Anaconda는 미래의 데이터 과학자, IT 전문가 및 비즈니스 리더를위한 데이터 과학 플랫폼입니다. 배포판입니다 파이썬 , 아르 자형 , 등. 300 개 이상의 패키지로 , 모든 프로젝트를위한 최고의 플랫폼 중 하나가됩니다. 이것에 anaconda tutorial, 파이썬 프로그래밍에 anaconda를 어떻게 사용할 수 있는지 논의 할 것입니다. 다음은이 블로그에서 논의 된 주제입니다.
Anaconda 소개
Anaconda는 Python 및 R 용 오픈 소스 배포판입니다. 데이터 과학 , , 딥 러닝 등. 데이터 과학을위한 300 개 이상의 라이브러리를 사용할 수 있기 때문에 모든 프로그래머가 데이터 과학을 위해 아나콘다에서 작업하는 것이 상당히 최적화되어 있습니다.
Anaconda는 단순화 된 패키지 관리 및 배포를 지원합니다. Anaconda는 다양한 기계 학습 및 AI 알고리즘을 사용하여 다양한 소스에서 데이터를 쉽게 수집 할 수있는 다양한 도구와 함께 제공됩니다. 클릭 한 번으로 모든 프로젝트를 배포 할 수있는 관리하기 쉬운 환경 설정을 얻는 데 도움이됩니다.
이제 아나콘다가 무엇인지 알았으니 아나콘다를 설치하고 시스템에서 작동하도록 환경을 설정하는 방법을 이해해 보겠습니다.
설치 및 설정
아나콘다를 설치하려면 https://www.anaconda.com/distribution/ .
적합한 버전을 선택하고 다운로드를 클릭하십시오. 다운로드가 완료되면 설정을 엽니 다.
설정의 지침을 따릅니다. 내 경로 환경 변수에 아나콘다 추가를 클릭하는 것을 잊지 마십시오. 설치가 완료되면 아래 이미지와 같은 창이 나타납니다.
설치를 마친 후 아나콘다 프롬프트를 열고 .
아래 이미지와 같은 창이 나타납니다.
이제 파이썬에 아나콘다를 사용하는 방법을 알았으니 모든 프로젝트에 대해 아나콘다에 다양한 라이브러리를 설치하는 방법을 살펴 보겠습니다.
Anaconda에서 Python 라이브러리를 설치하는 방법?
anaconda 프롬프트를 열고 라이브러리가 이미 설치되어 있는지 확인하십시오.
C ++ 정렬 int 배열
numpy라는 이름의 모듈이 없으므로 다음 명령을 실행하여 numpy를 설치합니다.
설치를 완료하면 이미지에 표시된 창이 나타납니다.
라이브러리를 설치했으면 보증을 위해 모듈을 다시 가져 오십시오.
보시다시피 처음에는 오류가 없었기 때문에 아나콘다에 다양한 라이브러리를 설치할 수 있습니다.
아나콘다 내비게이터
Anaconda Navigator는 anaconda 배포판과 함께 제공되는 데스크탑 GUI입니다. 이를 통해 명령 줄 명령을 사용하지 않고도 응용 프로그램을 시작하고 conda 패키지, 환경을 관리 할 수 있습니다.
사용 사례 – Python 기초
변수 및 데이터 유형
변수 및 데이터 유형 모든 프로그래밍 언어의 빌딩 블록입니다. Python에는 소유 한 속성에 따라 6 가지 데이터 유형이 있습니다. 목록, 사전, 세트, 튜플은 파이썬 프로그래밍 언어의 컬렉션 데이터 유형입니다.
이진에서 십진 변환기 자바
다음은 파이썬에서 변수와 데이터 유형이 사용되는 방법을 보여주는 예입니다.
# 변수 선언 이름 = 'Edureka'f = 1991 print ( 'python was found 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 ( 'the list is', a) print ( 'the dictionary is' , b) print ( '튜플은', c) print ( '세트는', d)연산자
Python의 연산자 값 또는 변수 간의 작업에 사용됩니다. 파이썬에는 7 가지 유형의 연산자가 있습니다.
- 할당 연산자
- 산술 연산자
- 논리 연산자
- 비교 연산자
- 비트 연산자
- 멤버십 운영자
- ID 연산자
다음은 파이썬에서 몇 가지 연산자를 사용한 예입니다.
a = 10 b = 15 # 산술 연산자 print (a + b) print (a-b) print (a * b) # 할당 연산자 a + = 10 print (a) # 비교 연산자 #a! = 10 #b == a #logical operator a> b and a> 10 # 두 문장이 모두 참이면 참을 반환합니다.
제어문
같은 진술 , break, continue는 최적의 결과를 위해 실행을 제어하기위한 제어문으로 사용됩니다. 결과를 제어하기 위해 파이썬의 다양한 루프에서 이러한 명령문을 사용할 수 있습니다. 다음은 제어 및 조건문으로 작업하는 방법을 보여주는 예입니다.
name = 'edureka'for i in name : if i == 'a': break else : print (i)
기능
효율적인 방법으로 코드 재사용 성을 제공하여 문제 설명에 대한 논리를 작성하고 몇 가지 인수를 실행하여 최적의 솔루션을 얻을 수 있습니다. 다음은 파이썬에서 함수를 사용하는 방법의 예입니다.
def func (a) : 반환 a ** a res = func (10) print (res)
클래스와 객체
파이썬은 객체 지향 프로그래밍을 지원하기 때문에 우리는 클래스와 객체 게다가. 다음은 파이썬에서 클래스와 객체로 작업하는 방법의 예입니다.
class Parent : def func (self) : print ( 'this is parent') class Child (Parent) : def func1 (self) : print ( 'this is child') ob = new Child () ob.func ()
이것들은 파이썬의 몇 가지 기본 개념입니다. 이제 아나콘다의 더 큰 패키지 지원에 대해 이야기하면서 많은 라이브러리를 사용할 수 있습니다. 데이터 분석에 python anaconda를 사용하는 방법을 살펴 보겠습니다.
사용 사례 – 분석
다음은 관련된 특정 단계입니다. . 아나콘다와 우리가 사용할 수있는 다양한 라이브러리에서 데이터 분석이 어떻게 작동하는지 살펴 보겠습니다.
데이터 수집
그만큼 데이터 수집 프로그램에서 CSV 파일을로드하는 것만 큼 간단합니다. 그런 다음 관련 데이터를 사용하여 데이터의 특정 인스턴스 또는 항목을 분석 할 수 있습니다. 다음은 프로그램에서 CSV 데이터를로드하는 코드입니다.
pandas를 pd로 가져 오기 numpy를 np로 가져 오기 matplotlib.pyplot을 plt로 가져 오기 seaborn을 sns로 가져옵니다.
슬라이싱 및 다이 싱
프로그램에서 데이터 세트를로드 한 후에는 분석에서 모호성을 유발할 수있는 null 값 및 불필요한 필드를 제거하는 것과 같은 몇 가지 변경 사항으로 데이터를 필터링해야합니다.
다음은 요구 사항에 따라 데이터를 필터링 할 수있는 방법의 예입니다.
print (df.isnull (). sum ()) # 이것은 데이터 셋의 모든 null 값의 합을 제공합니다. df1 = df.dropna (axis = 0, how = 'any') # null 값이있는 행을 삭제합니다.
null 값도 삭제할 수 있습니다.
BoxPlot
sns.boxplot (x = df [ 'Salary Range From']) sns.boxplot (x = df [ 'Salary Range To'])
산포도
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 범위 From ') ax.set_ylabel ('Salary Range TO ') plt.show ()
심상
요구 사항에 따라 데이터를 변경 한 후에는이 데이터를 분석해야합니다. 이를 수행하는 한 가지 방법은 결과를 시각화하는 것입니다. 더 나은 데이터 예측을 최적으로 분석하는 데 도움이됩니다.
다음은 데이터를 시각화하는 예입니다.
sns.countplot (x = 'Full-Time / Part-Time indicator', data = df) sns.countplot (x = 'Full-Time / Part-Time indicator', hue = 'Salary Frequency', data = df) sns .countplot (hue = 'Full-Time / Part-Time indicator', x = 'Posting Type', data = df) df [ 'Salary Range From']. plot.hist () df [ 'Salary Range To']. 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 ( 'Correlation', fontsize = 5) plt.show ()
분석
시각화 후 다양한 플롯과 그래프를 보면서 분석 할 수 있습니다. 특정 영역의 특정 작업을 시각적으로 표현하여 특정 영역의 작업 수를 확인할 수있는 작업 데이터에 대해 작업한다고 가정합니다.
위의 분석에서 다음과 같은 결과를 가정 할 수 있습니다.
C ++ 프로그램에서 배열 정렬
- 데이터 세트의 파트 타임 작업 수는 정규직 작업에 비해 매우 적습니다.
- 파트 타임 일자리는 500 명 미만이지만 풀 타임 일자리는 2500 명 이상입니다.
- 이 분석을 바탕으로 우리는 예측 모델.
이 python anaconda 튜토리얼에서 우리는 파이썬 기초, 데이터 분석 및 기계 학습을 다루는 사용 사례를 사용하여 파이썬 용 아나콘다를 설정하는 방법을 이해했습니다. 데이터 과학을위한 300 개 이상의 패키지를 통해 anaconda는 효율적인 결과로 최적의 지원을 제공합니다. Python 기술을 습득하려면 Edureka에 등록하십시오. 학습을 시작하십시오.
질문이 있습니까? 이 기사의 'python anaconda tutorial'에 대한 의견에서 언급하시면 가능한 한 빨리 답변 드리겠습니다.