Anaconda é a plataforma de ciência de dados para cientistas de dados, profissionais de TI e líderes de negócios de amanhã. É uma distribuição de Pitão , R , etc. Com mais de 300 pacotes para , torna-se uma das melhores plataformas para qualquer projeto. Nisso No tutorial do anaconda, discutiremos como podemos usar o anaconda para programação em python. A seguir estão os tópicos discutidos neste blog:
- Introdução ao Anaconda
- Instalação e configuração
- Como instalar bibliotecas Python no Anaconda?
- Anaconda Navigator
- Caso de uso
Introdução ao Anaconda
Anaconda é uma distribuição de código aberto para python e R. É usado para ciência de dados , , aprendizado profundo , etc. Com a disponibilidade de mais de 300 bibliotecas para ciência de dados, torna-se razoavelmente ideal para qualquer programador trabalhar no anaconda para ciência de dados.
O Anaconda ajuda no gerenciamento e implantação de pacotes simplificados. O Anaconda vem com uma ampla variedade de ferramentas para coletar facilmente dados de várias fontes usando vários algoritmos de aprendizado de máquina e IA. Ele ajuda a obter uma configuração de ambiente facilmente gerenciável que pode implantar qualquer projeto com o clique de um único botão.
Agora que sabemos o que é anaconda, vamos tentar entender como podemos instalar o anaconda e configurar um ambiente para funcionar em nossos sistemas.
Instalação e configuração
Para instalar o anaconda vá para https://www.anaconda.com/distribution/ .
Escolha uma versão adequada para você e clique em download. Depois de concluir o download, abra a configuração.
Siga as instruções na configuração. Não se esqueça de clicar em adicionar anaconda à variável de ambiente do meu caminho. Após a conclusão da instalação, você receberá uma janela como a mostrada na imagem abaixo.
Depois de terminar a instalação, abra o prompt do anaconda e digite .
Você verá uma janela como a mostrada na imagem abaixo.
Agora que sabemos como usar o anaconda para python, vamos dar uma olhada em como podemos instalar várias bibliotecas no anaconda para qualquer projeto.
Como instalar bibliotecas Python no Anaconda?
Abra o prompt do anaconda e verifique se a biblioteca já está instalada ou não.
Como não há nenhum módulo denominado numpy presente, executaremos o seguinte comando para instalar o numpy.
Você obterá a janela mostrada na imagem assim que concluir a instalação.
teste orientado a dados em selênio
Depois de instalar uma biblioteca, tente importar o módulo novamente para garantia.
Como você pode ver, não há nenhum erro que obtivemos no início, então é assim que podemos instalar várias bibliotecas no anaconda.
Anaconda Navigator
O Anaconda Navigator é uma GUI de desktop que vem com a distribuição anaconda. Ele nos permite lançar aplicativos e gerenciar pacotes conda, ambiente e sem usar comandos de linha de comando.
Caso de uso - fundamentos do Python
Variáveis e tipos de dados
Variáveis e tipos de dados são os blocos de construção de qualquer linguagem de programação. Python tem 6 tipos de dados, dependendo das propriedades que possuem. Lista, dicionário, conjunto, tupla são os tipos de dados de coleção na linguagem de programação python.
A seguir está um exemplo para mostrar como variáveis e tipos de dados são usados em python.
# nome da declaração variável = 'Edureka' f = 1991 print ('python foi fundada em', f) #tipos de dados 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 ('a lista é', a) print ('o dicionário é' , b) print ('a tupla é', c) print ('o conjunto é', d)Operadores
Operadores em Python são usados para operações entre valores ou variáveis. Existem 7 tipos de operadores em python.
- Operador de Atribuição
- Operador Aritmético
- Operador Lógico
- Operador de comparação
- Operador bit a bit
- Operador de Sócios
- Operador de identidade
A seguir está um exemplo com o uso de alguns operadores em python.
a = 10 b = 15 # operador aritmético imprimir (a + b) imprimir (a - b) imprimir (a * b) #operador de atribuição a + = 10 imprimir (a) # operador de comparação #a! = 10 #b == um # operador lógico a> be a> 10 #isso retornará verdadeiro se ambas as afirmações forem verdadeiras.
