دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Pandas for Everyone: Python Data Analysis
دانلود کتاب پانداها برای همه: تجزیه و تحلیل داده های پایتون
مشخصات کتاب
Pandas for Everyone: Python Data Analysis
ویرایش:
نویسندگان: Daniel Y. Chen
سری: Addison-Wesley Data & Analytics Series
ISBN (شابک) : 9780134546933
ناشر: Addison-Wesley
سال نشر: 2017
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 36 مگابایت
قیمت کتاب (تومان) : 33,000
در صورت تبدیل فایل کتاب Pandas for Everyone: 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 پانداها برای همه: تجزیه و تحلیل داده های 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 پانداها برای همه: تجزیه و تحلیل داده های پایتون
مقدمه ای غنی و کاربردی برای تجزیه
و تحلیل داده های پانداها در پایتون امروزه، تحلیلگران باید داده هایی را مدیریت کنند
که با تنوع، سرعت و حجم فوق العاده مشخص می شوند. با استفاده از
کتابخانه منبع باز Pandas، می توانید از پایتون برای خودکارسازی
سریع و انجام تقریباً هر کار تجزیه و تحلیل داده، صرف نظر از
اینکه چقدر بزرگ یا پیچیده باشد، استفاده کنید. پانداها
می‌توانند به شما کمک کنند از صحت داده‌های خود اطمینان حاصل
کنید، آنها را برای تصمیم‌گیری مؤثر تجسم کنید، و تجزیه و
تحلیل‌ها را به‌طور قابل‌اطمینانی در مجموعه داده‌های متعدد
بازتولید کنید. * پاندا
برای همه * به ارمغان
می آورد با هم دانش عملی و بینش برای حل مشکلات واقعی با
پانداها، حتی اگر در تجزیه و تحلیل داده های پایتون تازه کار
هستید. دانیل ی چن مفاهیم کلیدی را از طریق مثال‌های ساده اما
کاربردی معرفی می‌کند و به‌طور تدریجی آنها را برای حل مسائل
سخت‌تر و واقعی‌تر می‌سازد. Chen به شما شروعی جهشی در استفاده
از پانداها با مجموعه داده واقعی می دهد و ترکیب مجموعه داده
ها، مدیریت داده های از دست رفته و ساختار مجموعه داده ها را
برای تجزیه و تحلیل و تجسم آسان تر پوشش می دهد. او تکنیک‌های
قدرتمند پاک‌سازی داده‌ها، از دستکاری رشته‌های پایه تا اعمال
توابع به‌طور همزمان در فریم‌های داده را نشان می‌دهد. هنگامی
که داده های شما آماده شد، چن شما را از طریق مدل های مناسب
برای پیش بینی، خوشه بندی، استنتاج و کاوش راهنمایی می کند. او
نکاتی در مورد عملکرد و مقیاس پذیری ارائه می دهد و شما را با
اکوسیستم تجزیه و تحلیل داده های پایتون گسترده تر آشنا می
کند.
با DataFrames و Series کار کنید و داده ها را وارد یا صادر کنید. ایجاد نمودار با matplotlib، seaborn، و panda ها مجموعه داده ها را ترکیب کنید و داده های از دست رفته را مدیریت کنید، مجموعه داده ها را تغییر شکل دهید، مرتب و تمیز کنید تا کار با آنها آسان تر شود. تبدیل انواع داده‌ها و دستکاری رشته‌های متنی اعمال توابع برای مقیاس‌بندی دستکاری داده‌ها جمع‌آوری، تبدیل و فیلتر کردن مجموعه‌های داده بزرگ با قابلیت‌های تاریخ و زمان پیشرفته پانداها به‌صورت گروهی با استفاده از اهرم‌سازی، متناسب کردن مدل‌های خطی با استفاده از مدل‌های آماری و کتابخانه‌های یادگیری scikit استفاده از مدل‌سازی خطی تعمیم‌یافته برای برازش مدل‌ها با مدل‌های مختلف. متغیرهای پاسخ مقایسه چندین مدل برای انتخاب \"بهترین\" منظم کردن برای غلبه بر برازش و بهبود عملکرد استفاده از خوشه بندی در یادگیری ماشینی بدون نظارت ثبت نام کنید محصول در informit.com/register برای دسترسی راحت به بارگیری‌ها، به‌روزرسانی‌ها و/یا اصلاحات به محض دردسترس شدن.نرمال 0 false false EN-US X-NONE X-NONE
با DataFrames و Series کار کنید و داده ها را وارد یا صادر کنید. ایجاد نمودار با matplotlib، seaborn، و panda ها مجموعه داده ها را ترکیب کنید و داده های از دست رفته را مدیریت کنید، مجموعه داده ها را تغییر شکل دهید، مرتب و تمیز کنید تا کار با آنها آسان تر شود. تبدیل انواع داده‌ها و دستکاری رشته‌های متنی اعمال توابع برای مقیاس‌بندی دستکاری داده‌ها جمع‌آوری، تبدیل و فیلتر کردن مجموعه‌های داده بزرگ با قابلیت‌های تاریخ و زمان پیشرفته پانداها به‌صورت گروهی با استفاده از اهرم‌سازی، متناسب کردن مدل‌های خطی با استفاده از مدل‌های آماری و کتابخانه‌های یادگیری scikit استفاده از مدل‌سازی خطی تعمیم‌یافته برای برازش مدل‌ها با مدل‌های مختلف. متغیرهای پاسخ مقایسه چندین مدل برای انتخاب \"بهترین\" منظم کردن برای غلبه بر برازش و بهبود عملکرد استفاده از خوشه بندی در یادگیری ماشینی بدون نظارت ثبت نام کنید محصول در informit.com/register برای دسترسی راحت به بارگیری‌ها، به‌روزرسانی‌ها و/یا اصلاحات به محض دردسترس شدن.نرمال 0 false false EN-US X-NONE X-NONE
توضیحاتی درمورد کتاب به خارجی
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 for convenient access to downloads, updates, and/or corrections as they become available.Normal 0 false false false EN-US X-NONE X-NONE
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 for convenient access to downloads, updates, and/or corrections as they become available.Normal 0 false false false EN-US X-NONE X-NONE
