پیشنهاد فرادرس

آموزش Pandas - مصورسازی

دسته بندی ها: آموزش Pandas ، آموزش های پلورال سایت (Pluralsight)

در بعضی موارد هنگامی که شما با یک مجموعه داده کار می کنید، می خواهید خواص این مجموعه داده را به صورت گرافیکی قابل مشاهده کنید. این یک مهارت اصلی برای هر دانشمند داده یا مهندس داده است. در این دوره، شما خواهید آموخت که چگونه تنوع زیادی ازلات های زیبا با Pandas ایجاد کنید. Pandas یکی از محبوب ترین کتابخانه های تحلیل داده برای پایتون است. در ابتدا اصول طرح ریزی با Pandas، آماده سازی مجموعه داده برای طرح ریزی، ایجاد پلات های رایج مانند نوار، خط و پراکندگی پلات را فرا خواهید گرفت. سپس، به بررسی matplotlib می پردازید. matplotlib  کتابخانه پایتون است که گرافیک واقعی را تولید می کند. علاوه بر این نحوه تعامل آن با Pandas و نحوه استفاده صحیح از آن را یاد خواهید گرفت. بعدا، شیوه های سفارش سازی پلات ها مانند سبک های خط، رنگ ها و تم ها، سفارشی کردن محورها و legendsا، ایجاد پلات های تعاملی و غیره را بررسی می کنید. در نهایت، با 2 کتابخانه دیگر برای کار با Pandas آشنا می شوید که Seaborn و Bokeh نام دارند. پس از تماشای این دوره، شما باید درک عمیقی از تمام راه های ممکن برای استفاده از Pandas جهت مصورسازی داده های خود داشته باشید.

سرفصل:

  • معرفی دوره
  • ایجاد پلات های ساده
  • معرفی Pandas Plot API
  • سه گام برای پلات ساده
  • سه گام برای  Data Transform
  • ناوبری API Jungle - بررسی Matplotlib، Pandas و Jupyter Notebook
  • معرفی Pyplot
  • Jupyter Notebook و Matplotlib Backends
  • Matplotlib Object-oriented API
  • JupyterLab و Matplotlib
  • ایجاد پلات های پیشرفته با Pandas
  • Subplots و Shared Axes
  • آماده سازی DataFrame
  • Area Plots با و بدون Stacking
  • Subplots و Stacking
  • تم های Matplotlib
  • Axes  - برچسب های Ticks و Tick
  • سفارش سازی Legend
  • کار با Axes
  • ایجاد پلات های تعاملی
  • مصورسازی خواص آماری با Seaborn
  • Relational Plots
  • Categorical Plots
  • ایجاد پلات های تعاملی برای وب با Bokeh
  • پلات های ساده با Bokeh
  • و غیره
Pandas Playbook: Visualization Publisher:Pluralsight Author:Reindert-Jan Ekker Duration:2h 11m Level:Intermediate

Pandas is one of the most popular data analysis libraries for Python. In this
course, you will learn how to create a wide range of plots for your data,
and how to customize them to make them both attractive and informative
for your audience.
At some point when you are working with a dataset, you will want to
make the properties of that dataset visible in a graphical way. This is
a core skill for every data scientist or data engineer. In this course, Pandas
Playbook: Visualization, you’ll learn how to create a large variety
of beautiful plots with Pandas, one of the most popular data analysis libraries for Python. First, you'll learn the very basics of plotting with pandas, learning how to prepare your dataset for plotting, and how to create
common plots like a bar, line, and scatter plot. Next, you will explore
matplotlib, the Python library that generates the actual graphics, how this interacts with Pandas, and how to use it correctly. Then, you will go
more in-depth and learn about all the ways to customize your plots,
including line styles, colors and themes, customizing axes and legends,
creating interactive plots, and much more. Finally, you will see a short
overview of two other visualization libraries that can be used with
Pandas: Seaborn, which is focused on statistical plotting, and Bokeh,
which can create interactive visuals for the web. After watching this course, you’ll have a deep understanding of all possible ways you can use Pandas to visualize your data. You'll know how to write efficient and clear code that creates beautiful plots, following best practices. This course will also make you more proficient in
exploring datasets and communicating your results with others.
Course Overview
Course Overview
1m
Course Introduction
Introduction
5m
Making Simple Plots
Module Overview
0m
Demo: Introducing the Pandas Plot API
6m
Review: The Pandas Plot API
1m
Demo: Three Steps for Simple Plots
4m
Demo: Three Steps with Data Transform
1m
Demo: Three Steps, Another Example
2m
Review: Three Steps for Simple Plots
3m
Navigating the API Jungle: Matplotlib, Pandas, and the Jupyter Notebook
Introduction: The Three Plotting APIs
4m
Demo: Introducing Pyplot
5m
Demo: Jupyter Notebook and Matplotlib Backends
4m
Demo: The Matplotlib Object-oriented API
6m
Demo: JupyterLab and Matplotlib
2m
Review
4m
Best Practices
2m
Creating Advanced Plots with Pandas
Introduction
1m
Demo: Subplots and Shared Axes
6m
Demo: Stacking - Preparing the DataFrame
2m
Demo: Area Plots with and Without Stacking
3m
Demo: Bar Plots with and Without Stacking
1m
Review: Subplots and Stacking
3m
Demo: Matplotlib Themes
1m
Demo: Styling - Line Styles, Colors, and More
4m
Demo: Scatter Plots
4m
Review: Styling
2m
Demo: Axes - Ticks and Tick Labels
3m
Demo: Axes - Limits and a Custom Tick Label Formatter
3m
Demo: Customizing the Legend
1m
Review: Working with Axes
2m
Demo: Creating Interactive Plots
6m
Summary
1m
Visualizing Statistical Properties with Seaborn
Introduction
1m
Demo: Relational Plots
4m
Demo: Relational Plots - Second Example
1m
Demo: Categorical Plots
1m
Demo: Other Features
2m
Summary
0m
Creating Interactive Plots for the Web with Bokeh
Introduction
1m
Demo: Simple Plots with Bokeh
3m
Demo: Simple Plots with Bokeh, Continued
3m
Demo: Creating Interactive Plots for the Web
4m

پیشنهاد فرادرس

لینک های دانلود حجم فایل: 220.0MB Pluralsight Pandas Playbook Visualization_git.ir.rar