Anaconda er datavitenskapelig plattform for datavitenskapere, IT-fagpersoner og morgendagens ledere. Det er en fordeling av Python , R osv. Med mer enn 300 pakker til blir det en av de beste plattformene for ethvert prosjekt. I dette anaconda tutorial, vil vi diskutere hvordan vi kan bruke anaconda for python programmering. Følgende er temaene som er diskutert i denne bloggen:
- Introduksjon til Anaconda
- Installasjon og oppsett
- Hvordan installere Python-biblioteker i Anaconda?
- Anaconda Navigator
- Bruk sak
Introduksjon til Anaconda
Anaconda er en åpen kildekode-distribusjon for python og R. Den brukes til datavitenskap , , dyp læring osv. Med tilgjengeligheten av mer enn 300 biblioteker for datavitenskap, blir det ganske optimalt for enhver programmerer å jobbe med anaconda for datavitenskap.
Anaconda hjelper med forenklet pakkehåndtering og distribusjon. Anaconda kommer med et bredt utvalg av verktøy for enkelt å samle inn data fra forskjellige kilder ved hjelp av forskjellige maskinlæring og AI-algoritmer. Det hjelper deg med å få et enkelt håndterbart miljøoppsett som kan distribuere ethvert prosjekt med et enkelt klikk.
Nå som vi vet hva anaconda er, la oss prøve å forstå hvordan vi kan installere anaconda og sette opp et miljø for å jobbe med systemene våre.
Installasjon og oppsett
For å installere anaconda, gå til https://www.anaconda.com/distribution/ .
Velg en versjon som passer for deg, og klikk på nedlastingen. Når du har fullført nedlastingen, åpner du oppsettet.
Følg instruksjonene i oppsettet. Ikke glem å klikke på Legg til anaconda i banen til miljøvariabelen min. Etter at installasjonen er fullført, får du et vindu som vist i bildet nedenfor.
Når installasjonen er fullført, åpner du anaconda-meldingen og skriver .
Du vil se et vindu som vist på bildet nedenfor.
Nå som vi vet hvordan vi bruker anaconda for python, kan vi ta en titt på hvordan vi kan installere forskjellige biblioteker i anaconda for ethvert prosjekt.
hvordan du bruker spyder python
Hvordan installere Python-biblioteker i Anaconda?
Åpne anaconda-ledeteksten og sjekk om biblioteket allerede er installert eller ikke.
Siden det ikke er noen modul kalt numpy, kjører vi følgende kommando for å installere numpy.
Du får vinduet vist på bildet når du har fullført installasjonen.
Når du har installert et bibliotek, er det bare å prøve å importere modulen igjen for å forsikre deg.
Som du kan se, er det ingen feil vi fikk i begynnelsen, så dette er hvordan vi kan installere forskjellige biblioteker i anaconda.
Anaconda Navigator
Anaconda Navigator er en desktop GUI som følger med anaconda-distribusjonen. Det lar oss starte applikasjoner og administrere condapakker, miljø og uten å bruke kommandolinjekommandoer.
Bruk sak - Python Fundamentals
Variabler og datatyper
Variabler og datatyper er byggesteinene til ethvert programmeringsspråk. Python har 6 datatyper, avhengig av egenskapene de har. Liste, ordbok, sett, tuple, er datatypene for samlingen på python-programmeringsspråket.
Følgende er et eksempel for å vise hvordan variabler og datatyper brukes i python.
#variable declaration name = 'Edureka' f = 1991 print ('python ble grunnlagt 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} utskrift ('listen er', a) utskrift ('ordboken er' , b) print ('the tuple is', c) print ('the set is', d)Operatører
Operatører i Python brukes til operasjoner mellom verdier eller variabler. Det er 7 typer operatører i python.
- Oppdragsoperatør
- Aritmetisk operatør
- Logisk operatør
- Sammenligningsoperatør
- Bitvis operatør
- Medlemsoperatør
- Identitetsoperatør
Følgende er et eksempel med bruk av noen få operatører i python.
a = 10 b = 15 # aritmetisk operatorutskrift (a + b) utskrift (a - b) utskrift (a * b) # tildelingsoperatør a + = 10 utskrift (a) # sammenligningsoperatør #a! = 10 #b == en #logisk operator a> b og a> 10 # dette vil returnere sant hvis begge utsagnene er sanne.
Kontrollerklæringer
Uttalelser som , break, continue brukes som en kontrollerklæring for å få kontroll over utførelsen for optimale resultater. Vi kan bruke disse utsagnene i forskjellige løkker i python for å kontrollere utfallet. Følgende er et eksempel for å vise hvordan vi kan jobbe med kontroll og betingede uttalelser.
name = 'edureka' for i in name: if i == 'a': break else: print (i)
Funksjoner
gi kode gjenbrukbar på en effektiv måte, der vi kan skrive logikken for en problemstilling og kjøre noen argumenter for å få de optimale løsningene. Følgende er et eksempel på hvordan vi kan bruke funksjoner i python.
def func (a): return a ** a res = func (10) print (res)
Klasser og objekter
Siden python støtter objektorientert programmering, kan vi jobbe med klasser og gjenstander også. Følgende er et eksempel på hvordan vi kan jobbe med klasser og objekter i python.
klasse Forelder: def func (selv): skriv ut ('dette er foreldre') klasse Barn (Forelder): def func1 (selv): skriv ut ('dette er barn') ob = nytt barn () ob.func ()Dette er noen få grunnleggende begreper i python til å begynne med. Nå som vi snakker om den større pakkestøtten i anaconda, kan vi jobbe med mange biblioteker. La oss ta en titt på hvordan vi kan bruke python anaconda til dataanalyse.
Bruk Case - Analytics
Dette er visse trinn involvert i . La oss ta en titt på hvordan dataanalyse fungerer i anaconda og forskjellige biblioteker vi kan bruke.
Samle data
De innsamling av data er så enkelt som å laste inn en CSV-fil i programmet. Deretter kan vi bruke relevante data til å analysere bestemte forekomster eller oppføringer i dataene. Følgende er koden for å laste inn CSV-data i programmet.
importer pandaer som pd importer numpy som np importer matplotlib.pyplot som plt importer sjøfødt som sns df = pd.read_csv ('filnavn.csv') skriv ut (df.head (5))Skjæring og terning
Etter at vi har lastet inn datasettet i programmet, må vi filtrere dataene med noen få endringer som å eliminere nullverdiene og unødvendige felt som kan forårsake uklarhet i analysen.
Følgende er et eksempel på hvordan vi kan filtrere dataene i henhold til kravene.
print (df.isnull (). sum ()) # dette vil gi summen av alle nullverdiene i datasettet. df1 = df.dropna (axis = 0, how = 'any') # dette vil slippe rader med nullverdier.
Vi kan også slippe nullverdiene.
BoxPlot
sns.boxplot (x = df ['Lønnsområde fra']) sns.boxplot (x = df ['Lønnsområde til'])
ScatterPlot
importer matplotlib.pyplot som plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Lønnsområde fra'], df ['Lønnsområde til']) ax.set_xlabel ('Lønn Område fra ') ax.set_ylabel (' Lønnsområde TIL ') plt.show ()
konverter dobbelt til int java
Visualisering
Når vi har endret dataene i henhold til kravene, er det nødvendig å analysere disse dataene. En slik måte å gjøre dette på er å visualisere resultatene. En bedre hjelper til med en optimal analyse av dataprojeksjonene.
Følgende er et eksempel for å visualisere dataene.
sns.countplot (x = 'Heltid / deltid-indikator', data = df) sns.countplot (x = 'Heltid / deltid-indikator', fargetone 'Lønnsfrekvens', data = df) sns .countplot (hue = 'Heltid / deltid-indikator', x = 'Innleggstype', data = df) df ['Lønnsområde fra']. plot.hist () df ['Lønnsområde 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. title ('Correlation', fontsize = 5) plt.show ()Analyse
Etter visualisering kan vi analysere de forskjellige plottene og grafene. Anta at vi jobber med jobbdata, ved å se på den visuelle representasjonen av en bestemt jobb i en region, kan vi finne ut antall jobber i et bestemt domene.
Fra analysen ovenfor kan vi anta følgende resultater
- Antall deltidsjobber i datasettet er veldig mindre sammenlignet med heltidsjobber.
- mens deltidsjobber ligger på under 500, er heltidsjobber mer enn 2500.
- Basert på denne analysen kan vi bygge en prediksjonsmodell.
I denne pythonanaconda-opplæringen har vi forstått hvordan vi kan sette opp anaconda for python med brukstilfeller som dekket python-grunnleggende dataanalyse og maskinlæring. Med over 300 pakker for datavitenskap, gir anaconda optimal støtte med effektive resultater. For å mestre dine ferdigheter innen python kan du registrere deg i Edureka’s og start læringen din.
Har du spørsmål? nevn dem i kommentarene til denne artikkelen om ‘python anaconda tutorial’, og vi kommer tilbake til deg så snart som mulig.