دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter
دانلود کتاب پایتون برای تجزیه و تحلیل داده ها: جدال داده با پانداها، NumPy و Jupyter
مشخصات کتاب
Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter
ویرایش: 3
نویسندگان: Wes McKinney
سری:
ISBN (شابک) : 9781098104030
ناشر: O'Reilly Media, Inc.
سال نشر: 2022
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
قیمت کتاب (تومان) : 51,000
در صورت تبدیل فایل کتاب Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter 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 پایتون برای تجزیه و تحلیل داده ها: جدال داده با پانداها، NumPy و Jupyter 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 پایتون برای تجزیه و تحلیل داده ها: جدال داده با پانداها، NumPy و Jupyter
کتابچه راهنمای قطعی دستکاری، پردازش، تمیز کردن و خرد کردن مجموعه‌های داده در پایتون را دریافت کنید. نسخه سوم این راهنمای عملی که برای Python 3.9 و pandas 1.2 به روز شده است، مملو از مطالعات موردی عملی است که به شما نشان می دهد چگونه مجموعه گسترده ای از مشکلات تجزیه و تحلیل داده ها را به طور موثر حل کنید. در این فرآیند آخرین نسخه های پانداها، NumPy و Jupyter را خواهید آموخت. این برای تحلیلگرانی که تازه وارد پایتون شده اند و برای برنامه نویسان پایتون که تازه وارد علم داده و محاسبات علمی هستند ایده آل است.
توضیحاتی درمورد کتاب به خارجی
Get the definitive handbook for manipulating, processing, cleaning, and crunching datasets in Python. Updated for Python 3.9 and pandas 1.2, the third edition of this hands-on guide is packed with practical case studies that show you how to solve a broad set of data analysis problems effectively. You'll learn the latest versions of pandas, NumPy, and Jupyter in the process. It's ideal for analysts new to Python and for Python programmers new to data science and scientific computing.
