دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Practical Data Wrangling (source Code)
دانلود کتاب جدال داده های عملی (کد منبع)
مشخصات کتاب
Practical Data Wrangling (source Code)
ویرایش:
نویسندگان: Allan Visochek
سری:
ISBN (شابک) : 1787286134, 9781787286139
ناشر: Packt Publishing - ebooks Account
سال نشر: 2017
تعداد صفحات: 0
زبان: English
فرمت فایل : ZIP (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
قیمت کتاب (تومان) : 49,000
کلمات کلیدی مربوط به کتاب جدال داده های عملی (کد منبع): مدل‌سازی و طراحی داده، پایگاه‌های داده و داده‌های بزرگ، رایانه‌ها و فناوری، پردازش داده‌ها، پایگاه‌های داده و داده‌های بزرگ، رایانه‌ها و فناوری
در صورت تبدیل فایل کتاب Practical Data Wrangling (source Code) 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 جدال داده های عملی (کد منبع) 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 جدال داده های عملی (کد منبع)
ویژگی های کلیدی
- این راهنمای آسان برای دنبال کردن، شما را در هر مرحله از فرآیند جدال داده ها به بهترین شکل ممکن راهنمایی می کند
- کار با انواع مختلف مجموعه داده ها و طرح‌بندی داده‌های خود را تغییر شکل دهید تا تجزیه و تحلیل آسان‌تر شود
- دریافت مثال‌های ساده و راه‌حل‌های جدال داده‌های واقعی برای پیش‌پردازش داده‌ها
شرح کتاب< /h4>
حدود 80 درصد از زمان تجزیه و تحلیل داده ها صرف تمیز کردن و آماده سازی داده ها برای تجزیه و تحلیل می شود. با این حال، این یک وظیفه مهم است و پیش نیاز بقیه جریان کار تجزیه و تحلیل داده ها، از جمله تجسم، تجزیه و تحلیل و گزارش است. پایتون و R به عنوان یک ابزار محبوب برای تجزیه و تحلیل داده‌ها در نظر گرفته می‌شوند و بسته‌هایی دارند که به بهترین وجه می‌توان از آنها برای دستکاری انواع مختلف داده‌ها، بنا به نیاز شما استفاده کرد. این کتاب تکنیک‌های مختلف جدال داده‌ها را به شما نشان می‌دهد و اینکه چگونه می‌توانید از قدرت بسته‌های پایتون و R برای پیاده‌سازی آنها استفاده کنید.
شما با درک فرآیند جدال داده‌ها شروع می‌کنید و پایه‌ای محکم برای دستیابی به آن خواهید داشت. کار با انواع مختلف داده شما با ساختارهای داده های مختلف کار خواهید کرد و داده ها را از مکان های مختلف جمع آوری و تجزیه خواهید کرد. همچنین خواهید دید که چگونه می توان طرح بندی داده ها را تغییر شکل داد و مجموعه های داده را دستکاری، خلاصه و ملحق کرد. در نهایت، ما با یک آغازگر سریع در مورد دسترسی و پردازش داده ها از پایگاه های داده، انجام کاوش داده ها، و ذخیره و بازیابی سریع داده ها با استفاده از پایگاه های داده نتیجه گیری می کنیم.
این کتاب شامل مثال های عملی در مورد هر یک از این نکات با استفاده از ساده و واقعی است. مجموعه داده های جهان برای درک آسان تر به شما. در پایان کتاب، درک کاملی از تمام مفاهیم بحث و گفتگوی داده ها و نحوه اجرای آنها به بهترین شکل ممکن خواهید داشت.
آنچه یاد خواهید گرفت
-
<. li>یک فایل csv را در پایتون و R بخوانید و برخی از
آمارها را در مورد داده ها چاپ کنید
- درباره فرمت های داده و ساختارهای برنامه نویسی مربوط به بازیابی داده های API اطلاعات کسب کنید
- استفاده موثر عبارات منظم در فرآیند جدال داده ها
- کاوش در ابزارها و بسته های موجود برای آماده سازی داده های عددی برای تجزیه و تحلیل
- یافتن نحوه کنترل بهتر بر دستکاری ساختار داده ها
- li>
- تدبیری برای خواندن، ممیزی، تصحیح و شکل دادن به داده‌ها به صورت برنامه‌ریزی کنید
- نوشتن و تکمیل برنامه‌ها برای دریافت، قالب‌بندی و خروجی مجموعه داده‌ها
درباره نویسنده
Allan Visochek یک توسعه دهنده وب آزاد و تحلیلگر داده در نیوهیون، کانکتیکات است. خارج از محل کار، آلن علاقه عمیقی به یادگیری ماشین و هوش مصنوعی دارد.
آلن کاملاً از آموزش و به اشتراک گذاری دانش لذت می برد. پس از فارغ التحصیلی از برنامه Nanodegree تحلیلگر داده Udacity، او برای چند ماه به عنوان مربی انجمن و بازبینی پروژه با Udacity قرارداد داشت و به دانشجویانی که در پروژه های تجزیه و تحلیل داده کار می کردند راهنمایی می کرد. او همچنین محتوای فنی را برای LearnToProgram نوشته است.
فهرست محتوا
- برنامه نویسی با داده
- مقدمه ای بر برنامه نویسی در پایتون <. li>خواندن، نوشتن و اصلاح داده ها در Python I
- خواندن، نوشتن و اصلاح داده ها در Python II
- داده های متنی و عبارات منظم
- پاک کردن داده های عددی: مقدمه ای بر R و Rstudio
- Munging داده ها در R با استفاده از Dplyr
- دریافت داده از وب
- کار با مجموعه داده های بسیار بزرگ
توضیحاتی درمورد کتاب به خارجی
Key Features
- This easy-to-follow guide takes you through every step of the data wrangling process in the best possible way
- Work with different types of datasets, and reshape the layout of your data to make it easier for analysis
- Get simple examples and real-life data wrangling solutions for data pre-processing
Book Description
Around 80% of time in data analysis is spent on cleaning and preparing data for analysis. This is, however, an important task, and is a prerequisite to the rest of the data analysis workflow, including visualization, analysis and reporting. Python and R are considered a popular choice of tool for data analysis, and have packages that can be best used to manipulate different kinds of data, as per your requirements. This book will show you the different data wrangling techniques, and how you can leverage the power of Python and R packages to implement them.
You’ll start by understanding the data wrangling process and get a solid foundation to work with different types of data. You’ll work with different data structures and acquire and parse data from various locations. You’ll also see how to reshape the layout of data and manipulate, summarize, and join data sets. Finally, we conclude with a quick primer on accessing and processing data from databases, conducting data exploration, and storing and retrieving data quickly using databases.
The book includes practical examples on each of these points using simple and real-world data sets to give you an easier understanding. By the end of the book, you’ll have a thorough understanding of all the data wrangling concepts and how to implement them in the best possible way.
What you will learn
- Read a csv file into python and R, and print out some statistics on the data
- Gain knowledge of the data formats and programming structures involved in retrieving API data
- Make effective use of regular expressions in the data wrangling process
- Explore the tools and packages available to prepare numerical data for analysis
- Find out how to have better control over manipulating the structure of the data
- Create a dexterity to programmatically read, audit, correct, and shape data
- Write and complete programs to take in, format, and output data sets
About the Author
Allan Visochek is a freelance web developer and data analyst in New Haven, Connecticut. Outside of work, Allan has a deep interest in machine learning and artificial intelligence.
Allan thoroughly enjoys teaching and sharing knowledge. After graduating from the Udacity Data Analyst Nanodegree program, he was contracted to Udacity for several months as a forum mentor and project reviewer, offering guidance to students working on data analysis projects. He has also written technical content for LearnToProgram.
Table of Contents
- Programming with Data
- An Introduction to Programming in Python
- Reading, Writing and Modifying Data in Python I
- Reading, Writing and Modifying Data in Python II
- Text Data and Regular expressions
- Cleaning Numerical Data: An Introduction To R and Rstudio
- Data Munging in R using Dplyr
- Getting data from the web
- Working with really large datasets
