Anaconda là nền tảng khoa học dữ liệu dành cho các nhà khoa học dữ liệu, chuyên gia CNTT và các nhà lãnh đạo doanh nghiệp của tương lai. Nó là một phân phối của Python , R , v.v. Với hơn 300 gói cho , nó trở thành một trong những nền tảng tốt nhất cho bất kỳ dự án nào. Trong này hướng dẫn anaconda, chúng ta sẽ thảo luận về cách chúng ta có thể sử dụng anaconda để lập trình python. Sau đây là các chủ đề được thảo luận trong blog này:
- Giới thiệu về Anaconda
- Cài đặt và thiết lập
- Làm thế nào để cài đặt thư viện Python trong Anaconda?
- Anaconda Navigator
- Ca sử dụng
Giới thiệu về Anaconda
Anaconda là một bản phân phối mã nguồn mở cho python và R. Nó được sử dụng cho khoa học dữ liệu , , học kĩ càng , v.v. Với sự sẵn có của hơn 300 thư viện cho khoa học dữ liệu, nó trở nên khá tối ưu cho bất kỳ lập trình viên nào làm việc trên anaconda cho khoa học dữ liệu.
Anaconda giúp đơn giản hóa việc quản lý và triển khai gói. Anaconda đi kèm với nhiều công cụ để dễ dàng thu thập dữ liệu từ nhiều nguồn khác nhau bằng cách sử dụng các thuật toán máy học và AI khác nhau. Nó giúp thiết lập môi trường dễ quản lý có thể triển khai bất kỳ dự án nào chỉ với một nút bấm.
Giờ chúng ta đã biết anaconda là gì, hãy cố gắng hiểu cách chúng ta có thể cài đặt anaconda và thiết lập môi trường để hoạt động trên hệ thống của chúng ta.
Cài đặt và thiết lập
Để cài đặt anaconda, hãy truy cập https://www.anaconda.com/distribution/ .
Chọn một phiên bản phù hợp với bạn và nhấp vào tải xuống. Sau khi bạn hoàn tất tải xuống, hãy mở thiết lập.
Làm theo hướng dẫn trong thiết lập. Đừng quên nhấp vào thêm anaconda vào biến môi trường đường dẫn của tôi. Sau khi cài đặt xong, bạn sẽ nhận được một cửa sổ như trong hình dưới đây.
Sau khi hoàn tất cài đặt, hãy mở dấu nhắc anaconda và nhập .
Bạn sẽ thấy một cửa sổ như trong hình dưới đây.
cách triển khai ứng dụng java trong aws
Bây giờ chúng ta đã biết cách sử dụng anaconda cho python, hãy xem cách chúng ta có thể cài đặt các thư viện khác nhau trong anaconda cho bất kỳ dự án nào.
Làm thế nào để cài đặt thư viện Python trong Anaconda?
Mở lời nhắc anaconda và kiểm tra xem thư viện đã được cài đặt hay chưa.
Vì không có mô-đun nào có tên là numpy nên chúng ta sẽ chạy lệnh sau để cài đặt numpy.
Bạn sẽ thấy cửa sổ hiển thị trong hình ảnh sau khi hoàn tất cài đặt.
Khi bạn đã cài đặt thư viện, chỉ cần nhập lại mô-đun để đảm bảo.
Như bạn có thể thấy, không có lỗi nào mà chúng tôi gặp phải khi bắt đầu, vì vậy đây là cách chúng tôi có thể cài đặt các thư viện khác nhau trong anaconda.
Anaconda Navigator
Anaconda Navigator là một GUI dành cho máy tính để bàn đi kèm với bản phân phối anaconda. Nó cho phép chúng tôi khởi chạy các ứng dụng và quản lý các gói, môi trường chung cư mà không cần sử dụng các lệnh dòng lệnh.
Trường hợp sử dụng - Nguyên tắc cơ bản về Python
Biến và kiểu dữ liệu
Các biến và kiểu dữ liệu là các khối xây dựng của bất kỳ ngôn ngữ lập trình nào. Python có 6 kiểu dữ liệu tùy thuộc vào các thuộc tính mà chúng sở hữu. Danh sách, từ điển, tập hợp, tuple, là các kiểu dữ liệu thu thập trong ngôn ngữ lập trình python.
Sau đây là một ví dụ để hiển thị cách các biến và kiểu dữ liệu được sử dụng trong python.
#variable statement name = 'Edureka' f = 1991 print ('python được thành lập tại', f) # loại dữ liệu 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 ('danh sách là', a) print ('từ điển là' , b) print ('the tuple is', c) print ('the set is', d)Các nhà khai thác
Toán tử trong Python được sử dụng cho các phép toán giữa các giá trị hoặc biến. Có 7 loại toán tử trong python.
- Người điều hành nhiệm vụ
- Toán tử số học
- Toán tử logic
- Toán tử so sánh
- Toán tử khôn ngoan
- Nhà điều hành thành viên
- Nhà điều hành danh tính
Sau đây là một ví dụ về việc sử dụng một vài toán tử trong python.
a = 10 b = 15 # toán tử số học print (a + b) print (a - b) print (a * b) #assignment operator a + = 10 print (a) #comparison operator #a! = 10 #b == a #logical operator a> b và a> 10 #this sẽ trả về true nếu cả hai câu lệnh đều đúng.
Tuyên bố kiểm soát
Các tuyên bố như , break, continue được sử dụng như một câu lệnh điều khiển để giành quyền kiểm soát việc thực thi để có kết quả tối ưu. Chúng ta có thể sử dụng các câu lệnh này trong các vòng lặp khác nhau trong python để kiểm soát kết quả. Sau đây là một ví dụ cho thấy cách chúng ta có thể làm việc với các câu lệnh điều khiển và điều kiện.
name = 'edureka' for i in name: if i == 'a': break else: print (i)
Chức năng
cung cấp khả năng tái sử dụng mã một cách hiệu quả, nơi chúng ta có thể viết logic cho một câu lệnh vấn đề và chạy một vài đối số để có được các giải pháp tối ưu. Sau đây là một ví dụ về cách chúng ta có thể sử dụng các hàm trong python.
def func (a): trả về một ** a res = func (10) print (res)
Lớp và Đối tượng
Vì python hỗ trợ lập trình hướng đối tượng, chúng tôi có thể làm việc với các lớp và đối tượng cũng. Sau đây là một ví dụ về cách chúng ta có thể làm việc với các lớp và đối tượng trong python.
class Parent: def func (self): print ('this is parent') class Con (Parent): def func1 (self): print ('this is child') ob = new Child () ob.func ()Đây là một vài khái niệm cơ bản trong python để bắt đầu. Bây giờ nói về hỗ trợ gói lớn hơn trong anaconda, chúng ta có thể làm việc với rất nhiều thư viện. Hãy xem cách chúng ta có thể sử dụng python anaconda để phân tích dữ liệu.
Trường hợp sử dụng - Phân tích
Đây là những bước nhất định liên quan đến . Hãy xem cách phân tích dữ liệu hoạt động trong anaconda và các thư viện khác nhau mà chúng ta có thể sử dụng.
Thu thập dữ liệu
Các thu thập dữ liệu đơn giản như tải tệp CSV trong chương trình. Sau đó, chúng tôi có thể sử dụng dữ liệu có liên quan để phân tích các trường hợp hoặc mục nhập cụ thể trong dữ liệu. Sau đây là mã để tải dữ liệu CSV trong chương trình.
import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns df = pd.read_csv ('filename.csv') print (df.head (5))Cắt lát và thái hạt lựu
Sau khi chúng tôi tải tập dữ liệu trong chương trình, chúng tôi phải lọc dữ liệu với một vài thay đổi như loại bỏ các giá trị null và các trường không cần thiết có thể gây ra sự mơ hồ trong phân tích.
Sau đây là một ví dụ về cách chúng tôi có thể lọc dữ liệu theo yêu cầu.
print (df.isnull (). sum ()) #this sẽ cung cấp tổng của tất cả các giá trị null trong tập dữ liệu. df1 = df.dropna (axis = 0, how = 'any') #this sẽ giảm các hàng có giá trị rỗng.
Chúng tôi cũng có thể giảm giá trị null.
BoxPlot
sns.boxplot (x = df ['Mức lương từ']) sns.boxplot (x = df ['Mức lương đến'])
ScatterPlot
nhập matplotlib.pyplot dưới dạng plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Mức lương Từ'], df ['Mức lương Tới']) ax.set_xlabel ('Mức lương Phạm vi Từ ') ax.set_ylabel (' Mức lương ĐẾN ') plt.show ()
Hình dung
Khi chúng ta đã thay đổi dữ liệu theo yêu cầu, cần phải phân tích dữ liệu này. Một trong những cách làm như vậy là hình dung kết quả. Tốt hơn giúp phân tích tối ưu các dự báo dữ liệu.
Sau đây là một ví dụ để hình dung dữ liệu.
sns.countplot (x = 'Chỉ báo Toàn thời gian / Bán thời gian', data = df) sns.countplot (x = 'Chỉ báo Toàn thời gian / Bán thời gian', hue = 'Tần suất Lương', data = df) sns .countplot (hue = 'Chỉ báo Toàn thời gian / Bán thời gian', x = 'Loại đăng bài', data = df) df ['Mức lương từ']. plot.hist () df ['Mức lương đến']. plot.hist ()
nhập matplotlib.pyplot dưới dạng plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. title ('Tương quan', fontize = 5) plt.show ()Phân tích
Sau khi hình dung, chúng tôi có thể thực hiện phân tích của mình dựa trên các lô và đồ thị khác nhau. Giả sử chúng ta đang làm việc trên dữ liệu công việc, bằng cách xem hình ảnh đại diện trực quan của một công việc cụ thể trong một khu vực, chúng tôi có thể đưa ra số lượng công việc trong một miền cụ thể.
Từ phân tích trên, chúng ta có thể giả định các kết quả sau
- Số lượng công việc bán thời gian trong tập dữ liệu là rất ít so với công việc toàn thời gian.
- trong khi công việc bán thời gian ở mức dưới 500, công việc toàn thời gian là hơn 2500.
- Dựa trên phân tích này, Chúng tôi có thể xây dựng mô hình dự đoán.
Trong hướng dẫn python anaconda này, chúng tôi đã hiểu cách chúng tôi có thể thiết lập anaconda cho python với các trường hợp sử dụng bao gồm các nguyên tắc cơ bản về python, phân tích dữ liệu và học máy. Với hơn 300 gói cho khoa học dữ liệu, anaconda cung cấp hỗ trợ tối ưu với kết quả hiệu quả. Để thành thạo các kỹ năng của bạn trong python, hãy đăng ký Edureka’s và bắt đầu việc học của bạn.
Có bất kỳ câu hỏi? đề cập đến chúng trong các nhận xét của bài viết này về 'hướng dẫn python anaconda' và chúng tôi sẽ liên hệ lại với bạn trong thời gian sớm nhất.