Tutorial Python Anaconda: tutto ciò che devi sapere



Questo articolo sul tutorial di python anaconda ti aiuterà a capire come puoi usare python su anaconda con i fondamenti di python, analisi, ML / AI ecc.

Anaconda è la piattaforma di data science per data scientist, professionisti IT e leader aziendali di domani. È una distribuzione di Pitone , R , ecc. Con più di 300 pacchetti per , diventa una delle migliori piattaforme per qualsiasi progetto. In questo anaconda tutorial, discuteremo di come possiamo usare anaconda per la programmazione python. Di seguito sono riportati gli argomenti discussi in questo blog:

Introduzione ad Anaconda

Anaconda è una distribuzione open source per python e R. Viene utilizzato per scienza dei dati , , apprendimento approfondito , ecc. Con la disponibilità di più di 300 librerie per la scienza dei dati, diventa abbastanza ottimale per qualsiasi programmatore lavorare su anaconda per la scienza dei dati.





logo-python anaconda tutorial-edureka

Anaconda aiuta a semplificare la gestione e la distribuzione dei pacchetti. Anaconda viene fornito con un'ampia varietà di strumenti per raccogliere facilmente dati da varie fonti utilizzando vari algoritmi di machine learning e AI. Aiuta a ottenere una configurazione dell'ambiente facilmente gestibile che può distribuire qualsiasi progetto con il clic di un singolo pulsante.



Ora che sappiamo cos'è anaconda, proviamo a capire come possiamo installare anaconda e configurare un ambiente per lavorare sui nostri sistemi.

Installazione e configurazione

Per installare anaconda vai a https://www.anaconda.com/distribution/ .



Scegli una versione adatta a te e clicca su download. Una volta completato il download, apri l'installazione.

Segui le istruzioni nella configurazione. Non dimenticare di fare clic su aggiungi anaconda alla variabile d'ambiente del mio percorso. Al termine dell'installazione, apparirà una finestra come quella mostrata nell'immagine sottostante.

Dopo aver terminato l'installazione, apri il prompt di anaconda e digita .

Vedrai una finestra come quella mostrata nell'immagine qui sotto.

lunghezza javascript di un array

Ora che sappiamo come usare anaconda per python, diamo un'occhiata a come possiamo installare varie librerie in anaconda per qualsiasi progetto.

Come installare le librerie Python in Anaconda?

Apri il prompt di anaconda e controlla se la libreria è già installata o meno.

Poiché non è presente alcun modulo denominato numpy, eseguiremo il seguente comando per installare numpy.

Una volta completata l'installazione, apparirà la finestra mostrata nell'immagine.

Dopo aver installato una libreria, prova a importare nuovamente il modulo per sicurezza.

Come puoi vedere, all'inizio non ci sono errori, quindi è così che possiamo installare varie librerie in anaconda.

Anaconda Navigator

Anaconda Navigator è una GUI desktop fornita con la distribuzione anaconda. Ci consente di avviare applicazioni e gestire pacchetti conda, ambiente e senza utilizzare comandi da riga di comando.

Caso d'uso - Fondamenti di Python

Variabili e tipi di dati

Variabili e tipi di dati sono gli elementi costitutivi di qualsiasi linguaggio di programmazione. Python ha 6 tipi di dati a seconda delle proprietà che possiedono. List, dictionary, set, tuple, sono i tipi di dati di raccolta nel linguaggio di programmazione Python.

Di seguito è riportato un esempio per mostrare come le variabili e i tipi di dati vengono utilizzati in Python.

#nome dichiarazione variabile = 'Edureka' f = 1991 print ('python è stato fondato in', f) #data tipi 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 lista è', a) print ('il dizionario è' , b) print ('la tupla è', c) print ('l'insieme è', d)

Operatori

Operatori in Python vengono utilizzati per operazioni tra valori o variabili. Esistono 7 tipi di operatori in Python.

  • Operatore di assegnazione
  • Operatore aritmetico
  • Operatore logico
  • Operatore di confronto
  • Operatore bit per bit
  • Operatore di appartenenza
  • Operatore di identità

Di seguito è riportato un esempio con l'uso di alcuni operatori in Python.

a = 10 b = 15 #operatore aritmetico print (a + b) print (a - b) print (a * b) #operatore di assegnazione a + = 10 print (a) #operatore di confronto #a! = 10 #b == un #operatore logico a> be a> 10 # questo restituirà vero se entrambe le affermazioni sono vere.

