol programador treballar en anaconda per a la ciència de dades.
Anaconda ajuda en la gestió i el desplegament simplificats de paquets. Anaconda inclou una gran varietat d’eines per recopilar fàcilment dades de diverses fonts mitjançant diversos algoritmes d’aprenentatge automàtic i IA. Ajuda a obtenir una configuració d'entorn fàcil de gestionar que pugui desplegar qualsevol projecte amb només fer clic en un botó.
Ara que ja sabem què és l’anaconda, intentem entendre com podem instal·lar anaconda i configurar un entorn per treballar als nostres sistemes.
Instal·lació i configuració
Per instal·lar anaconda aneu a https://www.anaconda.com/distribution/ .
Trieu una versió adequada per a vosaltres i feu clic a Descarregar. Un cop hàgiu completat la descàrrega, obriu la configuració.
Seguiu les instruccions de la configuració. No oblideu fer clic a Afegeix anaconda a la variable d'entorn del meu camí. Un cop finalitzada la instal·lació, obtindreu una finestra com es mostra a la imatge següent.
Després d’acabar la instal·lació, obriu l’indicatiu d’anaconda i escriviu .
Veureu una finestra com es mostra a la imatge següent.
Ara que ja sabem com utilitzar anaconda per a python fem una ullada a com podem instal·lar diverses biblioteques a anaconda per a qualsevol projecte.
Com instal·lar les biblioteques Python a Anaconda?
Obriu l’indicatiu d’anaconda i comproveu si la biblioteca ja està instal·lada o no.
Com que no hi ha cap mòdul anomenat numpy, executarem l'ordre següent per instal·lar numpy.
Un cop finalitzada la instal·lació, obtindreu la finestra que es mostra a la imatge.
Un cop hàgiu instal·lat una biblioteca, només cal que proveu d'importar el mòdul per garantir-ne la seguretat.
Com podeu veure, no hi ha cap error al principi, de manera que podem instal·lar diverses biblioteques a anaconda.
Anaconda Navigator
Anaconda Navigator és una GUI d'escriptori que inclou la distribució de l'anaconda. Ens permet iniciar aplicacions i gestionar paquets de condes, entorns i sense utilitzar comandes de línia d'ordres.
Cas d’ús: fonaments de Python
Variables i tipus de dades
Variables i tipus de dades són els components bàsics de qualsevol llenguatge de programació. Python té 6 tipus de dades en funció de les propietats que posseeixin. Llista, diccionari, conjunt, tupla, són els tipus de dades de recopilació en el llenguatge de programació python.
A continuació es mostra un exemple per mostrar com s’utilitzen variables i tipus de dades a Python.
#variable statement name = 'Edureka' f = 1991 print ('python was created in', f) #data types 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} imprimir ('la llista és', a) imprimir ('el diccionari és' , b) imprimir ('la tupla és', c) imprimir ('el conjunt és', d)Operadors
Operadors a Python s’utilitzen per a operacions entre valors o variables. Hi ha 7 tipus d'operadors a Python.
- Operador de tasques
- Operador aritmètic
- Operador lògic
- Operador de comparació
- Operador en termes de bits
- Operador de pertinença
- Operador d’identitat
A continuació es mostra un exemple amb l’ús d’alguns operadors en python.
a = 10 b = 15 # operador aritmètic imprimir (a + b) imprimir (a - b) imprimir (a * b) #assignar operador a + = 10 imprimir (a) #operador de comparació #a! = 10 #b == un # operador lògic a> b i a> 10 # això tornarà cert si ambdues afirmacions són certes.
