تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی تحلیل داده‌ها با پایتون و پانداس

دوره آموزشی تحلیل داده‌ها با پایتون و پانداس

13 ساعت 36 دقیقهمتوسط2024-09-30

مدرسین

Maven Analytics

Maven Analytics

Chris Bruehl

Chris Bruehl

جزئیات دوره

امروزه تحلیل داده‌ها بخش مهمی از تصمیم‌گیری‌های تجاری و تحقیقاتی است و Python یکی از ابزارهای قدرتمند برای این کار به شمار می‌رود. دو پکیج مشهور پایتون برای این منظور NumPy و pandas هستند که هر کدام ویژگی‌ها و قابلیت‌های خاص خود را دارند. NumPy برای کار با داده‌های عددی و آرایه‌های چندبعدی طراحی شده است، در حالی که pandas یک کتابخانه است که برای کار با داده‌های جدولی مانند سری‌ها و DataFrame‌ها ابداع شده است.

در این دوره، شما از طریق پروژه‌های عملی یاد خواهید گرفت که چگونه از این ابزارها برای انجام وظایف مختلف استفاده کنید. برای مثال، با استفاده از NumPy می‌توانید عملیات‌های پیچیده ریاضی و آماری را بر روی داده‌ها انجام دهید و در عین حال با مفاهیم برداری‌سازی و پخش آشنا خواهید شد که به شما این امکان را می‌دهد تا محاسبات را به طور کارآمدتری انجام دهید. در بخش pandas، شما به ابزارهای پیشرفته‌ای مانند groupby، pivoting، و merging برای تحلیل و تجزیه داده‌های پیچیده تسلط پیدا خواهید کرد.

این دوره به شما کمک می‌کند تا تجربه‌ای عملی از چگونگی استفاده از این پکیج‌ها برای حل مسائل واقعی در زمینه تحلیل داده‌ها به دست آورید. همچنین، شما با تیم تحلیل داده شرکت Maven Mega Mart همکاری خواهید کرد و در محیطی شبیه به دنیای واقعی به تحلیل داده‌های تجاری خواهید پرداخت.

مهارت ها

pandasPythonData AnalysisProgramming LanguagesData ScienceBusiness Analysis and StrategyBusiness Software and ToolsOpen SourceSoftware DevelopmentOne-Off

سرفصل ها

0. مقدمه

  • 01 - معرفی دوره
  • 02 - ساختار دوره و طرح کلی
  • 03 - معرفی پروژه دوره
  • 04 - تعیین انتظارات
  • 05 - نصب و راه‌اندازی Jupyter

1. NumPy Primer

  • 06 - معرفی پانداها و NumPy
  • 07 - آرایه‌های NumPy و ویژگی‌های آرایه
  • 08 - چالش - اصول اولیه آرایه
  • 09 - راه حل - مبانی آرایه
  • 10 - ایجاد آرایه
  • 11 - تولید اعداد تصادفی
  • 12 - چالش - ایجاد آرایه
  • 13 - راه حل - ایجاد آرایه
  • 14 - پروفایل سازی و برش آرایه ها
  • 15 - چالش - پروفایل سازی و برش آرایه ها
  • 16 - راه حل - پروفایل سازی و برش آرایه ها
  • 17 - عملیات آرایه
  • 18 - چالش - عملیات آرایه
  • 19 - راه حل - عملیات آرایه
  • 20 - فیلتر کردن آرایه‌ها و تغییر مقادیر آرایه ها
  • 21 - تابع Where().
  • 22 - چالش - فیلتر کردن و اصلاح آرایه ها
  • 23 - راه حل - فیلتر کردن و اصلاح آرایه ها
  • 24 - تجمع آرایه
  • 25 - توابع آرایه
  • 26 - مرتب سازی آرایه ها
  • 27 - چالش - تجمیع و مرتب سازی
  • 28 - حل - تجمیع و مرتب سازی
  • 29 - برداری
  • 30 - صدا و سیما
  • 31 - چالش - جمع کردن همه چیز
  • 32 - راه حل - جمع کردن همه
  • 33 - غذای کلیدی