Dichiarazioni di controllo

Dichiarazioni come , break, continue vengono utilizzati come istruzione di controllo per ottenere il controllo sull'esecuzione per ottenere risultati ottimali. Possiamo usare queste istruzioni in vari cicli in Python per controllare il risultato. Di seguito è riportato un esempio per mostrare come possiamo lavorare con le istruzioni di controllo e condizionali.

name = 'edureka' for i in name: if i == 'a': break else: print (i)

Funzioni

fornire la riusabilità del codice in modo efficiente, in cui possiamo scrivere la logica per un'istruzione di problema ed eseguire alcuni argomenti per ottenere le soluzioni ottimali. Di seguito è riportato un esempio di come possiamo utilizzare le funzioni in Python.

def func (a): restituisce a ** a res = func (10) print (res)

Classi e oggetti

Poiché python supporta la programmazione orientata agli oggetti, possiamo lavorare con classi e oggetti anche. Di seguito è riportato un esempio di come possiamo lavorare con classi e oggetti 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 ()

Questi sono alcuni concetti fondamentali in Python per iniziare. Ora parlando del supporto per pacchetti più grandi in anaconda, possiamo lavorare con molte librerie. Diamo un'occhiata a come possiamo utilizzare python anaconda per l'analisi dei dati.

Caso d'uso: analisi

Questi sono alcuni passaggi coinvolti in . Diamo un'occhiata a come funziona l'analisi dei dati in anaconda e nelle varie librerie che possiamo utilizzare.

Raccolta dati

Il raccolta di dati è semplice come caricare un file CSV nel programma. Quindi possiamo utilizzare i dati pertinenti per analizzare particolari istanze o voci nei dati. Di seguito è riportato il codice per caricare i dati CSV nel programma.

importa panda come pd importa numpy come np importa matplotlib.pyplot come plt importa seaborn come sns df = pd.read_csv ('filename.csv') print (df.head (5))

Affettare e tagliare a dadini

Dopo aver caricato il set di dati nel programma, dobbiamo filtrare i dati con alcune modifiche come l'eliminazione dei valori nulli e dei campi non necessari che possono causare ambiguità nell'analisi.

come configurare eclipse per java

Di seguito è riportato un esempio di come filtrare i dati in base ai requisiti.

print (df.isnull (). sum ()) # questo fornirà la somma di tutti i valori nulli nel set di dati. df1 = df.dropna (axis = 0, how = 'any') # questo lascerà cadere le righe con valori nulli.

Possiamo anche eliminare i valori nulli.

BoxPlot

sns.boxplot (x = df ['Salary Range From']) sns.boxplot (x = df ['Salary Range To'])

ScatterPlot

importa matplotlib.pyplot come plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Salary Range From'], df ['Salary Range To']) ax.set_xlabel ('Salary Range From ') ax.set_ylabel (' Salary Range TO ') plt.show ()

Visualizzazione

Una volta modificati i dati in base alle esigenze, è necessario analizzare questi dati. Un modo per farlo è la visualizzazione dei risultati. Un migliore aiuta in un'analisi ottimale delle proiezioni dei dati.

Di seguito è riportato un esempio per visualizzare i dati.

sns.countplot (x = 'Indicatore a tempo pieno / part-time', data = df) sns.countplot (x = 'Indicatore a tempo pieno / part-time', hue = 'Frequenza salariale', dati = df) sns .countplot (hue = 'Indicatore a tempo pieno / part-time', x = 'Tipo di registrazione', data = df) df ['Intervallo stipendio da']. plot.hist () df ['Intervallo salario a']. plot.hist ()

importa matplotlib.pyplot come 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 ()

Analisi

Dopo la visualizzazione, possiamo fare la nostra analisi guardando i vari grafici e diagrammi. Supponiamo di lavorare su dati di lavoro, osservando la rappresentazione visiva di un particolare lavoro in una regione possiamo distinguere il numero di lavori in un particolare dominio.

Dall'analisi di cui sopra, possiamo assumere i seguenti risultati

  • Il numero di lavori part-time nel set di dati è molto inferiore rispetto ai lavori a tempo pieno.
  • mentre i lavori part-time sono meno di 500, i lavori a tempo pieno sono più di 2500.
  • Sulla base di questa analisi, possiamo costruire un file modello di previsione.

In questo tutorial di python anaconda, abbiamo capito come possiamo configurare anaconda per python con casi d'uso che coprivano i fondamenti di python, l'analisi dei dati e l'apprendimento automatico. Con oltre 300 pacchetti per la scienza dei dati, anaconda fornisce un supporto ottimale con risultati efficienti. Per padroneggiare le tue abilità in Python iscriviti a Edureka e avvia il tuo apprendimento.

Hai delle domande? menzionali nei commenti di questo articolo su 'Python anaconda tutorial', e ti risponderemo il prima possibile.