Declaracions de control
Enunciats com , break, continue s'utilitzen com a instrucció de control per obtenir control sobre l'execució per obtenir resultats òptims. Podem utilitzar aquestes declaracions en diversos bucles de python per controlar el resultat. A continuació es mostra un exemple per mostrar com podem treballar amb instruccions de control i condicionals.
name = 'edureka' per a i en nom: if i == 'a': break else: print (i)
Funcions
proporcionem la reutilització del codi d’una manera eficient, on podem escriure la lògica d’una declaració de problema i executar uns quants arguments per obtenir les solucions òptimes. A continuació es mostra un exemple de com podem utilitzar les funcions a Python.
def func (a): return a ** a res = func (10) print (res)
Classes i objectes
Com que Python admet programació orientada a objectes, podem treballar amb classes i objectes també. A continuació es mostra un exemple de com podem treballar amb classes i objectes en 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 ()Aquests són alguns conceptes fonamentals de Python per començar. Ara, parlant del suport de paquets més gran a anaconda, podem treballar amb moltes biblioteques. Vegem com podem utilitzar l'anaconda de python per a l'anàlisi de dades.
Ús de casos - Analytics
Aquests són alguns passos relacionats amb . Vegem com funciona l’anàlisi de dades a anaconda i a diverses biblioteques que podem utilitzar.
Recopilació de dades
El recollida de dades és tan senzill com carregar un fitxer CSV al programa. A continuació, podem fer ús de les dades rellevants per analitzar casos o entrades concretes de les dades. A continuació es mostra el codi per carregar les dades CSV al programa.
importar pandes com pd importar numpy com np importar matplotlib.pyplot com plt importar seaborn com sns df = pd.read_csv ('filename.csv') imprimir (df.head (5))Tallar i tallar a daus
Després de carregar el conjunt de dades al programa, hem de filtrar-les amb alguns canvis, com ara eliminar els valors nuls i els camps innecessaris que poden provocar ambigüitats a l'anàlisi.
A continuació es mostra un exemple de com podem filtrar les dades segons els requisits.
print (df.isnull (). sum ()) #this donarà la suma de tots els valors nuls del conjunt de dades. df1 = df.dropna (axis = 0, how = 'any') # això deixarà caure files amb valors nuls.
També podem deixar caure els valors nuls.
BoxPlot
sns.boxplot (x = df ['Interval salarial des de]]) sns.boxplot (x = df [' Interval salarial fins a]])
Gràfic de dispersió
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 Rang de ') ax.set_ylabel (' Rang salarial TO ') plt.show ()
Visualització
Un cop hem canviat les dades segons els requisits, cal analitzar-les. Una d'aquestes maneres de fer-ho és visualitzant els resultats. Un millor ajuda en una anàlisi òptima de les projeccions de dades.
A continuació es mostra un exemple per visualitzar les dades.
sns.countplot (x = 'Indicador de temps complet / temps parcial', dades = df) sns.countplot (x = 'Indicador de temps complet / temps parcial', hue = 'Freqüència salarial', dades = df) sns .countplot (hue = 'Indicador de temps complet / temps parcial', x = 'Tipus de publicació', dades = df) df ['Interval salarial des de']. plot.hist () df ['Interval salarial fins a']. 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 ('Correlació', mida de la font = 5) plt.show ()proves basades en dades en seleni
Anàlisi
Després de la visualització, podem fer la nostra anàlisi mirant les diverses trames i gràfics. Suposem que estem treballant en dades de treballs, en veure la representació visual d’un treball concret en una regió, podem distingir el nombre de treballs d’un domini concret.
A partir de l’anàlisi anterior, podem assumir els següents resultats
- El nombre de treballs a temps parcial del conjunt de dades és molt inferior en comparació amb els treballs a temps complet.
- mentre que les feines a temps parcial són inferiors a 500, les feines a temps complet són més de 2500.
- Basant-nos en aquesta anàlisi, podem construir un model de predicció.
En aquest tutorial de python anaconda, hem entès com podem configurar anaconda per a python amb casos d’ús que cobrien els fonaments de python, l’anàlisi de dades i l’aprenentatge automàtic. Amb més de 300 paquets per a la ciència de dades, anaconda proporciona un suport òptim amb resultats eficients. Per dominar les vostres habilitats en python, inscriviu-vos a Edureka i iniciar el vostre aprenentatge.
Tens alguna pregunta? mencioneu-los als comentaris d’aquest article sobre ‘tutorial de python anaconda’ i us respondrem el més aviat possible.