2. سری پانداها

  • 34 - مبانی سری
  • 35 - پانداها انواع داده و تبدیل نوع
  • 36 - چالش - انواع داده و تبدیل نوع
  • 37 - راه حل - انواع داده و تبدیل نوع
  • 38 - شاخص سری و شاخص‌های سفارشی
  • 39 - دسترسی .iloc
  • 40 - دسترسی .loc
  • 41 - مقادیر شاخص کپی و تنظیم مجدد شاخص
  • 42 - چالش - دسترسی به داده‌ها و تنظیم مجدد شاخص
  • 43 - راه حل - دسترسی به داده‌ها و تنظیم مجدد شاخص
  • 44 - فیلتر سری و تست‌های منطقی
  • 45 - مرتب سازی سری
  • 46 - چالش - مرتب سازی و فیلترینگ سریال
  • 47 - راه حل - مرتب سازی و فیلتر کردن سری
  • 48 - عملیات سری عددی
  • 49 - عملیات سری متنی
  • 50 - چالش - عملیات سری
  • 51 - راه حل - عملیات سری
  • 52 - تجمیع سری‌های عددی
  • 53 - تجمیع سری‌های دسته بندی شده
  • 54 - چالش - تجمیع سری
  • 55 - راه حل - تجمیع سری
  • 56 - نمایش داده‌های از دست رفته در پانداها
  • 57 - شناسایی داده‌های از دست رفته
  • 58 - رفع داده‌های از دست رفته
  • 59 - چالش - داده‌های از دست رفته
  • 60 - راه حل - داده‌های از دست رفته
  • 61 - اعمال توابع سفارشی به سری
  • 62 - پانداهای Where() در مقابل NumPy Where()
  • 63 - چالش - application() و where()
  • 64 - راه حل - application() و where()
  • 65 - غذای کلیدی

3. مقدمه ای بر DataFrames

  • 66 - مبانی DataFrame
  • 67 - ایجاد DataFrame
  • 68 - چالش - مبانی DataFrame
  • 69 - راه حل - مبانی DataFrame
  • 70 - کاوش DataFrames - سر، دم، و نمونه
  • 71 - بررسی DataFrames - اطلاعات و توصیف
  • 72 - چالش - کاوش در یک DataFrame
  • 73 - راه حل - بررسی یک DataFrame
  • 74 - دسترسی به ستون‌های DataFrame
  • 75 - دسترسی به داده‌های DataFrame با .iloc و .loc
  • 76 - چالش - دسترسی به داده‌های DataFrame
  • 77 - راه حل - دسترسی به داده‌های DataFrame
  • 78 - رها کردن ستون‌ها و ردیف ها
  • 79 - شناسایی و حذف موارد تکراری
  • 80 - چالش - حذف داده ها
  • 81 - راه حل - انداختن داده ها
  • 82 - داده‌های از دست رفته
  • 83 - چالش - داده‌های از دست رفته
  • 84 - راه حل - داده‌های از دست رفته
  • 85 - فیلتر کردن DataFrames
  • 86 - نکته حرفه‌ای - متد query().
  • 87 - چالش - فیلتر کردن DataFrames
  • 88 - راه حل - فیلتر کردن DataFrames
  • 89 - مرتب سازی DataFrames
  • 90 - چالش - مرتب سازی DataFrames
  • 91 - راه حل - مرتب سازی DataFrames
  • 92 - تغییر نام و ترتیب مجدد ستون ها
  • 93 - چالش - تغییر نام و ترتیب مجدد ستون ها
  • 94 - راه حل - تغییر نام و ترتیب مجدد ستون ها
  • 95 - ایجاد ستون حسابی و بولی
  • 96 - چالش - ستون‌های حسابی و بولی
  • 97 - حل - ستون‌های حسابی و بولی
  • 98 - نکته حرفه‌ای - ستون‌های شرطی پیشرفته با select()
  • 99 - چالش - تابع select().
  • 100 - راه حل - تابع select().
  • 101 - متد map().
  • 102 - نکته حرفه‌ای - ایجاد چندین ستون با assign()
  • 103 - چالش - map() و assign()
  • 104 - راه حل - map() و assign()
  • 105 - نوع داده طبقه بندی شده
  • 106 - تبدیل نوع
  • 107 - نکته حرفه‌ای - استفاده از حافظه و انواع داده
  • 108 - نکته حرفه‌ای - حذف انواع داده‌های عددی
  • 109 - چالش - انواع داده DataFrame
  • 110 - راه حل - انواع داده DataFrame
  • 111 - غذای کلیدی

4. جمع‌آوری و تغییر شکل DataFrame

  • 112 - تجمعات اساسی
  • 113 - متد groupby().
  • 114 - چالش - groupby()
  • 115 - راه حل - groupby()
  • 116 - گروه بندی بر اساس چند ستون
  • 117 - چالش - گروه بندی بر اساس چند ستون
  • 118 - راه حل - گروه بندی بر اساس چند ستون
  • 119 - MultiIndex DataFrames
  • 120 - اصلاح چند ایندکس
  • 121 - چالش - MultiIndex DataFrames
  • 122 - راه حل - MultiIndex DataFrames
  • 123 - متد agg() و aggregations نامگذاری شده است
  • 124 - چالش - متد agg().
  • 125 - راه حل - متد agg().
  • 126 - نکته حرفه‌ای - تبدیل DataFrames
  • 127 - چالش - تبدیل یک DataFrame
  • 128 - راه حل - تبدیل یک DataFrame
  • 129 - میزهای محوری در پانداها
  • 130 - جداول محوری تجمع چندگانه
  • 131 - نکته حرفه‌ای - نقشه‌های حرارتی جدول محوری
  • 132 - ذوب DataFrames
  • 133 - چالش - pivot() و melt()
  • 134 - محلول - pivot() و melt()
  • 135 - غذای کلیدی

