دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Python for Data Mining Quick Syntax Reference
دانلود کتاب مرجع دستور سریع Python for Data Mining
مشخصات کتاب
Python for Data Mining Quick Syntax Reference
ویرایش:
نویسندگان: Valentina Porcu
سری:
ISBN (شابک) : 9781484241134
ناشر: Apress
سال نشر: 2018
تعداد صفحات: 266
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
قیمت کتاب (تومان) : 31,000
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Python for Data Mining Quick Syntax Reference 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 مرجع دستور سریع Python for Data Mining 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 مرجع دستور سریع Python for Data Mining
نحوه استفاده از پایتون و ساختارهای آن، نحوه نصب پایتون و اینکه کدام ابزارها برای کار تحلیلگر داده مناسب هستند را بیاموزید. این کتاب مرجع و آموزش مفیدی را در مورد موضوعاتی از مفاهیم پایه پایتون گرفته تا داده کاوی، دستکاری و وارد کردن مجموعه داده ها و تجزیه و تحلیل داده ها در اختیار شما قرار می دهد. Python for Data Mining Quick Syntax Reference هر مفهوم را به طور مختصر و با مثال های گویا فراوان پوشش می دهد. با چندین بسته داده کاوی همراه با نمونه هایی از نحوه استفاده از هر یک از آنها آشنا خواهید شد. بخش اول هسته پایتون شامل اشیا، لیست ها، توابع، ماژول ها و مدیریت خطا را پوشش می دهد. بخش دوم مهم‌ترین بسته‌های داده کاوی پایتون را پوشش می‌دهد: NumPy و SciPy برای توابع ریاضی و تولید داده‌های تصادفی، پانداها برای مدیریت چارچوب داده و واردات داده، Matplotlib برای رسم نمودارها، و scikitlearn برای یادگیری ماشین. آنچه یاد خواهید گرفت پایتون را نصب کنید و یک محیط توسعه را انتخاب کنید مفاهیم اولیه برنامه نویسی شی گرا را درک کنید، فایل ها را وارد کنید، باز کنید و ویرایش کنید تفاوت بین Python 2.x و 3.xWho This Book Is For Programmers تازه وارد به بسته های داده کاوی Python یا با تجربه در زبان های دیگر، کسانی که می خواهند یک راهنمای سریع برای ابزارها و تکنیک های پایتونیک داشته باشند.
توضیحاتی درمورد کتاب به خارجی
Learn how to use Python and its structures, how to install Python, and which tools are best suited for data analyst work. This book provides you with a handy reference and tutorial on topics ranging from basic Python concepts through to data mining, manipulating and importing datasets, and data analysis. Python for Data Mining Quick Syntax Reference covers each concept concisely, with many illustrative examples. You'll be introduced to several data mining packages, with examples of how to use each of them. The first part covers core Python including objects, lists, functions, modules, and error handling. The second part covers Python's most important data mining packages: NumPy and SciPy for mathematical functions and random data generation, pandas for dataframe management and data import, Matplotlib for drawing charts, and scikitlearn for machine learning. What You'll LearnInstall Python and choose a development environment Understand the basic concepts of object-oriented programming Import, open, and edit files Review the differences between Python 2.x and 3.xWho This Book Is For Programmers new to Python's data mining packages or with experience in other languages, who want a quick guide to Pythonic tools and techniques.
فهرست مطالب
Table of Contents......Page 4
About the Author......Page 9
About the Technical Reviewer......Page 10
Introduction......Page 11
Installing Python......Page 14
Editor and IDEs......Page 15
Differences between Python2 and Python3......Page 20
Work Directory......Page 21
Using a Terminal......Page 23
Summary......Page 24
Objects in Python......Page 25
Entering Comments in the Code......Page 26
Types of Data......Page 27
Operators......Page 28
Mathematical Operators......Page 29
Comparison and Membership Operators......Page 30
Bitwise Operators......Page 33
Assignment Operators......Page 34
Operator Order......Page 36
Indentation......Page 37
Summary......Page 38
Numbers......Page 39
Container Objects......Page 40
Tuples......Page 41
Lists......Page 44
Dictionaries......Page 49
Sets......Page 54
Strings......Page 56
Files......Page 64
Immutability......Page 65
Converting Formats......Page 68
Summary......Page 69
Some words about functions in Python......Page 70
Some Predefined Built-in Functions......Page 71
Obtain Function Information......Page 73
Create Your Own Functions......Page 76
Save and run Your Own Modules and Files......Page 78
Summary......Page 79
Conditional Instructions......Page 80
if + else......Page 81
elif......Page 82
for......Page 84
while......Page 89
continue and break......Page 91
map() and filter() Functions......Page 95
The lambda Function......Page 97
Scope......Page 98
Summary......Page 99
More on Objects......Page 100
Inheritance......Page 101
Modules......Page 103
Methods......Page 107
List Comprehension......Page 109
Regular Expressions......Page 110
User Input......Page 117
Errors and Exceptions......Page 119
Summary......Page 122
Chapter 7: Importing Files......Page 123
.csv Format......Page 127
From the Web......Page 128
In JSON......Page 129
Summary......Page 130
Libraries for Data Mining......Page 131
pandas: Series......Page 132
pandas: Data Frames......Page 140
pandas: Importing and Exporting Data......Page 157
pandas: Data Manipulation......Page 163
pandas: Missing Values......Page 172
pandas: Merging Two Datasets......Page 179
pandas: Basic Statistics......Page 184
Summary......Page 186
SciPy......Page 187
NumPy......Page 189
NumPy: Generating Random Numbers and Seeds......Page 201
Summary......Page 210
Basic Plots......Page 211
Pie Charts......Page 225
Other Plots and Charts......Page 228
Saving Plots and Charts......Page 238
Selecting Plot and Chart Styles......Page 239
More on Histograms......Page 241
Summary......Page 244
What Is Machine Learning?......Page 245
Import Datasets Included in Scikit-learn......Page 247
Creation of Training and Testing Datasets......Page 249
Regression......Page 250
K-Nearest Neighbors......Page 252
Support Vector Machine......Page 253
KMeans......Page 254
Managing Dates......Page 255
Data Sources......Page 261
Index......Page 264
