Python Programming for Data Analysis

ویرایش: 1st ed. 2021 
نویسندگان: José Unpingco  
سری:  
ISBN (شابک) : 3030689514, 9783030689513 
ناشر: Springer 
سال نشر: 2021 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 47 مگابایت 

قیمت کتاب (تومان) : 50,000

این کتاب درسی از یادداشت‌های کلاس برنامه‌نویسی برای تجزیه و تحلیل داده ECE143 که نویسنده در دانشگاه کالیفرنیا، سن دیگو تدریس می‌کرد، ایجاد شد، که هم برای مقاطع تحصیلات تکمیلی و هم در مقطع کارشناسی در یادگیری ماشین و علم داده الزامی است. این کتاب برای خوانندگانی که تجربه برنامه نویسی پایتون دارند ایده آل است. این کتاب مفاهیم کلیدی زبانی را پوشش می‌دهد که باید برای برنامه‌نویسی مؤثر درک شوند، به‌ویژه برای کاربردهای تحلیل داده‌ها. برخی از ویژگی های زبان سطح پایین به طور مفصل مورد بحث قرار می گیرند، به ویژه مدیریت حافظه پایتون و ساختارهای داده. استفاده موثر از پایتون به معنای بهره گیری از اکوسیستم وسیع آن است. این کتاب مدیریت بسته پایتون و نحوه استفاده از ماژول های شخص ثالث و همچنین نحوه ساختار ماژول های پایتون خود را مورد بحث قرار می دهد. بخش برنامه‌نویسی شی‌گرا ویژگی‌های زبان را توضیح می‌دهد که الگوهای برنامه‌نویسی رایج را تسهیل می‌کند.

پس از توسعه ویژگی‌های کلیدی زبان پایتون، کتاب به سراغ ماژول‌های شخص ثالث می‌رود که برای مؤثر بودن اساسی هستند. تجزیه و تحلیل داده ها، با Numpy شروع می شود. این کتاب مفاهیم کلیدی Numpy را توسعه می دهد و ساختارهای داده آرایه Numpy داخلی و استفاده از حافظه را مورد بحث قرار می دهد. سپس، نویسنده به سراغ پانداها می رود و ویژگی های متعدد آن را برای پردازش و هم ترازی داده ها شرح می دهد. از آنجایی که تجسم‌های قوی برای تجزیه و تحلیل داده‌های ارتباطی مهم هستند، ماژول‌های کلیدی مانند Matplotlib به همراه گزینه‌های مبتنی بر وب مانند Bokeh، Holoviews، Altair و Plotly با جزئیات توسعه داده می‌شوند.

متن با ترفندهای زیادی پر شده است. - تجارتی که به جلوگیری از دام های رایج کمک می کند. نویسنده منطق داخلی تجسم یافته در زبان پایتون را توضیح می دهد تا خوانندگان بتوانند به ذهنیت پایتون وارد شوند و انتخاب های طراحی بهتری در کدهای خود داشته باشند، که به ویژه برای تازه واردان به پایتون و تجزیه و تحلیل داده ها مفید است.

برای استفاده حداکثری از این کتاب، یک مفسر پایتون را باز کنید و همراه با نمونه‌های کد فراوان تایپ کنید.

This textbook grew out of notes for the ECE143 Programming for Data Analysis class that the author has been teaching at University of California, San Diego, which is a requirement for both graduate and undergraduate degrees in Machine Learning and Data Science. This book is ideal for readers with some Python programming experience. The book covers key language concepts that must be understood to program effectively, especially for data analysis applications. Certain low-level language features are discussed in detail, especially Python memory management and data structures. Using Python effectively means taking advantage of its vast ecosystem. The book discusses Python package management and how to use third-party modules as well as how to structure your own Python modules.  The section on object-oriented programming explains features of the language that facilitate common programming patterns.

After developing the key Python language features, the book moves on to third-party modules that are foundational for effective data analysis, starting with Numpy. The book develops key Numpy concepts and discusses internal Numpy array data structures and memory usage. Then, the author moves onto Pandas and details its many features for data processing and alignment. Because strong visualizations are important for communicating data analysis, key modules such as Matplotlib are developed in detail, along with web-based options such as Bokeh, Holoviews, Altair, and Plotly.

The text is sprinkled with many tricks-of-the-trade that help avoid common pitfalls. The author explains the internal logic embodied in the Python language so that readers can get into the Python mindset and make better design choices in their codes, which is especially helpful for newcomers to both Python and data analysis. 

To get the most out of this book, open a Python interpreter and type along with the many code samples.