Anaconda เป็นแพลตฟอร์มด้านวิทยาศาสตร์ข้อมูลสำหรับนักวิทยาศาสตร์ข้อมูลผู้เชี่ยวชาญด้านไอทีและผู้นำธุรกิจในอนาคต มันคือการกระจายของ Python , ร ฯลฯ ด้วยมากกว่า 300 แพ็คเกจสำหรับ มันกลายเป็นหนึ่งในแพลตฟอร์มที่ดีที่สุดสำหรับทุกโครงการ ในเรื่องนี้ anaconda tutorial เราจะพูดถึงวิธีที่เราสามารถใช้ anaconda สำหรับการเขียนโปรแกรม python ต่อไปนี้เป็นหัวข้อที่กล่าวถึงในบล็อกนี้:
- รู้เบื้องต้นเกี่ยวกับอนาคอนดา
- การติดตั้งและการตั้งค่า
- วิธีการติดตั้ง Python Libraries ใน Anaconda
- อนาคอนดาเนวิเกเตอร์
- ใช้กรณี
รู้เบื้องต้นเกี่ยวกับอนาคอนดา
Anaconda เป็นการแจกแจงแบบโอเพ่นซอร์สสำหรับ python และ R ใช้สำหรับ วิทยาศาสตร์ข้อมูล , , การเรียนรู้เชิงลึก ฯลฯ ด้วยความพร้อมของห้องสมุดมากกว่า 300 แห่งสำหรับวิทยาศาสตร์ข้อมูลจึงค่อนข้างเหมาะสมสำหรับโปรแกรมเมอร์ทุกคนที่จะทำงานกับงูใหญ่สำหรับวิทยาศาสตร์ข้อมูล
Anaconda ช่วยในการจัดการและปรับใช้แพคเกจที่ง่ายขึ้น Anaconda มาพร้อมกับเครื่องมือที่หลากหลายเพื่อรวบรวมข้อมูลจากแหล่งต่างๆได้อย่างง่ายดายโดยใช้อัลกอริทึมการเรียนรู้ของเครื่องและ AI ช่วยในการตั้งค่าสภาพแวดล้อมที่จัดการได้ง่ายซึ่งสามารถปรับใช้โครงการใด ๆ ด้วยการคลิกปุ่มเพียงปุ่มเดียว
ตอนนี้เรารู้แล้วว่าอนาคอนดาคืออะไรมาลองทำความเข้าใจกันว่าเราจะติดตั้งอนาคอนดาและตั้งค่าสภาพแวดล้อมให้ทำงานบนระบบของเราได้อย่างไร
การติดตั้งและการตั้งค่า
ในการติดตั้งอนาคอนดาไปที่ https://www.anaconda.com/distribution/ .
เลือกเวอร์ชันที่เหมาะกับคุณแล้วคลิกดาวน์โหลด เมื่อคุณดาวน์โหลดเสร็จแล้วให้เปิดการตั้งค่า
ทำตามคำแนะนำในการตั้งค่า อย่าลืมคลิกเพิ่ม anaconda ในตัวแปรสภาพแวดล้อมเส้นทางของฉัน หลังจากติดตั้งเสร็จแล้วคุณจะได้หน้าต่างดังที่แสดงในภาพด้านล่าง
หลังจากเสร็จสิ้นการติดตั้งเปิด anaconda prompt และพิมพ์ .
