ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Getting started with Python Data Analysis

دانلود کتاب شروع کار با تجزیه و تحلیل داده پایتون

Getting started with Python Data Analysis

مشخصات کتاب

Getting started with Python Data Analysis

ویرایش:  
نویسندگان: ,   
سری:  
ISBN (شابک) : 9781785285110 
ناشر: Packt 
سال نشر: 2015 
تعداد صفحات: 174 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت

قیمت کتاب (تومان) : 31,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


در صورت تبدیل فایل کتاب Getting started with Python Data Analysis به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب شروع کار با تجزیه و تحلیل داده پایتون نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب شروع کار با تجزیه و تحلیل داده پایتون

آموزش استفاده از کتابخانه های قدرتمند پایتون برای پردازش و تجزیه و تحلیل موثر داده درباره این کتاب* مراحل اولیه پردازش در تجزیه و تحلیل داده ها و نحوه استفاده از پایتون در این زمینه را از طریق بسته های پشتیبانی شده، به ویژه Numpy، Pandas، و Matplotlib بیاموزید* ایجاد، دستکاری و تجزیه و تحلیل داده ها برای استخراج اطلاعات مفید برای بهینه سازی سیستم شما* راهنمای عملی برای کمک به یادگیری تجزیه و تحلیل داده ها با استفاده از پایتون. کتابخانه های تجزیه و تحلیل داده ها، پس این کتاب برای شماست. آنچه خواهید آموخت* اهمیت تجزیه و تحلیل داده ها را درک کنید و با مراحل پردازش آن آشنا شوید* با Numpy برای استفاده با آرایه ها و محاسبات آرایه گرا در تجزیه و تحلیل داده ها آشنا شوید* ایجاد تجسم های موثر برای ارائه داده‌های خود با استفاده از Matplotlib* پردازش و تجزیه و تحلیل داده‌ها با استفاده از قابلیت‌های سری زمانی پانداها* تعامل با انواع سیستم‌های پایگاه داده مانند فایل، فرمت دیسک، Mongo و Redis* استفاده از بسته پایتون پشتیبانی شده برای برنامه‌های تجزیه و تحلیل داده از طریق مثال‌ها * تجزیه و تحلیل پیش‌بینی‌کننده و الگوریتم‌های یادگیری ماشین را با استفاده از Scikit-learn کاوش کنید، کتابخانه Python در تجزیه و تحلیل DetailData فرآیند اعمال استدلال منطقی و تحلیلی برای مطالعه هر جزء از داده‌ها است. پایتون یک زبان برنامه نویسی چند دامنه ای و سطح بالا است. این اغلب به عنوان یک زبان اسکریپت نویسی استفاده می شود، زیرا سینتکس قابل قبول و عملکرد آن با طیف گسترده ای از اکوسیستم های مختلف است. پایتون دارای کتابخانه ها یا ابزارهای استاندارد قدرتمندی مانند Pylearn2 و Hebel است که محیطی سریع، قابل اعتماد و بین پلتفرمی برای تجزیه و تحلیل داده ها ارائه می دهد. با این کتاب، ما شما را با تجزیه و تحلیل داده های پایتون شروع می کنیم و به شما نشان می دهیم که چه مزایایی دارد. کتاب با معرفی اصول تجزیه و تحلیل داده ها و کتابخانه های پشتیبانی شده به همراه مبانی NumPy برای آمار و پردازش داده ها شروع می شود. سپس مروری بر بسته Pandas ارائه می‌کند و از ویژگی‌های قدرتمند آن برای حل مشکلات پردازش داده‌ها استفاده می‌کند. در ادامه، این کتاب شما را به مرور مختصری از Matplotlib API و برخی از توابع ترسیم رایج برای DataFrame مانند نمودار می‌برد. در مرحله بعد، به شما آموزش می دهد که زمان و ساختار داده را دستکاری کنید و داده ها را در یک فایل یا پایگاه داده با استفاده از بسته های پایتون بارگیری و ذخیره کنید. این کتاب همچنین به شما می‌آموزد که چگونه از بسته‌های قدرتمند در پایتون برای پردازش داده‌های خام به داده‌های خالص و مفید با استفاده از مثال‌ها استفاده کنید. در نهایت، این کتاب به شما مروری کوتاه بر الگوریتم‌های یادگیری ماشینی می‌دهد، یعنی استفاده از نتایج تجزیه و تحلیل داده‌ها برای تصمیم‌گیری یا محصولات مفیدی مانند توصیه‌ها و پیش‌بینی‌ها با استفاده از scikit-learn بسازید. سبک و رویکرد این یک راهنمای گام به گام ساده و آسان برای آشنایی شما با تجزیه و تحلیل داده ها و کتابخانه های پشتیبانی شده توسط پایتون است. موضوعات با مثال های دنیای واقعی هر جا که لازم باشد توضیح داده می شوند.


