تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی سریعتر pandas

دوره آموزشی سریعتر pandas

1 ساعت 25 دقیقهپیشرفته2020-11-18

مدرسین

Miki Tebeka

Miki Tebeka

CEO at 353Solutions

جزئیات دوره

دانشمندان داده اغلب pandas را ترجیح می‌دهند، زیرا به آنها امکان می‌دهد با مقادیر بیشتری از داده‌ها به طور موثر کار کنند - کیفیتی مفید با بزرگتر و بزرگتر شدن مجموعه داده ها. در این دوره، مربی Miki Tebeka به شما نشان می‌دهد که چگونه سرعت و کارایی کد pandas خود را بهبود ببخشید. ابتدا، او توضیح می‌دهد که چرا عملکرد مهم است و چگونه می‌توانید آن را با نمایه‌های پایتون اندازه بگیرید. سپس، دوره به شما می‌آموزد که چگونه با استفاده از بردار برای دستکاری داده‌ها استفاده کنید. این دوره همچنین برخی از اشتباهات رایج و چگونگی رفع آنها را مرور می‌کند.

پایتون و pandas توابع داخلی با عملکرد بالا دارند و او نحوه استفاده از آنها را پوشش می‌دهد. Pandas می‌تواند از حافظه زیادی استفاده کند، بنابراین او نکات خوبی در مورد نحوه ذخیره‌سازی حافظه ارائه می‌دهد. این دوره نحوه سریال‌سازی داده‌ها با SQL و HDF5 را نشان می‌دهد. سپس در مورد چگونگی سرعت بخشیدن به کد شما با Numba و Cython صحبت می‌کند. فریم‌های داده جایگزین نیز می‌توانند سرعت کد شما را افزایش دهند، و از طریق برخی گزینه‌ها گام برمی دارد. به علاوه، در چند منبع اضافی کاوش کنید که می‌توانید بررسی کنید.

مهارت ها

pandasPythonData AnalysisData ScienceBusiness Analysis and StrategyBusiness Software and ToolsOpen SourceOne-Off

سرفصل ها

0. مقدمه

  • 01 - پانداها و عملکرد
  • 02 - آنچه باید بدانید
  • 03 - کار با فایل‌ها در GitHub

1. بررسی اجمالی

  • 04 - چرا عملکرد مهم است
  • 05 - تعیین اهداف
  • 06 - اندازه‌گیری عملکرد
  • 07 - پروفایل
  • 08 - چالش - گلوگاه را شناسایی کنید
  • 09 - راه حل - گلوگاه را شناسایی کنید

2. برداری

  • 10 - برداری چیست
  • 11 - پروفایل سازی بولی
  • 12 - درک Ufuncs
  • 13 - چالش - انتخاب و دستکاری داده ها
  • 14 - راه حل - انتخاب و دستکاری داده ها

3. اشتباهات رایج

  • 15 - محدودیت‌های الحاق
  • 16 - محدودیت‌های شی dtype
  • 17 - محدودیت‌های تکرار ردیف
  • 18 - درک تابع isin
  • 19 - زمان تجزیه یک بار
  • 20 - چالش - یک DataFrame را کوئری‌ کنید
  • 21 - راه حل - یک DataFrame را کوئری‌ کنید

4. عملکرد پانداها

  • 22 - استفاده از توابع داخلی
  • 23 - درک eval و query
  • 24 - درک تابع join
  • 25 - چالش - بپیوندید و کوئری‌ کنید
  • 26 - راه حل - بپیوندید و کوئری‌ کنید

5. صرفه‌جویی در حافظه

  • 27 - چرا حافظه مهم است
  • 28 - اندازه‌گیری حافظه
  • 29 - بارگذاری بخش‌هایی از داده ها
  • 30 - داده‌های طبقه بندی شده
  • 31 - چالش - کاهش حافظه
  • 32 - راه حل - کاهش حافظه

6. سریال سازی سریع

  • 33 - فرمت‌های مختلف و چرا CSV نیست
  • 34 - بهینه‌سازی با SQL
  • 35 - بهینه‌سازی با HDF5
  • 36 - چالش - مدت زمان دوچرخه سواری
  • 37 - راه حل - مدت زمان دوچرخه سواری

7. Numba و Cython

  • 38 - Numba چیست
  • 39 - استفاده از Numba
  • 40 - Cython چیست
  • 41 - نوشتن کد Cython
  • 42 - کامپایل Cython
  • 43 - جادوی سیتون
  • 44 - چالش - افزایش سرعت Cython
  • 45 - راه حل - افزایش سرعت Cython

8. DataFrames جایگزین

  • 46 - مروری بر DataFrame‌های جایگزین
  • 47 - استفاده از Dask
  • 48 - استفاده از Vaex
  • 49 - چالش - Vaex در مقابل پانداها
  • 50 - راه حل - Vaex در مقابل پانداها

نتیجه

  • 51 - مراحل بعدی

دوره های مرتبط

مسیرهای 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