Python Data Science Handbook: Essential Tools for Working with Data

Python ابزار درجه یک برای بسیاری از محققان است، در درجه اول به دلیل کتابخانه های آن برای ذخیره، دستکاری و کسب بینش از داده ها. منابع متعددی برای تک تک تکه‌های این پشته علم داده وجود دارد، اما فقط با نسخه جدید کتابچه راهنمای علوم داده پایتون می‌توانید همه آنها را دریافت کنید - IPython، NumPy، پانداها، Matplotlib، scikit-learn و سایر ابزارهای مرتبط.

دانشمندان فعال و خردکننده‌های داده که با خواندن و نوشتن کد پایتون آشنا هستند، نسخه دوم این مرجع جامع میز را برای مقابله با مسائل روزمره ایده‌آل می‌یابند: دستکاری، تبدیل، و پاک کردن داده ها؛ تجسم انواع مختلف داده ها؛ و استفاده از داده ها برای ساخت مدل های آماری یا یادگیری ماشینی. خیلی ساده، این مرجع ضروری برای محاسبات علمی در پایتون است.

با این کتابچه راهنما، یاد خواهید گرفت که چگونه:

• IPython و Jupyter محیط‌های محاسباتی را فراهم می‌کنند. برای دانشمندانی که از Python استفاده می کنند
• NumPy دارای ndarray برای ذخیره سازی کارآمد و دستکاری آرایه های داده متراکم است
• پانداها حاوی DataFrame برای ذخیره سازی کارآمد و دستکاری داده های برچسب دار/ستونی هستند
• Matplotlib دارای قابلیت هایی برای انعطاف پذیری است. طیف وسیعی از تجسم داده‌ها
• Scikit-learn به شما کمک می‌کند پیاده‌سازی‌های پایتون کارآمد و تمیزی از مهم‌ترین و شناخته‌شده‌ترین الگوریتم‌های یادگیری ماشین بسازید <. /span>

Python is a first-class tool for many researchers, primarily because of its libraries for storing, manipulating, and gaining insight from data. Several resources exist for individual pieces of this data science stack, but only with the new edition of Python Data Science Handbook do you get them all--IPython, NumPy, pandas, Matplotlib, scikit-learn, and other related tools.

Working scientists and data crunchers familiar with reading and writing Python code will find the second edition of this comprehensive desk reference ideal for tackling day-to-day issues: manipulating, transforming, and cleaning data; visualizing different types of data; and using data to build statistical or machine learning models. Quite simply, this is the must-have reference for scientific computing in Python.

With this handbook, you'll learn how:

• IPython and Jupyter provide computational environments for scientists using Python
• NumPy includes the ndarray for efficient storage and manipulation of dense data arrays
• Pandas contains the DataFrame for efficient storage and manipulation of labeled/columnar data
• Matplotlib includes capabilities for a flexible range of data visualizations
• Scikit-learn helps you build efficient and clean Python implementations of the most important and established machine learning algorithms