توضیحاتی درمورد کتاب به خارجی

Learn to use powerful Python libraries for effective data processing and analysisAbout This Book* Learn the basic processing steps in data analysis and how to use Python in this area through supported packages, especially Numpy, Pandas, and Matplotlib* Create, manipulate, and analyze your data to extract useful information to optimize your system* A hands-on guide to help you learn data analysis using PythonWho This Book Is ForIf you are a Python developer who wants to get started with data analysis and you need a quick introductory guide to the python data analysis libraries, then this book is for you.What You Will Learn* Understand the importance of data analysis and get familiar with its processing steps* Get acquainted with Numpy to use with arrays and array-oriented computing in data analysis* Create effective visualizations to present your data using Matplotlib* Process and analyze data using the time series capabilities of Pandas* Interact with different kind of database systems, such as file, disk format, Mongo, and Redis* Apply the supported Python package to data analysis applications through examples* Explore predictive analytics and machine learning algorithms using Scikit-learn, a Python libraryIn DetailData analysis is the process of applying logical and analytical reasoning to study each component of data. Python is a multi-domain, high-level, programming language. It's often used as a scripting language because of its forgiving syntax and operability with a wide variety of different eco-systems. Python has powerful standard libraries or toolkits such as Pylearn2 and Hebel, which offers a fast, reliable, cross-platform environment for data analysis.With this book, we will get you started with Python data analysis and show you what its advantages are.The book starts by introducing the principles of data analysis and supported libraries, along with NumPy basics for statistic and data processing. Next it provides an overview of the Pandas package and uses its powerful features to solve data processing problems.Moving on, the book takes you through a brief overview of the Matplotlib API and some common plotting functions for DataFrame such as plot. Next, it will teach you to manipulate the time and data structure, and load and store data in a file or database using Python packages. The book will also teach you how to apply powerful packages in Python to process raw data into pure and helpful data using examples.Finally, the book gives you a brief overview of machine learning algorithms, that is, applying data analysis results to make decisions or build helpful products, such as recommendations and predictions using scikit-learn. Style and approachThis is an easy-to-follow, step-by-step guide to get you familiar with data analysis and the libraries supported by Python. Topics are explained with real-world examples wherever required.



فهرست مطالب

Cover
Preface
Copyright
Credits
About the Authors
About the Reviewers
www.PacktPub.com
Table of Contents
Chapter 1: Introducing Data Analysis and Libraries
	Data analysis and processing
	An overview of the libraries in data analysis
	Python libraries in data analysis
		NumPy
		Pandas
		Matplotlib
		PyMongo
		The scikit-learn library
	Summary
Chapter 2: NumPy Arrays and Vectorized Computation
	NumPy arrays
		Data types
		Array creation
		Indexing and slicing
		Fancy indexing
		Numerical operations on arrays
	Array functions
	Data processing using arrays
		Loading and saving data
		Saving an array
		Loading an array
	Linear algebra with NumPy
	NumPy random numbers
	Summary
Chapter 3: Data Analysis with Pandas
	An overview of the Pandas package
	The Pandas data structure
		Series
		The DataFrame
	The essential basic functionality
		Reindexing and altering labels
		Head and tail
		Binary operations
		Functional statistics
		Function application
		Sorting
	Indexing and selecting data
	Computational tools
	Working with missing data
	Advanced uses of Pandas for data analysis
		Hierarchical indexing
		The Panel data
	Summary
Chapter 4: Data Visualization
	The matplotlib API primer
		Line properties
		Figures and subplots
	Exploring plot types
		Scatter plots
		Bar plots
		Contour plots
		Histogram plots
	Legends and annotations
	Plotting functions with Pandas
	Additional Python data visualization tools
		Bokeh
		MayaVi
	Summary
Chapter 5: Time series
	Time series primer
	Working with date and time objects
	Resampling time series
	Downsampling time series data
	Upsampling time series data
	Time zone handling
	Timedeltas
	Time series plotting
	Summary
Chapter 6: Interacting With Databases
	Interacting with data in text format
		Reading data from text format
		Writing data to text format
	Interacting with data in binary format
		HDF5
	Interacting with data in MongoDB
	Interacting with data in Redis
		The simple value
		List
		Set
		Ordered set
	Summary
Chapter 7: Data Analysis Application Examples
	Data munging
		Cleaning data
		Filtering
		Merging data
		Reshaping data
	Data aggregation
	Grouping data
	Summary
Chapter 8: Machine Learning Models with scikit-learn
	An overview of machine learning models
	The scikit-learn modules for different models
	Data representation in scikit-learn
	Supervised learning – classification and regression
	Unsupervised learning – clustering and dimensionality reduction
	Measuring prediction performance
	Summary
Index




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی