Anaconda - это платформа для анализа данных для специалистов по данным, ИТ-специалистов и бизнес-лидеров будущего. Это распределение Python , р и т.д. Более 300 пакетов для , становится одной из лучших платформ для любого проекта. В этом Anaconda, мы обсудим, как мы можем использовать Anaconda для программирования на Python. В этом блоге обсуждаются следующие темы:
- Введение в Анаконду
- Установка и настройка
- Как установить библиотеки Python в Anaconda?
- Анаконда навигатор
- Пример использования
Введение в Анаконду
Anaconda - это дистрибутив с открытым исходным кодом для Python и R. Он используется для наука о данных , , глубокое обучение и т. д. При наличии более 300 библиотек для науки о данных для любого программиста становится достаточно оптимальным работать с anaconda для науки о данных.
Anaconda помогает упростить управление пакетами и развертывание. Anaconda поставляется с широким спектром инструментов для простого сбора данных из различных источников с использованием различных алгоритмов машинного обучения и искусственного интеллекта. Это помогает получить легко управляемую настройку среды, которая позволяет развернуть любой проект одним нажатием кнопки.
Теперь, когда мы знаем, что такое анаконда, давайте попробуем понять, как мы можем установить анаконду и настроить среду для работы в наших системах.
Установка и настройка
Чтобы установить анаконду, перейдите в https://www.anaconda.com/distribution/ .
как преобразовать double в int java
Выберите подходящую вам версию и нажмите на скачивание. После завершения загрузки откройте настройку.
Следуйте инструкциям в настройке. Не забудьте нажать «Добавить анаконду» в переменную окружения моего пути. После завершения установки вы получите окно, как показано на изображении ниже.
После завершения установки откройте приглашение anaconda и введите .
Вы увидите окно, как показано на изображении ниже.
Теперь, когда мы знаем, как использовать anaconda для python, давайте посмотрим, как мы можем установить различные библиотеки в anaconda для любого проекта.
Как установить библиотеки Python в Anaconda?
Откройте приглашение anaconda и проверьте, установлена ли библиотека уже или нет.
Поскольку модуля с именем numpy нет, мы запустим следующую команду, чтобы установить numpy.
После завершения установки вы получите окно, показанное на изображении.
После того, как вы установили библиотеку, просто попробуйте снова импортировать модуль для уверенности.
Как видите, вначале у нас не было ошибок, поэтому мы можем установить различные библиотеки в anaconda.
Анаконда навигатор
Anaconda Navigator - это графический интерфейс для рабочего стола, который поставляется с дистрибутивом anaconda. Это позволяет нам запускать приложения и управлять пакетами conda, средой и без использования команд командной строки.
Пример использования - основы Python
Переменные и типы данных
Переменные и типы данных являются строительными блоками любого языка программирования. Python имеет 6 типов данных в зависимости от свойств, которыми они обладают. Список, словарь, набор, кортеж - это типы данных коллекции в языке программирования Python.
Пример Java-контроллера представления модели
Ниже приведен пример, показывающий, как переменные и типы данных используются в Python.
# объявление переменной name = 'Edureka' f = 1991 print ('Python был основан в', f) # типы данных a = [1,2,3,4,5,6,7] b = {1: 'edureka' , 2: 'python'} c = (1,2,3,4,5) d = {1,2,3,4,5} print ('список есть', a) print ('словарь' , b) print ('кортеж есть', c) print ('набор есть', d)Операторы
Операторы в Python используются для операций между значениями или переменными. В python есть 7 типов операторов.
- Оператор присваивания
- Арифметический оператор
- Логический оператор
- Оператор сравнения
- Побитовый оператор
- Оператор членства
- Оператор идентификации
Ниже приведен пример использования нескольких операторов в Python.
a = 10 b = 15 # арифметический оператор print (a + b) print (a - b) print (a * b) # оператор присваивания a + = 10 print (a) # оператор сравнения #a! = 10 #b == a # логический оператор a> b и a> 10 # это вернет истину, если оба утверждения верны.