คุณจะเห็นหน้าต่างดังที่แสดงในภาพด้านล่าง
การมีเพศสัมพันธ์ที่แน่นและการมีเพศสัมพันธ์แบบหลวม
ตอนนี้เรารู้วิธีใช้ anaconda สำหรับ python แล้วมาดูกันว่าเราสามารถติดตั้งไลบรารีต่างๆในอนาคอนดาสำหรับโครงการใด ๆ ได้อย่างไร
วิธีการติดตั้ง Python Libraries ใน Anaconda
เปิดพรอมต์ anaconda และตรวจสอบว่าได้ติดตั้งไลบรารีแล้วหรือไม่
เนื่องจากไม่มีโมดูลที่ชื่อ numpy อยู่เราจะรันคำสั่งต่อไปนี้เพื่อติดตั้ง numpy
คุณจะได้รับหน้าต่างที่แสดงในภาพเมื่อคุณทำการติดตั้งเสร็จสิ้น
เมื่อคุณติดตั้งไลบรารีแล้วให้ลองนำเข้าโมดูลอีกครั้งเพื่อความมั่นใจ
อย่างที่คุณเห็นไม่มีข้อผิดพลาดที่เราได้รับในตอนแรกนี่คือวิธีที่เราสามารถติดตั้งไลบรารีต่างๆในอนาคอนดา
อนาคอนดาเนวิเกเตอร์
Anaconda Navigator เป็น GUI บนเดสก์ท็อปที่มาพร้อมกับการกระจายอนาคอนดา ช่วยให้เราสามารถเปิดแอปพลิเคชันและจัดการแพ็คเกจ conda สภาพแวดล้อมและโดยไม่ต้องใช้คำสั่งบรรทัดคำสั่ง
Use Case - Python Fundamentals
ตัวแปรและประเภทข้อมูล
ตัวแปรและชนิดข้อมูล เป็นหน่วยการสร้างของภาษาโปรแกรมใด ๆ Python มีข้อมูล 6 ประเภทขึ้นอยู่กับคุณสมบัติที่มี List, dictionary, set, tuple เป็นประเภทข้อมูลการรวบรวมในภาษาโปรแกรม python
ต่อไปนี้เป็นตัวอย่างเพื่อแสดงวิธีการใช้ตัวแปรและชนิดข้อมูลใน python
#variable declaration name = 'Edureka' f = 1991 print ('python was Found 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} print ('the list is', a) print ('the dictionary is' , b) print ('the tuple is', c) print ('the set is', d)
ตัวดำเนินการ
ตัวดำเนินการใน Python ใช้สำหรับการดำเนินการระหว่างค่าหรือตัวแปร มี 7 ประเภทของตัวดำเนินการใน python
- ผู้ดำเนินการมอบหมาย
- ตัวดำเนินการเลขคณิต
- ตัวดำเนินการทางตรรกะ
- ตัวดำเนินการเปรียบเทียบ
- ตัวดำเนินการที่ชาญฉลาด
- ผู้ดำเนินการสมาชิก
- ตัวดำเนินการประจำตัว
ต่อไปนี้เป็นตัวอย่างการใช้ตัวดำเนินการบางตัวใน python
a = 10 b = 15 #arithmetic operator print (a + b) print (a - b) print (a * b) #assignment operator a + = 10 print (a) #comparison operator #a! = 10 #b == ตัวดำเนินการ #logical a> b และ a> 10 # สิ่งนี้จะส่งคืนจริงหากทั้งสองคำสั่งเป็นจริง
คำสั่งควบคุม
คำสั่งเช่น , break, Continue ถูกใช้เป็นคำสั่งควบคุมเพื่อควบคุมการดำเนินการเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด เราสามารถใช้คำสั่งเหล่านี้ในลูปต่างๆใน python เพื่อควบคุมผลลัพธ์ ต่อไปนี้เป็นตัวอย่างเพื่อแสดงให้เห็นว่าเราสามารถทำงานกับคำสั่งควบคุมและเงื่อนไขได้อย่างไร
name = 'edureka' สำหรับ i in name: if i == 'a': break else: print (i)
ฟังก์ชั่น
ให้ความสามารถในการใช้โค้ดซ้ำได้อย่างมีประสิทธิภาพซึ่งเราสามารถเขียนตรรกะสำหรับคำสั่งปัญหาและเรียกใช้อาร์กิวเมนต์สองสามข้อเพื่อให้ได้โซลูชันที่เหมาะสมที่สุด ต่อไปนี้เป็นตัวอย่างวิธีใช้ฟังก์ชันใน python
def func (a): ส่งคืน ** a res = func (10) พิมพ์ (res)
คลาสและวัตถุ
เนื่องจาก python รองรับการเขียนโปรแกรมเชิงวัตถุเราจึงสามารถทำงานกับไฟล์ คลาสและวัตถุ เช่นกัน. ต่อไปนี้เป็นตัวอย่างวิธีการทำงานกับคลาสและอ็อบเจกต์ใน 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 ()
นี่เป็นแนวคิดพื้นฐานบางประการใน python ที่จะเริ่มต้นด้วย ตอนนี้พูดถึงการรองรับแพ็คเกจที่ใหญ่ขึ้นใน anaconda เราสามารถทำงานร่วมกับห้องสมุดจำนวนมากได้ มาดูวิธีที่เราสามารถใช้ python anaconda สำหรับการวิเคราะห์ข้อมูล
