Python Anaconda Tutorial: Alles was Sie wissen müssen

Dieser Artikel über das Python-Anaconda-Tutorial hilft Ihnen zu verstehen, wie Sie Python auf Anaconda mit Python-Grundlagen, Analysen, ML / AI usw. verwenden können.

Anaconda ist die Data Science-Plattform für Datenwissenschaftler, IT-Experten und Führungskräfte von morgen. Es ist eine Verteilung von Python , R. usw. Mit mehr als 300 Paketen für wird es zu einer der besten Plattformen für jedes Projekt. In diesem Im Anaconda-Tutorial werden wir diskutieren, wie wir Anaconda für die Python-Programmierung verwenden können. Im Folgenden werden die in diesem Blog behandelten Themen aufgeführt:

Einführung in Anaconda

Anaconda ist eine Open-Source-Distribution für Python und R. Sie wird für verwendet Datenwissenschaft , , tiefes Lernen usw. Mit der Verfügbarkeit von mehr als 300 Bibliotheken für Data Science wird es für jeden Programmierer ziemlich optimal, an Anaconda für Data Science zu arbeiten.



logo-python anaconda tutorial-edureka

Anaconda hilft bei der vereinfachten Paketverwaltung und -bereitstellung. Anaconda verfügt über eine Vielzahl von Tools, mit denen Daten aus verschiedenen Quellen mithilfe verschiedener maschineller Lern- und KI-Algorithmen einfach erfasst werden können. Es hilft dabei, ein einfach zu verwaltendes Umgebungssetup zu erhalten, mit dem jedes Projekt mit einem Klick auf eine einzelne Schaltfläche bereitgestellt werden kann.

Nachdem wir nun wissen, was Anakonda ist, versuchen wir zu verstehen, wie wir Anakonda installieren und eine Umgebung einrichten können, die auf unseren Systemen funktioniert.

Installation und Einrichtung

Um anaconda zu installieren, gehen Sie zu https://www.anaconda.com/distribution/ .

Erstellen eines Arrays von Objekten

Wählen Sie eine für Sie geeignete Version und klicken Sie auf Download. Öffnen Sie nach Abschluss des Downloads das Setup.

Befolgen Sie die Anweisungen im Setup. Vergessen Sie nicht, auf 'Anakonda zu meiner Pfadumgebungsvariablen hinzufügen' zu klicken. Nach Abschluss der Installation erhalten Sie ein Fenster wie in der Abbildung unten gezeigt.

Öffnen Sie nach Abschluss der Installation die Eingabeaufforderung anaconda und geben Sie ein .

Sie sehen ein Fenster wie im Bild unten gezeigt.

Nachdem wir nun wissen, wie man Anaconda für Python verwendet, schauen wir uns an, wie wir für jedes Projekt verschiedene Bibliotheken in Anaconda installieren können.

Wie installiere ich Python-Bibliotheken in Anaconda?

Öffnen Sie die Anaconda-Eingabeaufforderung und prüfen Sie, ob die Bibliothek bereits installiert ist oder nicht.

Da kein Modul mit dem Namen numpy vorhanden ist, führen wir den folgenden Befehl aus, um numpy zu installieren.

Nach Abschluss der Installation wird das im Bild gezeigte Fenster angezeigt.

Wenn Sie eine Bibliothek installiert haben, versuchen Sie einfach, das Modul zur Sicherheit erneut zu importieren.

Wie Sie sehen können, haben wir am Anfang keinen Fehler erhalten. Auf diese Weise können wir verschiedene Bibliotheken in Anaconda installieren.

Anaconda Navigator

Anaconda Navigator ist eine Desktop-GUI, die mit der Anaconda-Distribution geliefert wird. Es ermöglicht uns, Anwendungen zu starten und Conda-Pakete, Umgebungen und ohne Verwendung von Befehlszeilenbefehlen zu verwalten.

Anwendungsfall - Python-Grundlagen

Variablen und Datentypen

Variablen und Datentypen sind die Bausteine ​​jeder Programmiersprache. Python hat 6 Datentypen, abhängig von den Eigenschaften, die sie besitzen. Liste, Wörterbuch, Satz, Tupel sind die Erfassungsdatentypen in der Programmiersprache Python.

Das folgende Beispiel zeigt, wie Variablen und Datentypen in Python verwendet werden.

#variable declaration name = 'Edureka' f = 1991 print ('Python wurde gegründet in', f) #Datentypen 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 ('die Liste ist', a) print ('das Wörterbuch ist') , b) drucken ('das Tupel ist', c) drucken ('das Set ist', d)

Betreiber

Operatoren in Python werden für Operationen zwischen Werten oder Variablen verwendet. Es gibt 7 Arten von Operatoren in Python.

  • Aufgabenverwalter
  • Arithmetischer Operator
  • Logischer Operator
  • Vergleichsoperator
  • Bitweiser Operator
  • Mitgliedschaftsbetreiber
  • Identitätsoperator

Es folgt ein Beispiel mit der Verwendung einiger Operatoren in Python.

a = 10 b = 15 #arithmetischer Operator drucken (a + b) drucken (a - b) drucken (a * b) # Zuweisungsoperator a + = 10 drucken (a) # Vergleichsoperator #a! = 10 #b == Ein #logischer Operator a> b und a> 10 #dies gibt true zurück, wenn beide Anweisungen true sind.