Declarações de controle
Declarações como , break, continue são usados como uma instrução de controle para obter controle sobre a execução e obter resultados ideais. Podemos usar essas instruções em vários loops em python para controlar o resultado. A seguir está um exemplo para mostrar como podemos trabalhar com instruções de controle e condicionais.
name = 'edureka' para i em nome: if i == 'a': break else: print (i)
Funções
fornecer capacidade de reutilização de código de uma forma eficiente, onde podemos escrever a lógica para uma declaração de problema e executar alguns argumentos para obter as soluções ideais. A seguir está um exemplo de como podemos usar funções em python.
def func (a): retorna a ** a res = func (10) print (res)
Classes e objetos
Uma vez que python suporta programação orientada a objetos, podemos trabalhar com classes e objetos também. A seguir está um exemplo de como podemos trabalhar com classes e objetos em python.
class Pai: def func (self): print ('este é o pai') class Filho (pai): def func1 (self): print ('este é o filho') ob = new Child () ob.func ()Esses são alguns conceitos fundamentais em python para começar. Agora falando sobre o suporte a pacotes maiores no anaconda, podemos trabalhar com várias bibliotecas. Vamos dar uma olhada em como podemos usar o python anaconda para análise de dados.
Caso de uso - Analytics
Estas são algumas etapas envolvidas em . Vamos dar uma olhada em como a análise de dados funciona no anaconda e em várias bibliotecas que podemos usar.
Coletando dados
o coleção de dados é tão simples quanto carregar um arquivo CSV no programa. Então, podemos fazer uso dos dados relevantes para analisar instâncias ou entradas específicas nos dados. A seguir está o código para carregar os dados CSV no programa.
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))Fatias e cubos
Depois de carregar o conjunto de dados no programa, devemos filtrar os dados com algumas mudanças como eliminar os valores nulos e campos desnecessários que podem causar ambigüidade na análise.
A seguir está um exemplo de como podemos filtrar os dados de acordo com os requisitos.
print (df.isnull (). sum ()) #isso fornecerá a soma de todos os valores nulos no conjunto de dados. df1 = df.dropna (axis = 0, how = 'any') # this irá descartar linhas com valores nulos.
Podemos eliminar os valores nulos também.
BoxPlot
sns.boxplot (x = df ['Faixa salarial de']) sns.boxplot (x = df ['Faixa salarial até'])
ScatterPlot
import matplotlib.pyplot as plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Faixa salarial desde'], df ['Faixa salarial até']) ax.set_xlabel ('Salário Faixa de ') ax.set_ylabel (' Faixa de salário TO ') plt.show ()
Visualização
Depois de alterar os dados de acordo com os requisitos, é necessário analisar esses dados. Uma forma de fazer isso é visualizando os resultados. Um melhor ajuda em uma análise ideal das projeções de dados.
A seguir está um exemplo para visualizar os dados.
sns.countplot (x = 'Indicador de tempo integral / meio-período', data = df) sns.countplot (x = 'Indicador de tempo integral / meio-período', hue = 'Frequência salarial', data = df) sns .countplot (hue = 'Indicador de tempo integral / meio-período', x = 'Tipo de postagem', data = df) df ['Faixa salarial desde']. plot.hist () df ['Faixa salarial até']. 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 ('Correlação', fontsize = 5) plt.show ()Análise
Após a visualização, podemos fazer nossa análise olhando para os diversos plotagens e gráficos. Suponha que estejamos trabalhando com dados de empregos, olhando para a representação visual de um emprego específico em uma região, podemos distinguir o número de empregos em um domínio específico.
A partir da análise acima, podemos assumir os seguintes resultados
- O número de empregos de meio período no conjunto de dados é muito menor em comparação com os de período integral.
- enquanto os empregos de meio período são menos de 500, os de tempo integral são mais de 2500.
- Com base nesta análise, podemos construir um modelo de previsão.
Neste tutorial do python anaconda, entendemos como podemos configurar o anaconda para python com casos de uso que cobrem os fundamentos do python, análise de dados e aprendizado de máquina. Com mais de 300 pacotes para ciência de dados, o anaconda fornece suporte ideal com resultados eficientes. Para dominar suas habilidades em python, matricule-se no curso de Edureka e comece a aprender.
quando usar isso em java
Tem alguma pergunta? mencione-os nos comentários deste artigo no ‘tutorial do python anaconda’, e entraremos em contato com você o mais rápido possível.