Anaconda is het data science-platform voor datawetenschappers, IT-professionals en zakelijke leiders van morgen. Het is een distributie van Python , R , etc. Met meer dan 300 pakketten voor , wordt het een van de beste platforms voor elk project. In deze anaconda tutorial, we zullen bespreken hoe we anaconda kunnen gebruiken voor python-programmering. Hieronder volgen de onderwerpen die in deze blog worden besproken:
- Inleiding tot Anaconda
- Installatie en configuratie
- Hoe Python-bibliotheken in Anaconda te installeren?
- Anaconda Navigator
- Gebruik case
Inleiding tot Anaconda
Anaconda is een open-source distributie voor python en R. Het wordt gebruikt voor data science , , diep leren , enz. Met de beschikbaarheid van meer dan 300 bibliotheken voor datawetenschap, wordt het voor elke programmeur redelijk optimaal om aan anaconda voor datawetenschap te werken.
Anaconda helpt bij vereenvoudigd pakketbeheer en implementatie. Anaconda wordt geleverd met een breed scala aan tools om eenvoudig gegevens uit verschillende bronnen te verzamelen met behulp van verschillende machine learning- en AI-algoritmen. Het helpt bij het verkrijgen van een gemakkelijk te beheren omgeving, waarmee elk project met één klik op de knop kan worden geïmplementeerd.
Nu we weten wat anaconda is, gaan we proberen te begrijpen hoe we anaconda kunnen installeren en een omgeving kunnen opzetten om op onze systemen te werken.
Installatie en configuratie
Ga naar om anaconda te installeren https://www.anaconda.com/distribution/ .
hoe java aan pad toe te voegen
Kies een versie die bij u past en klik op downloaden. Open de installatie nadat u de download hebt voltooid.
Volg de instructies in de installatie. Vergeet niet te klikken op anaconda toevoegen aan mijn omgevingsvariabele pad. Nadat de installatie is voltooid, krijgt u een venster zoals in de onderstaande afbeelding.
Open na het voltooien van de installatie de anaconda-prompt en typ .
U ziet een venster zoals in de onderstaande afbeelding.
Nu we weten hoe we anaconda voor python moeten gebruiken, laten we eens kijken hoe we verschillende bibliotheken in anaconda voor elk project kunnen installeren.
Hoe Python-bibliotheken in Anaconda te installeren?
Open de anaconda-prompt en controleer of de bibliotheek al is geïnstalleerd of niet.
Aangezien er geen module met de naam numpy aanwezig is, zullen we de volgende opdracht uitvoeren om numpy te installeren.
U krijgt het venster dat in de afbeelding wordt weergegeven zodra u de installatie hebt voltooid.
Als u eenmaal een bibliotheek heeft geïnstalleerd, probeert u de module voor zekerheid opnieuw te importeren.
Zoals je kunt zien, is er in het begin geen fout opgetreden, dus dit is hoe we verschillende bibliotheken in anaconda kunnen installeren.
Anaconda Navigator
Anaconda Navigator is een desktop-GUI die wordt meegeleverd met de anaconda-distributie. Het stelt ons in staat om applicaties te starten en conda-pakketten, de omgeving te beheren en zonder opdrachtregelopdrachten te gebruiken.
Use Case - Python Fundamentals
Variabelen en gegevenstypen
Variabelen en gegevenstypen zijn de bouwstenen van elke programmeertaal. Python heeft 6 gegevenstypen, afhankelijk van de eigenschappen die ze hebben. Lijst, woordenboek, set, tuple, zijn de gegevenstypen voor de verzameling in de programmeertaal Python.
wat is een gebufferde lezer
Hieronder volgt een voorbeeld om te laten zien hoe variabelen en gegevenstypen worden gebruikt in python.
#variabele declaratie naam = 'Edureka' f = 1991 print ('python is opgericht in', 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 ('de lijst is', a) print ('het woordenboek is' , b) print ('the tuple is', c) print ('the set is', d)Operatoren
Operatoren in Python worden gebruikt voor bewerkingen tussen waarden of variabelen. Er zijn 7 soorten operators in python.
- Toewijzing Operator
- Rekenkundige operator
- Logische operator
- Vergelijkingsoperator
- Bitsgewijze operator
- Lidmaatschapsoperator
- Identiteitsoperator
Hieronder volgt een voorbeeld met het gebruik van een paar operators in python.
a = 10 b = 15 #aritmetische operator print (a + b) print (a - b) print (a * b) # toewijzingsoperator a + = 10 print (a) #vergelijkingsoperator #a! = 10 #b == a #logische operator a> b en a> 10 #dit zal true retourneren als beide uitspraken waar zijn.