Контрольные заявления
Заявления вроде , break, continue используются в качестве управляющего оператора, чтобы получить контроль над выполнением для достижения оптимальных результатов. Мы можем использовать эти операторы в различных циклах Python для управления результатом. Ниже приведен пример, показывающий, как мы можем работать с управляющими и условными операторами.
name = 'edureka' для i в имени: if i == 'a': break else: print (i)
Функции
обеспечить возможность многократного использования кода эффективным способом, где мы можем написать логику для постановки проблемы и запустить несколько аргументов, чтобы получить оптимальные решения. Ниже приведен пример того, как мы можем использовать функции в Python.
def func (a): вернуть ** a res = func (10) print (res)
Классы и объекты
Поскольку python поддерживает объектно-ориентированное программирование, мы можем работать с классы и объекты также. Ниже приведен пример того, как мы можем работать с классами и объектами в Python.
class Parent: def func (self): print ('это родительский') class Child (Parent): def func1 (self): print ('this is child') ob = new Child () ob.func ()Это несколько фундаментальных концепций Python для начала. Теперь, говоря о поддержке больших пакетов в anaconda, мы можем работать с большим количеством библиотек. Давайте посмотрим, как мы можем использовать python anaconda для анализа данных.
Пример использования - Аналитика
Это определенные шаги, связанные с . Давайте посмотрим, как работает анализ данных в Anaconda и различных библиотеках, которые мы можем использовать.
Сбор данных
В сбор данных так же просто, как загрузить файл CSV в программу. Затем мы можем использовать соответствующие данные для анализа конкретных экземпляров или записей в данных. Ниже приведен код для загрузки данных CSV в программу.
импортировать панды как pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns df = pd.read_csv ('filename.csv') print (df.head (5))Нарезка и нарезка кубиками
После загрузки набора данных в программу мы должны отфильтровать данные с некоторыми изменениями, такими как удаление нулевых значений и ненужных полей, которые могут вызвать неоднозначность в анализе.
Ниже приведен пример того, как мы можем фильтровать данные в соответствии с требованиями.
print (df.isnull (). sum ()) # это даст сумму всех нулевых значений в наборе данных. df1 = df.dropna (axis = 0, how = 'any') # это отбросит строки с нулевыми значениями.
метод system.exit завершит приложение.
Мы также можем отбросить нулевые значения.
BoxPlot
sns.boxplot (x = df ['Диапазон зарплаты от']) sns.boxplot (x = df ['Диапазон зарплаты до'])
Точечная диаграмма
import matplotlib.pyplot as plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Salary Range From'], df ['Salary Range To']) ax.set_xlabel ('Salary Диапазон от ') ax.set_ylabel (' Диапазон зарплаты ДО ') plt.show ()
Визуализация
После того, как мы изменили данные в соответствии с требованиями, необходимо их проанализировать. Один из способов сделать это - визуализировать результаты. Лучше помогает в оптимальном анализе прогнозов данных.
Ниже приведен пример визуализации данных.
sns.countplot (x = 'Показатель полной / неполной занятости', data = df) sns.countplot (x = 'Показатель полной / неполной занятости', hue = 'Частота зарплаты', data = df) sns .countplot (hue = 'Индикатор полной / неполной занятости', x = 'Тип публикации', data = df) df ['Диапазон заработной платы от']. plot.hist () df ['Диапазон зарплаты до']. plot.hist ()
импортировать matplotlib.pyplot как plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. title ('Корреляция', fontsize = 5) plt.show ()Анализ
После визуализации мы можем провести анализ, рассматривая различные графики и графики. Предположим, мы работаем с данными о вакансиях, глядя на визуальное представление конкретной работы в регионе, мы можем определить количество вакансий в конкретной области.
Из приведенного выше анализа можно предположить следующие результаты
- Количество рабочих мест с неполной занятостью в наборе данных намного меньше по сравнению с рабочими местами с полной занятостью.
- в то время как количество рабочих мест с неполной занятостью составляет менее 500, полный рабочий день - более 2500.
- На основе этого анализа мы можем построить модель прогноза.
В этом руководстве по python anaconda мы поняли, как можно настроить anaconda для python с вариантами использования, которые охватывают основы python, анализ данных и машинное обучение. Имея более 300 пакетов для анализа данных, anaconda обеспечивает оптимальную поддержку с эффективными результатами. Чтобы улучшить свои навыки в питоне, зарегистрируйтесь в Edureka’s и дать толчок вашему обучению.
Есть вопросы? упомяните их в комментариях к этой статье «Учебник по python anaconda», и мы свяжемся с вами как можно скорее.