Steueranweisungen

Aussagen wie , break, continue werden als Steueranweisung verwendet, um die Kontrolle über die Ausführung zu erlangen und optimale Ergebnisse zu erzielen. Wir können diese Anweisungen in verschiedenen Python-Schleifen verwenden, um das Ergebnis zu steuern. Das folgende Beispiel zeigt, wie wir mit Steuerungs- und Bedingungsanweisungen arbeiten können.

name = 'edureka' für i im Namen: wenn i == 'a': break else: print (i)

Funktionen

Stellen Sie die Wiederverwendbarkeit von Code auf effiziente Weise bereit, wobei wir die Logik für eine Problemstellung schreiben und einige Argumente ausführen können, um die optimalen Lösungen zu erhalten. Das Folgende ist ein Beispiel dafür, wie wir Funktionen in Python verwenden können.

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

Klassen und Objekte

Da Python die objektorientierte Programmierung unterstützt, können wir damit arbeiten Klassen und Objekte auch. Das folgende Beispiel zeigt, wie wir mit Klassen und Objekten in Python arbeiten können.

Klasse Parent: def func (self): print ('das ist parent') class Child (Parent): def func1 (self): print ('das ist child') ob = new Child () ob.func ()

Dies sind zunächst einige grundlegende Konzepte in Python. Wenn wir jetzt über die Unterstützung größerer Pakete in Anaconda sprechen, können wir mit vielen Bibliotheken arbeiten. Lassen Sie uns einen Blick darauf werfen, wie wir Python Anaconda für die Datenanalyse verwenden können.

Anwendungsfall - Analytics

Dies sind bestimmte Schritte . Schauen wir uns an, wie die Datenanalyse in Anaconda und verschiedenen Bibliotheken funktioniert, die wir verwenden können.

Daten sammeln

Das Datensammlung ist so einfach wie das Laden einer CSV-Datei in das Programm. Dann können wir die relevanten Daten verwenden, um bestimmte Instanzen oder Einträge in den Daten zu analysieren. Es folgt der Code zum Laden der CSV-Daten in das Programm.

Pandas als pd importieren numpy als np importieren matplotlib.pyplot als plt importieren seaborn als sns importieren df = pd.read_csv ('filename.csv') print (df.head (5))

Häppchen

Nachdem wir den Datensatz in das Programm geladen haben, müssen wir die Daten mit einigen Änderungen filtern, z. B. durch Entfernen der Nullwerte und unnötiger Felder, die zu Mehrdeutigkeiten in der Analyse führen können.

Im Folgenden finden Sie ein Beispiel dafür, wie wir die Daten gemäß den Anforderungen filtern können.

print (df.isnull (). sum ()) #dies gibt die Summe aller Nullwerte im Datensatz an. df1 = df.dropna (axis = 0, how = 'any') #dies werden Zeilen mit Nullwerten gelöscht.

wie man Visual Studio benutzt

Wir können auch die Nullwerte löschen.

Box-Plot

sns.boxplot (x = df ['Gehaltsbereich von']) sns.boxplot (x = df ['Gehaltsbereich bis'])

Streudiagramm

importiere matplotlib.pyplot als plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Gehaltsbereich von'], df ['Gehaltsbereich bis']) ax.set_xlabel ('Gehalt Bereich von ') ax.set_ylabel (' Gehaltsbereich bis ') plt.show ()

Visualisierung

Sobald wir die Daten entsprechend den Anforderungen geändert haben, ist es notwendig, diese Daten zu analysieren. Eine Möglichkeit hierfür ist die Visualisierung der Ergebnisse. Ein besseres hilft bei einer optimalen Analyse der Datenprojektionen.

Es folgt ein Beispiel zur Visualisierung der Daten.

sns.countplot (x = 'Vollzeit- / Teilzeitindikator', Daten = df) sns.countplot (x = 'Vollzeit- / Teilzeitindikator', Farbton = 'Gehaltshäufigkeit', Daten = df) sns .countplot (hue = 'Vollzeit- / Teilzeitindikator', x = 'Buchungsart', data = df) df ['Gehaltsbereich von']. plot.hist () df ['Gehaltsbereich bis']. plot.hist ()

importiere matplotlib.pyplot als plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. Titel ('Korrelation', Schriftgröße = 5) plt.show ()

Analyse

Nach der Visualisierung können wir unsere Analyse anhand der verschiedenen Diagramme und Grafiken durchführen. Angenommen, wir arbeiten an Jobdaten. Indem wir uns die visuelle Darstellung eines bestimmten Jobs in einer Region ansehen, können wir die Anzahl der Jobs in einer bestimmten Domäne erkennen.

Aus der obigen Analyse können wir die folgenden Ergebnisse annehmen

  • Die Anzahl der Teilzeitjobs im Datensatz ist im Vergleich zu Vollzeitjobs sehr gering.
  • Während Teilzeitjobs weniger als 500 sind, sind Vollzeitjobs mehr als 2500.
  • Basierend auf dieser Analyse können wir eine Vorhersagemodell.

In diesem Python-Anaconda-Tutorial haben wir verstanden, wie wir Anaconda für Python mit Anwendungsfällen einrichten können, die Python-Grundlagen, Datenanalyse und maschinelles Lernen abdecken. Mit über 300 Paketen für Data Science bietet anaconda optimale Unterstützung mit effizienten Ergebnissen. Um Ihre Python-Fähigkeiten zu beherrschen, melden Sie sich bei Edureka an und starten Sie Ihr Lernen.

Haben Sie Fragen? Erwähnen Sie sie in den Kommentaren dieses Artikels zum Thema 'Python Anaconda Tutorial'. Wir werden uns so schnell wie möglich bei Ihnen melden.