Controleverklaringen
Verklaringen zoals , break, continue worden gebruikt als control statement om controle te krijgen over de uitvoering voor optimale resultaten. We kunnen deze uitspraken in verschillende lussen in python gebruiken om de uitkomst te controleren. Hieronder volgt een voorbeeld om te laten zien hoe we kunnen werken met controle en voorwaardelijke uitspraken.
name = 'edureka' voor i in naam: if i == 'a': break else: print (i)
Functies
zorg voor herbruikbaarheid van code op een efficiënte manier, waarbij we de logica voor een probleemverklaring kunnen schrijven en een paar argumenten kunnen uitvoeren om de optimale oplossingen te vinden. Hieronder volgt een voorbeeld van hoe we functies in python kunnen gebruiken.
def func (a): retourneer a ** a res = func (10) print (res)
Klassen en objecten
Omdat python objectgeoriënteerd programmeren ondersteunt, kunnen we met klassen en objecten ook. Hieronder volgt een voorbeeld van hoe we kunnen werken met klassen en objecten in Python.
class Parent: def func (self): print ('this is parent') class Child (Parent): def func1 (self): print ('this is child') ob = new Child () ob.func ()Dit zijn een paar fundamentele concepten in python om mee te beginnen. Nu we het hebben over de grotere pakketondersteuning in anaconda, we kunnen met veel bibliotheken werken. Laten we eens kijken hoe we python anaconda kunnen gebruiken voor data-analyse.
Use Case - Analytics
Dit zijn bepaalde stappen die betrokken zijn bij . Laten we eens kijken hoe data-analyse werkt in anaconda en verschillende bibliotheken die we kunnen gebruiken.
Gegevens verzamelen
De verzameling van gegevens is net zo eenvoudig als het laden van een CSV-bestand in het programma. Vervolgens kunnen we de relevante gegevens gebruiken om bepaalde gevallen of vermeldingen in de gegevens te analyseren. Hieronder volgt de code om de CSV-gegevens in het programma te laden.
importeer panda's als pd importeer numpy als np importeer matplotlib.pyplot als plt importeer seaborn als sns df = pd.read_csv ('filename.csv') print (df.head (5))In plakken snijden en in blokjes snijden
Nadat we de gegevensset in het programma hebben geladen, moeten we de gegevens filteren met een paar wijzigingen, zoals het verwijderen van de nulwaarden en onnodige velden die dubbelzinnigheid in de analyse kunnen veroorzaken.
Hieronder volgt een voorbeeld van hoe we de gegevens kunnen filteren volgens de vereisten.
print (df.isnull (). sum ()) #this geeft de som van alle null-waarden in de dataset. df1 = df.dropna (axis = 0, how = 'any') #this laat rijen met null-waarden vallen.
de has-methoden van de scannerklasse laten je toe
We kunnen ook de null-waarden laten vallen.
BoxPlot
sns.boxplot (x = df ['Salarisbereik vanaf']) sns.boxplot (x = df ['Salarisbereik tot'])
ScatterPlot
importeer matplotlib.pyplot als plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Salarisbereik van'], df ['Salarisbereik tot']) ax.set_xlabel ('Salaris Bereik van ') ax.set_ylabel (' Salarisbereik TO ') plt.show ()
Visualisatie
Nadat we de gegevens hebben aangepast aan de vereisten, is het noodzakelijk om deze gegevens te analyseren. Dit kan onder meer door visualisatie van de resultaten. Een betere helpt bij een optimale analyse van de dataprojecties.
Hieronder volgt een voorbeeld om de gegevens te visualiseren.
sns.countplot (x = 'Fulltime / Parttime indicator', data = df) sns.countplot (x = 'Fulltime / parttime indicator', hue = 'Salarisfrequentie', data = df) sns .countplot (hue = 'Fulltime / parttime indicator', x = 'Soort berichtgeving', data = df) df ['Salarisbereik vanaf']. plot.hist () df ['Salarisbereik tot']. plot.hist ()
importeer matplotlib.pyplot als 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
Na visualisatie kunnen we onze analyse maken door naar de verschillende plots en grafieken te kijken. Stel dat we aan jobgegevens werken, door naar de visuele weergave van een bepaalde job in een regio te kijken, kunnen we het aantal jobs in een bepaald domein zien.
Uit bovenstaande analyse kunnen we uitgaan van de volgende resultaten
- Het aantal deeltijdbanen in de dataset is veel lager dan bij voltijdbanen.
- terwijl deeltijdbanen minder dan 500 bedragen, zijn er meer dan 2500 voltijdbanen.
- Op basis van deze analyse kunnen we een voorspellingsmodel.
In deze python anaconda-zelfstudie hebben we begrepen hoe we anaconda voor python kunnen instellen met gebruiksscenario's die de basisprincipes van python, gegevensanalyse en machine learning behandelden. Met meer dan 300 pakketten voor data science biedt anaconda optimale ondersteuning met efficiënte resultaten. Schrijf je in voor Edureka's om je vaardigheden in python onder de knie te krijgen en start je leren.
Heeft u nog vragen? vermeld ze in de commentaren van dit artikel over ‘python anaconda tutorial’, en we nemen zo snel mogelijk contact met je op.