Anaconda är datavetenskapens plattform för datavetare, IT-proffs och företagsledare i morgon. Det är en fördelning av Pytonorm , R , etc. Med mer än 300 paket för blir det en av de bästa plattformarna för något projekt. I denna anaconda tutorial, vi kommer att diskutera hur vi kan använda anaconda för python programmering. Följande ämnen diskuteras i den här bloggen:
- Introduktion till Anaconda
- Installation och installation
- Hur installerar jag Python-bibliotek i Anaconda?
- Anaconda Navigator
- Användningsfall
Introduktion till Anaconda
Anaconda är en öppen källkodsdistribution för python och R. Den används för datavetenskap , , Djup lärning etc. Med tillgången på mer än 300 bibliotek för datavetenskap blir det ganska optimalt för alla programmerare att arbeta med anaconda för datavetenskap.
Anaconda hjälper till med förenklad pakethantering och distribution. Anaconda levereras med ett brett utbud av verktyg för att enkelt samla in data från olika källor med olika maskininlärnings- och AI-algoritmer. Det hjälper till att få en lätt hanterbar miljöinstallation som kan distribuera vilket projekt som helst med ett enda klick.
Nu när vi vet vad anaconda är, låt oss försöka förstå hur vi kan installera anaconda och skapa en miljö för att arbeta på våra system.
Installation och installation
För att installera anaconda gå till https://www.anaconda.com/distribution/ .
Välj en version som passar dig och klicka på nedladdning. När du har slutfört nedladdningen öppnar du installationen.
skillnad mellan passera värde och passera referens i java
Följ instruktionerna i installationen. Glöm inte att klicka på lägg till anaconda till min sökmiljövariabel. När installationen är klar får du ett fönster som visas i bilden nedan.
När installationen är klar öppnar du anacondaprompt och skriver .
Du kommer att se ett fönster som visas i bilden nedan.
Nu när vi vet hur man använder anaconda för python kan vi ta en titt på hur vi kan installera olika bibliotek i anaconda för alla projekt.
Hur installerar jag Python-bibliotek i Anaconda?
Öppna anaconda-prompten och kontrollera om biblioteket redan är installerat eller inte.
Eftersom det inte finns någon modul med namnet numpy kommer vi att köra följande kommando för att installera numpy.
Du får fönstret som visas i bilden när du har slutfört installationen.
När du har installerat ett bibliotek, försök bara importera modulen igen för att försäkra dig.
Som du kan se finns det inget fel som vi fick i början, så det är så vi kan installera olika bibliotek i anaconda.
Anaconda Navigator
Anaconda Navigator är ett grafiskt gränssnitt för skrivbordet som levereras med anacondadistributionen. Det låter oss starta applikationer och hantera conda-paket, miljö och utan att använda kommandoradskommandon.
Use Case - Python Fundamentals
Variabler och datatyper
Variabler och datatyper är byggstenarna för alla programmeringsspråk. Python har 6 datatyper beroende på vilka egenskaper de har. Lista, ordlista, set, tuple, är samlingsdatatyperna i pythons programmeringsspråk.
Följande är ett exempel för att visa hur variabler och datatyper används i python.
#variable declaration name = 'Edureka' f = 1991 print ('python grundades 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} tryck ('listan är', a) tryck ('ordboken är' , b) skriva ut ('the tuple is', c) print ('the set is', d)Operatörer
Operatörer i Python används för operationer mellan värden eller variabler. Det finns 7 typer av operatörer i python.
- Uppdragsoperatör
- Aritmetisk operatör
- Logisk operatör
- Jämförelseoperatör
- Bitvis operatör
- Medlemskap operatör
- Identitetsoperatör
Följande är ett exempel med användning av några operatörer i python.
a = 10 b = 15 # aritmetisk operatörsutskrift (a + b) utskrift (a - b) utskrift (a * b) # tilldelningsoperatör a + = 10 utskrift (a) #jämförelsesoperatör #a! = 10 #b == a #logisk operatör a> b och a> 10 # detta kommer att vara sant om båda påståendena är sanna.
