Anaconda er datavidenskabsplatformen for datavidenskabere, it-fagfolk og morgendagens forretningsledere. Det er en fordeling af Python , R osv. Med mere end 300 pakker til bliver det en af de bedste platforme til ethvert projekt. Heri anaconda tutorial, vil vi diskutere, hvordan vi kan bruge anaconda til python programmering. Følgende er de emner, der diskuteres i denne blog:
- Introduktion til Anaconda
- Installation og opsætning
- Sådan installeres Python-biblioteker i Anaconda?
- Anaconda Navigator
- Brug sag
Introduktion til Anaconda
Anaconda er en open source-distribution til python og R. Den bruges til datavidenskab , , dyb læring osv. Med tilgængeligheden af mere end 300 biblioteker til datalogi bliver det ret optimalt for enhver programmør at arbejde på anaconda til datalogi.
Anaconda hjælper med forenklet pakkehåndtering og implementering. Anaconda leveres med en lang række værktøjer til nemt at indsamle data fra forskellige kilder ved hjælp af forskellige maskinlæring og AI-algoritmer. Det hjælper med at få en let håndterbar miljøopsætning, der kan implementere ethvert projekt med et klik på en enkelt knap.
Nu hvor vi ved, hvad anaconda er, skal vi prøve at forstå, hvordan vi kan installere anaconda og oprette et miljø til at arbejde på vores systemer.
Installation og opsætning
For at installere anaconda skal du gå til https://www.anaconda.com/distribution/ .
Vælg en version, der passer til dig, og klik på download. Når du er færdig med downloadet, skal du åbne opsætningen.
Følg instruktionerne i opsætningen. Glem ikke at klikke på tilføj anaconda til min sti-miljøvariabel. Når installationen er afsluttet, får du et vindue som vist på billedet nedenfor.
Når installationen er afsluttet, skal du åbne anaconda-prompt og skrive .
c ++ goto-etiket
Du vil se et vindue som vist på billedet nedenfor.
Nu hvor vi ved, hvordan man bruger anaconda til python, kan vi se på, hvordan vi kan installere forskellige biblioteker i anaconda til ethvert projekt.
Sådan installeres Python-biblioteker i Anaconda?
Åbn anaconda-prompten, og kontroller, om biblioteket allerede er installeret eller ikke.
Da der ikke er noget modul med navnet numpy til stede, kører vi følgende kommando for at installere numpy.
Du får vist vinduet vist på billedet, når du er færdig med installationen.
Når du har installeret et bibliotek, skal du bare prøve at importere modulet igen for at sikre dig.
Som du kan se, er der ingen fejl, vi fik i starten, så det er sådan, vi kan installere forskellige biblioteker i anaconda.
Anaconda Navigator
Anaconda Navigator er en desktop GUI, der følger med anaconda-distributionen. Det giver os mulighed for at starte applikationer og administrere condapakker, miljø og uden at bruge kommandolinjekommandoer.
Brug sag - Python-grundlæggende
Variabler og datatyper
Variabler og datatyper er byggestenene til ethvert programmeringssprog. Python har 6 datatyper afhængigt af de egenskaber, de besidder. Liste, ordbog, sæt, tuple, er indsamlingsdatatyperne på python-programmeringssproget.
Følgende er et eksempel for at vise, hvordan variabler og datatyper bruges i python.
#variable declaration name = 'Edureka' f = 1991 print ('python blev grundlagt i', f) #datatyper 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 ('listen er', a) print ('ordbogen er' , b) udskriv ('tuplen er', c) udskriv ('sættet er', d)Operatører
Operatører i Python bruges til operationer mellem værdier eller variabler. Der er 7 typer operatører i python.
- Opdragsoperatør
- Aritmetisk operatør
- Logisk operatør
- Sammenligningsoperatør
- Bitvis operatør
- Medlemskabsoperatør
- Identitetsoperatør
Følgende er et eksempel med brugen af et par operatorer i python.
a = 10 b = 15 # aritmetisk operatorprint (a + b) print (a - b) print (a * b) # tildelingsoperator a + = 10 print (a) # sammenligningsoperator #a! = 10 #b == en #logisk operator a> b og a> 10 # dette returnerer sandt, hvis begge udsagn er sande.