5. تجسم داده‌های پایه

  • 136 - Matplotlib API و متد plot().
  • 137 - چالش - نمودار خط پایه
  • 138 - حل - نمودار خط پایه
  • 139 - عناوین نمودار
  • 140 - رنگ‌های نمودار
  • 141 - سبک‌های خط
  • 142 - افسانه‌های نمودار و خطوط شبکه
  • 143 - سبک‌های نمودار
  • 144 - چالش - نمودار خطی تلطیف شده
  • 145 - حل - نمودار خطی تلطیف شده
  • 146 - کرات فرعی و اندازه شکل
  • 147 - چالش - طرح‌های فرعی
  • 148 - حل - قطعات فرعی
  • 149 - نمودار میله ای
  • 150 - نمودارهای میله ای گروه بندی شده و انباشته
  • 151 - چالش - نمودار میله ای
  • 152 - حل - نمودار میله ای
  • 153 - نمودار دایره ای و نمودار پراکندگی
  • 154 - چالش - پراکنده
  • 155 - حل - نمودارهای پراکنده
  • 156 - هیستوگرام
  • 157 - چالش - هیستوگرام
  • 158 - حل - هیستوگرام
  • 159 - ذخیره قطعات و اکتشاف بیشتر
  • 160 - غذای کلیدی

6. پروژه میانه دوره

  • 161 - معرفی پروژه میان دوره
  • 162 - حل - پروژه میان دوره

7. تجزیه‌و‌تحلیل تاریخ و زمان

  • 163 - بار در پایتون و پانداها
  • 164 - تبدیل به تاریخ
  • 165 - قالب‌بندی تاریخ ها
  • 166 - قسمت‌های تاریخ و زمان
  • 167 - چالش - اصول اولیه تاریخ پانداها
  • 168 - راه حل - مبانی تاریخ پانداها
  • 169 - دلتاهای زمانی و حسابی
  • 170 - چالش - دلتاهای زمانی
  • 171 - حل - دلتاهای زمانی
  • 172 - شاخص‌های سری زمانی
  • 173 - داده‌های سری زمانی از دست رفته است
  • 174 - چالش - داده‌های سری زمانی از دست رفته است
  • 175 - راه حل - داده‌های سری زمانی وجود ندارد
  • 176 - جابجایی سری‌های زمانی
  • 177 - نکته حرفه‌ای - diff()
  • 178 - چالش - shift() و diff()
  • 179 - حل - shift() و diff()
  • 180 - تجمیع و نمونه گیری مجدد
  • 181 - چالش - نمونه گیری مجدد
  • 182 - حل - نمونه گیری مجدد
  • 183 - تجمعات نورد
  • 184 - چالش - تجمعات چرخشی
  • 185 - راه حل - تجمعات نورد
  • 186 - غذای کلیدی

8. Import و Export داده ها

  • 187 - پیش پردازش با read csv()
  • 188 - انتخاب ستون
  • 189 - انتخاب ردیف و مقادیر از دست رفته
  • 190 - تجزیه تاریخ و انواع داده ها
  • 191 - نکته حرفه‌ای - مبدل ها
  • 192 - چالش - وارد کردن داده ها
  • 193 - راه حل - Import داده ها
  • 194 - وارد کردن از متن و فایل‌های اکسل
  • 195 - Export به فایل‌های مسطح
  • 196 - چالش - Import و Export داده‌های اکسل
  • 197 - راه حل - Import و Export داده‌های اکسل
  • 198 - کار با پایگاه‌های داده SQL
  • 199 - سایر فرمت‌های فایل پشتیبانی شده
  • 200 - غذای کلیدی

9. پیوستن به DataFrames

  • 201 - چرا از چند جدول استفاده می‌کنیم
  • 202 - الحاق DataFrames
  • 203 - چالش - افزودن DataFrames
  • 204 - راه حل - الحاق DataFrames
  • 205 - پیوستن به DataFrames
  • 206 - الحاق انواع
  • 207 - پیوندهای درونی
  • 208 - سمت چپ می‌پیوندد
  • 209 - چالش - پیوستن به DataFrames
  • 210 - راه حل - پیوستن به DataFrames
  • 211 - متد join().
  • 212 - غذای کلیدی

10. پروژه دوره نهایی

  • 213 - معرفی نهایی پروژه
  • 214 - حل - پروژه نهایی

دوره های مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal