دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Igor Milovanovic, Dimitry Foures, Giuseppe Vettigli سری: ISBN (شابک) : 9781784396695 ناشر: Packt Publishing سال نشر: 2015 تعداد صفحات: 302 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 20 مگابایت
در صورت تبدیل فایل کتاب Python Data Visualization Cookbook, 2nd Edition: Over 70 recipes to get you started with popular Python libraries based on the principal concepts of data visualization 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 کتاب آشپزی تجسم داده Python ، ویرایش 2: بیش از 70 دستور العمل برای شروع کتابخانه های محبوب پایتون بر اساس مفاهیم اصلی تجسم داده ها 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.
کتاب آشپزی تجسم دادههای پایتون خواننده را از نقطه نصب و راهاندازی یک محیط پایتون برای دستکاری و تجسم دادهها تا انیمیشنهای سه بعدی با استفاده از کتابخانههای پایتون پیش میبرد. خوانندگان از بیش از 60 دستور العمل دقیق و قابل تکرار بهره خواهند برد که خواننده را به سمت درک بهتر مفاهیم داده و بلوک های سازنده مفاهیم بعدی و گاهی پیشرفته تر راهنمایی می کند. کتاب آشپزی تجسم دادههای پایتون با نشان دادن نحوه راهاندازی matplotlib و کتابخانههای مربوطه که برای بیشتر قسمتهای کتاب مورد نیاز است، شروع میشود، قبل از اینکه به بحث در مورد برخی از نمودارها و نمودارهای کمتر استفادهشده مانند نمودارهای گانت یا نمودارهای سانکی بپردازیم. در ابتدا از نمودارها و نمودارهای ساده تا موارد پیشرفته تر استفاده می کند تا درک آن را برای خوانندگان آسان کند. همانطور که خوانندگان کتاب را مرور می کنند، با نمودارهای سه بعدی و انیمیشن ها آشنا می شوند. نقشه ها برای نمایش داده های جغرافیایی مکانی غیرقابل جایگزین هستند، بنابراین این کتاب همچنین نحوه ساخت آنها را نشان می دهد. در فصل آخر، توضیحی در مورد نحوه ادغام matplotlib در محیطهای مختلف، مانند سیستم نوشتن، LaTeX، یا نحوه ایجاد نمودارهای گانت با استفاده از پایتون ارائه شده است.
Python Data Visualization Cookbook will progress the reader from the point of installing and setting up a Python environment for data manipulation and visualization all the way to 3D animations using Python libraries. Readers will benefit from over 60 precise and reproducible recipes that will guide the reader towards a better understanding of data concepts and the building blocks for subsequent and sometimes more advanced concepts. Python Data Visualization Cookbook starts by showing how to set up matplotlib and the related libraries that are required for most parts of the book, before moving on to discuss some of the lesser-used diagrams and charts such as Gantt Charts or Sankey diagrams. Initially it uses simple plots and charts to more advanced ones, to make it easy to understand for readers. As the readers will go through the book, they will get to know about the 3D diagrams and animations. Maps are irreplaceable for displaying geo-spatial data, so this book will also show how to build them. In the last chapter, it includes explanation on how to incorporate matplotlib into different environments, such as a writing system, LaTeX, or how to create Gantt charts using Python.
Cover Copyright Credits About the Authors About the Reviewer www.PacktPub.com Table of Contents Preface Chapter 1: Preparing Your Working Environment Introduction Installing matplotlib, NumPy, and SciPy Installing virtualenv and virtualenvwrapper Installing matplotlib on Mac OS X Installing matplotlib on Windows Installing Python Imaging Library (PIL) for image processing Installing a requests module Customizing matplotlib\'s parameters in code Customizing matplotlib\'s parameters per project Chapter 2: Knowing Your Data Introduction Importing data from CSV Importing data from Microsoft Excel files Importing data from fixed-width data files Importing data from tab-delimited files Importing data from a JSON resource Exporting data to JSON, CSV, and Excel Importing and manipulating data with Pandas Importing data from a database Cleaning up data from outliers Reading files in chunks Reading streaming data sources Importing image data into NumPy arrays Generating controlled random datasets Smoothing the noise in real-world data Chapter 3: Drawing Your First Plots and Customizing Them Introduction Defining plot types – bar, line, and stacked charts Drawing simple sine and cosine plots Defining axis lengths and limits Defining plot line styles, properties, and format strings Setting ticks, labels, and grids Adding legends and annotations Moving spines to the center Making histograms Making bar charts with error bars Making pie charts count Plotting with filled areas Making stacked plots Drawing scatter plots with colored markers Chapter 4: More Plots and Customizations Introduction Setting the transparency and size of axis labels Adding a shadow to the chart line Adding a data table to the figure Using subplots Customizing grids Creating contour plots Filling an under-plot area Drawing polar plots Visualizing the filesystem tree using a polar bar Customizing matplotlib with style Chapter 5: Making 3D Visualizations Introduction Creating 3D bars Creating 3D histograms Animating in matplotlib Animating with OpenGL Chapter 6: Plotting Charts with Images and Maps Introduction Processing images with PIL Plotting with images Displaying images with other plots in the figure Plotting data on a map using Basemap Plotting data on a map using the Google Map API Generating CAPTCHA images Chapter 7: Using the Right Plots to Understand Data Introduction Understanding logarithmic plots Understanding spectrograms Creating stem plot Drawing streamlines of vector flow Using colormaps Using scatter plots and histograms Plotting the cross correlation between two variables Importance of autocorrelation Chapter 8: More on matplotlib Gems Introduction Drawing barbs Making a box and a whisker plot Making Gantt charts Making error bars Making use of text and font properties Rendering text with LaTeX Understanding the difference between pyplot and OO API Chapter 9: Visualizations in the Clouds with Plot.ly Introduction Creating line charts Creating bar charts Plotting a 3D trefoil knot Visualizing maps and bubbles Index