Kontrolerklæringer
Udsagn som , break, continue bruges som en kontrolerklæring for at få kontrol over udførelsen for optimale resultater. Vi kan bruge disse udsagn i forskellige sløjfer i python til at kontrollere resultatet. Følgende er et eksempel for at vise, hvordan vi kan arbejde med kontrol og betingede udsagn.
navn = 'edureka' for i i navn: hvis jeg == 'a': break else: print (i)
Funktioner
give kode genanvendelighed på en effektiv måde, hvor vi kan skrive logikken til en problemstilling og køre et par argumenter for at få de optimale løsninger. Følgende er et eksempel på, hvordan vi kan bruge funktioner i python.
def func (a): returner a ** a res = func (10) print (res)
Klasser og objekter
Da python understøtter objektorienteret programmering, kan vi arbejde med klasser og objekter såvel. Følgende er et eksempel på, hvordan vi kan arbejde med klasser og objekter i python.
split funktion i java eksempel
klasse Forælder: def func (selv): udskriv ('dette er forælder') klasse Barn (Forælder): def func1 (selv): udskriv ('dette er barn') ob = nyt barn () ob.func ()Dette er et par grundlæggende begreber i python til at begynde med. Når vi nu taler om den større pakkeunderstøttelse i anaconda, kan vi arbejde med mange biblioteker. Lad os se på, hvordan vi kan bruge python anaconda til dataanalyse.
Brug sag - Analytics
Dette er visse trin involveret i . Lad os se på, hvordan dataanalyse fungerer i anaconda og forskellige biblioteker, som vi kan bruge.
Indsamling af data
Det indsamling af data er så simpelt som at indlæse en CSV-fil i programmet. Derefter kan vi gøre brug af de relevante data til at analysere bestemte forekomster eller poster i dataene. Følgende er koden til at indlæse CSV-data i programmet.
importer pandaer som pd import numpy som np import matplotlib.pyplot som plt import søfødt som sns df = pd.read_csv ('filnavn.csv') print (df.head (5))Udskæring og skæring
Når vi har indlæst datasættet i programmet, skal vi filtrere dataene med et par ændringer som at fjerne nulværdierne og unødvendige felter, der kan forårsage tvetydighed i analysen.
Følgende er et eksempel på, hvordan vi kan filtrere dataene i henhold til kravene.
print (df.isnull (). sum ()) # dette giver summen af alle nulværdierne i datasættet. df1 = df.dropna (akse = 0, hvordan = 'enhver') # dette vil slippe rækker med nulværdier.
Vi kan også slette nullværdierne.
BoxPlot
sns.boxplot (x = df ['Løninterval fra']) sns.boxplot (x = df ['Løninterval til'])
ScatterPlot
hvordan man udskriver en array php
importer matplotlib.pyplot som plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Løninterval fra'], df ['Lønområde til']) ax.set_xlabel ('Løn Område fra ') ax.set_ylabel (' Løninterval til ') plt.show ()
Visualisering
Når vi har ændret dataene i henhold til kravene, er det nødvendigt at analysere disse data. En sådan måde at gøre dette på er ved visualisering af resultaterne. En bedre hjælper med en optimal analyse af dataprojektionerne.
Følgende er et eksempel på visualisering af dataene.
sns.countplot (x = 'Fuldtid / deltidsindikator', data = df) sns.countplot (x = 'Fuldtid / deltidsindikator', nuance = 'Lønfrekvens', data = df) sns .countplot (nuance = 'Fuldtid / deltidsindikator', x = 'Bogføringstype', data = df) df ['Løninterval fra']. plot.hist () df ['Lønområde til']. plot.hist ()
importer matplotlib.pyplot som plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. titel ('Korrelation', fontstørrelse = 5) plt.show ()Analyse
Efter visualisering kan vi foretage vores analyse og se på de forskellige plotter og grafer. Antag, at vi arbejder på jobdata ved at se på den visuelle repræsentation af et bestemt job i en region kan vi finde ud af antallet af job i et bestemt domæne.
Fra ovenstående analyse kan vi antage følgende resultater
- Antallet af deltidsjob i datasættet er meget mindre sammenlignet med fuldtidsjob.
- mens deltidsjob ligger på under 500, er fuldtidsjob mere end 2500.
- Baseret på denne analyse kan vi bygge en forudsigelsesmodel.
I denne python-anaconda-tutorial har vi forstået, hvordan vi kan konfigurere anaconda til python med brugssager, der dækker python-grundlæggende dataanalyse og maskinlæring. Med over 300 pakker til datavidenskab giver anaconda optimal support med effektive resultater. For at mestre dine færdigheder inden for python kan du tilmelde dig Edureka's og start din læring.
Har du spørgsmål? nævne dem i kommentarerne til denne artikel om 'python anaconda tutorial', og vi vender tilbage til dig så hurtigt som muligt.