Kontrolluttalanden
Uttalanden som , bryt, fortsätt används som ett kontrolluttal för att få kontroll över utförandet för optimala resultat. Vi kan använda dessa uttalanden i olika slingor i python för att kontrollera resultatet. Följande är ett exempel för att visa hur vi kan arbeta med kontroll och villkorliga uttalanden.
namn = 'edureka' för i i namn: om jag == 'a': bryt annat: skriv ut (i)
Funktioner
tillhandahålla kodåteranvändbarhet på ett effektivt sätt, där vi kan skriva logiken för ett problemuttalande och köra några argument för att få de optimala lösningarna. Nedan följer ett exempel på hur vi kan använda funktioner i python.
def func (a): returnera a ** a res = func (10) print (res)
Klasser och objekt
Eftersom python stöder objektorienterad programmering kan vi arbeta med klasser och objekt också. Nedan följer ett exempel på hur vi kan arbeta med klasser och objekt i python.
klass Förälder: def func (själv): skriv ut ('detta är förälder') klass Barn (förälder): def func1 (själv): skriv ut ('detta är barn') ob = nytt barn () ob.func ()Det här är några grundläggande begrepp i python till att börja med. Nu talar vi om det större paketstödet i anaconda, vi kan arbeta med många bibliotek. Låt oss ta en titt på hur vi kan använda python anaconda för dataanalys.
Använd Case - Analytics
Det här är vissa steg involverade i . Låt oss ta en titt på hur dataanalys fungerar i anaconda och olika bibliotek som vi kan använda.
Samla in data
De insamling av data är så enkelt som att ladda en CSV-fil i programmet. Sedan kan vi använda relevanta data för att analysera specifika instanser eller poster i data. Följande är koden för att ladda CSV-data i programmet.
importera pandor som pd importera numpy som np importera matplotlib.pyplot som plt importera seaborn som sns df = pd.read_csv ('filnamn.csv') skriv ut (df.head (5))Skivning och tärning
När vi har laddat datauppsättningen i programmet måste vi filtrera data med några ändringar som att eliminera nollvärdena och onödiga fält som kan orsaka tvetydighet i analysen.
Nedan följer ett exempel på hur vi kan filtrera data enligt kraven.
print (df.isnull (). sum ()) # detta ger summan av alla nollvärden i datasetet. df1 = df.dropna (axel = 0, hur = 'någon') # detta kommer att släppa rader med nollvärden.
Vi kan också släppa nollvärdena.
BoxPlot
sns.boxplot (x = df ['Löneområde från']) sns.boxplot (x = df ['Löneområde till'])
ScatterPlot
importera matplotlib.pyplot som plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Lönintervall från'], df ['Lönintervall till']) ax.set_xlabel ('Lön Räckvidd från ') ax.set_ylabel (' Lönintervall TILL ') plt.show ()
Visualisering
När vi har ändrat uppgifterna enligt kraven är det nödvändigt att analysera dessa data. Ett sådant sätt att göra detta är genom visualisering av resultaten. En bättre hjälper till med en optimal analys av dataprojektionerna.
Följande är ett exempel för att visualisera data.
sns.countplot (x = 'Heltid / deltidsindikator', data = df) sns.countplot (x = 'Heltid / deltid-indikator', nyans = 'Lönfrekvens', data = df) sns .countplot (hue = 'Heltid / deltid-indikator', x = 'Postningstyp', data = df) df ['Löneområde från']. plot.hist () df ['Löneområde till']. plot.hist ()
importera 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 ()Analys
Efter visualisering kan vi analysera de olika ritningarna och graferna. Antag att vi arbetar med jobbdata, genom att titta på den visuella representationen av ett visst jobb i en region kan vi ta reda på antalet jobb i en viss domän.
Från ovanstående analys kan vi anta följande resultat
- Antalet deltidsjobb i datamängden är mycket mindre jämfört med heltidsjobb.
- medan deltidsjobb är mindre än 500, är heltidsarbeten mer än 2500.
- Baserat på denna analys kan vi bygga en förutsägelsemodell.
I denna python-anaconda-handledning har vi förstått hur vi kan ställa in anaconda för python med användningsfall som täckte pythons grundläggande data, analys och maskininlärning. Med över 300 paket för datavetenskap ger anaconda optimalt stöd med effektiva resultat. För att behärska dina färdigheter inom python kan du anmäla dig till Edureka's och starta ditt lärande.
Har några frågor? nämna dem i kommentarerna till den här artikeln om ”python anaconda tutorial”, så återkommer vi till dig så snart som möjligt.