Anaconda est la plateforme de science des données pour les data scientists, les professionnels de l'informatique et les chefs d'entreprise de demain. C'est une distribution de Python , R , etc. Avec plus de 300 colis pour , il devient l'une des meilleures plates-formes pour tout projet. Dans ce tutoriel anaconda, nous allons discuter de la façon dont nous pouvons utiliser anaconda pour la programmation python. Voici les sujets abordés dans ce blog:
- Introduction à Anaconda
- Installation et configuration
- Comment installer des bibliothèques Python dans Anaconda?
- Navigateur Anaconda
- Cas d'utilisation
Introduction à Anaconda
Anaconda est une distribution open-source pour python et R. Il est utilisé pour science des données , , l'apprentissage en profondeur , etc. Avec la disponibilité de plus de 300 bibliothèques pour la science des données, il devient assez optimal pour tout programmeur de travailler sur anaconda pour la science des données.
Anaconda facilite la gestion et le déploiement des packages simplifiés. Anaconda est livré avec une grande variété d'outils pour collecter facilement des données à partir de diverses sources à l'aide de divers algorithmes d'apprentissage automatique et d'IA. Cela aide à obtenir une configuration d'environnement facilement gérable qui peut déployer n'importe quel projet en un seul clic.
Maintenant que nous savons ce qu'est anaconda, essayons de comprendre comment nous pouvons installer anaconda et configurer un environnement pour fonctionner sur nos systèmes.
Installation et configuration
Pour installer anaconda, allez à https://www.anaconda.com/distribution/ .
Choisissez une version qui vous convient et cliquez sur télécharger. Une fois le téléchargement terminé, ouvrez la configuration.
Suivez les instructions de la configuration. N'oubliez pas de cliquer sur ajouter anaconda à ma variable d'environnement de chemin. Une fois l'installation terminée, vous obtiendrez une fenêtre comme celle illustrée dans l'image ci-dessous.
Après avoir terminé l'installation, ouvrez l'invite anaconda et tapez .
Vous verrez une fenêtre comme indiqué dans l'image ci-dessous.
Maintenant que nous savons comment utiliser anaconda pour python, voyons comment nous pouvons installer diverses bibliothèques dans anaconda pour n'importe quel projet.
Comment installer des bibliothèques Python dans Anaconda?
Ouvrez l'invite anaconda et vérifiez si la bibliothèque est déjà installée ou non.
Puisqu'il n'y a pas de module nommé numpy présent, nous exécuterons la commande suivante pour installer numpy.
Vous obtiendrez la fenêtre affichée dans l'image une fois l'installation terminée.
Une fois que vous avez installé une bibliothèque, essayez à nouveau d'importer le module pour vous assurer.
Comme vous pouvez le voir, il n'y a pas d'erreur que nous avons eue au début, c'est ainsi que nous pouvons installer diverses bibliothèques dans anaconda.
Navigateur Anaconda
Anaconda Navigator est une interface graphique de bureau fournie avec la distribution anaconda. Il nous permet de lancer des applications et de gérer les packages conda, l'environnement et sans utiliser de commandes de ligne de commande.
Cas d'utilisation - Principes de base de Python
expliquer la différence entre les objets mutables et immuables.
Variables et types de données
Variables et types de données sont les éléments constitutifs de tout langage de programmation. Python a 6 types de données en fonction des propriétés qu'ils possèdent. Liste, dictionnaire, ensemble, tuple, sont les types de données de collection dans le langage de programmation python.
Voici un exemple pour montrer comment les variables et les types de données sont utilisés en python.
#variable declaration name = 'Edureka' f = 1991 print ('python a été fondé dans', f) #data types 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 ('la liste est', a) print ('le dictionnaire est' , b) print ('le tuple est', c) print ('l'ensemble est', d)Les opérateurs
Opérateurs en Python sont utilisés pour les opérations entre des valeurs ou des variables. Il existe 7 types d'opérateurs en python.
- Opérateur d'assignation
- Opérateur arithmétique
- Opérateur logique
- Opérateur de comparaison
- Opérateur bit par bit
- Opérateur d'adhésion
- Opérateur d'identité
Voici un exemple avec l'utilisation de quelques opérateurs en python.
a = 10 b = 15 # opérateur arithmétique print (a + b) print (a - b) print (a * b) # opérateur d'attribution a + = 10 print (a) # opérateur de comparaison #a! = 10 #b == un #opérateur logique a> b et a> 10 # cela renverra true si les deux instructions sont vraies.
Déclarations de contrôle
Des déclarations comme , break, continue sont utilisés comme instruction de contrôle pour prendre le contrôle de l'exécution pour des résultats optimaux. Nous pouvons utiliser ces instructions dans diverses boucles en python pour contrôler le résultat. Voici un exemple pour montrer comment nous pouvons travailler avec des instructions de contrôle et conditionnelles.
name = 'edureka' for i in name: if i == 'a': break else: print (i)
Les fonctions
fournir la réutilisabilité du code de manière efficace, où nous pouvons écrire la logique d'une déclaration de problème et exécuter quelques arguments pour obtenir les solutions optimales. Voici un exemple de la façon dont nous pouvons utiliser des fonctions en python.
def func (a): retourne a ** a res = func (10) print (res)
Classes et objets
Puisque python prend en charge la programmation orientée objet, nous pouvons travailler avec classes et objets ainsi que. Voici un exemple de la façon dont nous pouvons travailler avec des classes et des objets en python.
class Parent: def func (self): print ('this is parent') class Enfant (Parent): def func1 (self): print ('this is child') ob = new Child () ob.func ()Voici quelques concepts fondamentaux en python pour commencer. Parlant maintenant du support de paquet plus grand dans anaconda, nous pouvons travailler avec beaucoup de bibliothèques. Voyons comment nous pouvons utiliser python anaconda pour l'analyse des données.
Cas d'utilisation - Analytics
Ce sont certaines étapes impliquées dans . Voyons comment l’analyse de données fonctionne dans anaconda et dans diverses bibliothèques que nous pouvons utiliser.
La collecte de données
La collecte de données est aussi simple que de charger un fichier CSV dans le programme. Ensuite, nous pouvons utiliser les données pertinentes pour analyser des instances ou des entrées particulières dans les données. Voici le code pour charger les données CSV dans le programme.
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))Trancher et couper en dés
Après avoir chargé l'ensemble de données dans le programme, nous devons filtrer les données avec quelques modifications comme l'élimination des valeurs nulles et des champs inutiles qui peuvent provoquer une ambiguïté dans l'analyse.
Voici un exemple de la façon dont nous pouvons filtrer les données en fonction des exigences.
print (df.isnull (). sum ()) # cela donnera la somme de toutes les valeurs nulles de l'ensemble de données. df1 = df.dropna (axis = 0, how = 'any') # cela supprimera les lignes avec des valeurs nulles.
Nous pouvons également supprimer les valeurs nulles.
Boîte à moustaches
sns.boxplot (x = df ['Salary Range From']) sns.boxplot (x = df ['Salary Range To'])
hadoop rôles et responsabilités de l'administrateur
Nuage de points
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 Plage de ') ax.set_ylabel (' Plage de salaire TO ') plt.show ()
Visualisation
Une fois que nous avons modifié les données conformément aux exigences, il est nécessaire d'analyser ces données. Une de ces façons de faire est de visualiser les résultats. Un meilleur aide à une analyse optimale des projections de données.
Voici un exemple pour visualiser les données.
sns.countplot (x = 'indicateur temps plein / temps partiel', data = df) sns.countplot (x = 'indicateur temps plein / temps partiel', hue = 'fréquence salariale', data = df) sns .countplot (hue = 'Indicateur temps plein / temps partiel', x = 'Type d'affichage', data = df) df ['Échelle salariale de']. plot.hist () df ['Échelle salariale jusqu'à']. plot.hist ()
import matplotlib.pyplot as plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. title ('Corrélation', fontsize = 5) plt.show ()Une analyse
Après visualisation, nous pouvons faire notre analyse en regardant les différents tracés et graphiques. Supposons que nous travaillions sur des données d'emploi, en regardant la représentation visuelle d'un emploi particulier dans une région, nous pouvons déterminer le nombre d'emplois dans un domaine particulier.
À partir de l'analyse ci-dessus, nous pouvons supposer les résultats suivants
- Le nombre d'emplois à temps partiel dans l'ensemble de données est très inférieur à celui des emplois à temps plein.
- alors que les emplois à temps partiel sont inférieurs à 500, les emplois à temps plein sont plus de 2500.
- Sur la base de cette analyse, nous pouvons construire un modèle de prédiction.
Dans ce didacticiel python anaconda, nous avons compris comment configurer anaconda pour python avec des cas d'utilisation couvrant les principes fondamentaux de python, l'analyse des données et l'apprentissage automatique. Avec plus de 300 packages pour la science des données, anaconda offre un support optimal avec des résultats efficaces. Pour maîtriser vos compétences en python, inscrivez-vous à Edureka's et lancez votre apprentissage.
Avez-vous des questions? mentionnez-les dans les commentaires de cet article sur «tutoriel python anaconda», et nous vous répondrons dans les plus brefs délais.