Use Case - Analytics
นี่คือขั้นตอนบางอย่างที่เกี่ยวข้อง . มาดูกันว่าการวิเคราะห์ข้อมูลทำงานอย่างไรในอนาคอนดาและไลบรารีต่างๆที่เราสามารถใช้ได้
การรวบรวมข้อมูล
การรวบรวมข้อมูล ทำได้ง่ายเหมือนการโหลดไฟล์ CSV ในโปรแกรม จากนั้นเราสามารถใช้ประโยชน์จากข้อมูลที่เกี่ยวข้องเพื่อวิเคราะห์อินสแตนซ์หรือรายการในข้อมูลได้ ต่อไปนี้เป็นรหัสสำหรับโหลดข้อมูล CSV ในโปรแกรม
นำเข้าแพนด้าเป็น pd import numpy เป็น np import matplotlib.pyplot เป็น plt import seaborn เป็น sns df = pd.read_csv ('filename.csv') print (df.head (5))
หั่นและหั่น
หลังจากที่เราโหลดชุดข้อมูลในโปรแกรมแล้วเราจะต้องกรองข้อมูลด้วยการเปลี่ยนแปลงเล็กน้อยเช่นการกำจัดค่า null และช่องที่ไม่จำเป็นซึ่งอาจทำให้เกิดความไม่ชัดเจนในการวิเคราะห์
ต่อไปนี้เป็นตัวอย่างวิธีการกรองข้อมูลตามข้อกำหนด
print (df.isnull (). sum ()) #this จะให้ผลรวมของค่า null ทั้งหมดในชุดข้อมูล df1 = df.dropna (แกน = 0, how = 'any') # นี่จะวางแถวที่มีค่า null
เราสามารถดร็อปค่า null ได้เช่นกัน
BoxPlot
sns.boxplot (x = df ['ช่วงเงินเดือนจาก']) sns.boxplot (x = df ['ช่วงเงินเดือนถึง'])
ScatterPlot
นำเข้า matplotlib.pyplot เป็น plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Salary Range From'], df ['Salary Range To']) ax.set_xlabel ('Salary ช่วงจาก ') ax.set_ylabel (' ช่วงเงินเดือนถึง ') plt.show ()
การแสดงภาพ
เมื่อเราเปลี่ยนแปลงข้อมูลตามข้อกำหนดแล้วจำเป็นต้องวิเคราะห์ข้อมูลนี้ วิธีหนึ่งในการทำเช่นนี้คือการแสดงผลลัพธ์ ที่ดีกว่า ช่วยในการวิเคราะห์ที่ดีที่สุดของการคาดการณ์ข้อมูล
ต่อไปนี้เป็นตัวอย่างเพื่อให้เห็นภาพข้อมูล
sns.countplot (x = 'Full-Time / Part-Time indicator', data = df) sns.countplot (x = 'Full-Time / Part-Time indicator', hue = 'Salary Frequency', data = df) sns .countplot (hue = 'Full-Time / Part-Time indicator', x = 'Posting Type', data = df) df ['Salary Range From']. plot.hist () df ['Salary Range To'] plot.hist ()
นำเข้า matplotlib.pyplot เป็น plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. ชื่อเรื่อง ('สหสัมพันธ์', แบบอักษรขนาด = 5) plt.show ()
การวิเคราะห์
หลังจากการสร้างภาพแล้วเราสามารถทำการวิเคราะห์ของเราเพื่อดูพล็อตและกราฟต่างๆ สมมติว่าเรากำลังดำเนินการเกี่ยวกับข้อมูลงานโดยดูจากการแสดงภาพของงานใดงานหนึ่งในภูมิภาคเราสามารถกำหนดจำนวนงานในโดเมนหนึ่ง ๆ ได้
จากการวิเคราะห์ข้างต้นเราสามารถสรุปผลดังต่อไปนี้
- จำนวนงานพาร์ทไทม์ในชุดข้อมูลนั้นน้อยมากเมื่อเทียบกับงานเต็มเวลา
- ในขณะที่งานพาร์ทไทม์อยู่ที่น้อยกว่า 500 แต่งานเต็มเวลามากกว่า 2500
- จากการวิเคราะห์นี้เราสามารถสร้างไฟล์ แบบจำลองการทำนาย
ในบทช่วยสอนงูหลามอนาคอนดานี้เราได้เข้าใจวิธีการตั้งค่าอนาคอนดาสำหรับงูหลามด้วยกรณีการใช้งานที่ครอบคลุมพื้นฐานของหลามการวิเคราะห์ข้อมูลและการเรียนรู้ของเครื่อง ด้วยแพ็คเกจสำหรับวิทยาศาสตร์ข้อมูลมากกว่า 300 แพ็คเกจ anaconda ให้การสนับสนุนที่ดีที่สุดพร้อมผลลัพธ์ที่มีประสิทธิภาพ เพื่อฝึกฝนทักษะของคุณใน python ให้ลงทะเบียนใน Edureka’s และเริ่มต้นการเรียนรู้ของคุณ
มีคำถามหรือไม่? พูดถึงพวกเขาในความคิดเห็นของบทความนี้เกี่ยวกับ 'python anaconda tutorial' แล้วเราจะติดต่อกลับโดยเร็วที่สุด