نوشته های مرتبط
پایتون زبان برنامه نویسی کاربر پسند و قدرتمند است. IPython یک رابط کاربری مناسب را به زبان و کتابخانه های تجزیه و تحلیل آن ارائه می دهد، در حالی که Jupyter Notebook یک محیط غنی است که با علم داده و مصورسازی سازگار است. این دو با هم، این ابزارهای متن باز به طور گسترده ای توسط مبتدیان و متخصصان در سراسر جهان در انواع مختلفی از زمینه ها استفاده می شوند. این دوره یک راهنمای مبتدی پسند برای پلتفرم تحلیل داده پایتون است. پس از مقدمه ای بر زبان پایتون، IPython و Jupyter Notebook، شما نحوه تحلیل داده ها و مصورسازی داده ها در نمونه های واقعی دنیا، نحوه ایجاد رابط های کاربری گرافیکی برای پردازش تصویر در Notebook و نحوه انجام محاسبات عددی سریع برای شبیه سازی های علمی با NumPy، Numba، Cython، و ipyparallel را خواهید آموخت. در پایان این دوره، شما قادر خواهید بود تجزیه و تحلیل عمیق از انواع داده ها را انجام دهید.
سرفصل:
- معرفی دوره
- شروع کار با IPython
- پایتون، IPython و Jupyter Notebook چیست؟
- نصب پایتون با Anaconda
- معرفی Notebook
- تحلیل داده های تعاملی با pandas
- بررسی یک مجموعه داده در نوت بوک
- دستکاری داده ها
- عملیات پیچیده
- محاسبات عددی با NumPy
- آغازگر برای محاسبات بردار
- ایجاد و بارگذاری آرایه ها
- دستکاری آرایه پایه
- محاسبه با آرایه های NumPy
- طرح بندی تعاملی و رابط گرافیکی
- انتخاب plotting backend
- matplotlib و seaborn
- پردازش تصویر
- کتابخانه های ترسیم و مصورسازی
- کارایی بالا و محاسبات موازی
- تسریع در کد پایتون با Numba
- نوشتن C در پایتون با Cython
- توزیع وظایف در چند هسته با IPython.parallel
- بیشتر تکنیک های محاسباتی با کارایی بالا
- سفارش سازی IPython
- ایجاد custom magic command در IPython extension
- نوشتن Jupyter kernel جدید
- نمایش عناصر غنی HTML در Notebook
- سفارشی سازی رابط نوت بوک با جاوا اسکریپت
- خلاصه
Learning IPython for Interactive Computing and Data Visualization – Second EditionPublisher: PacktpubDuration: 200Link:https://www.packtpub.com/big-data-and-business-intelligence/learning-ipython-interactive-computing-and-data-visualization-secGet started with Python for data analysis and numerical computing in the Jupyter notebook
Python is a user-friendly and powerful programming language. IPython offers a convenient interface to the language and its analysis libraries, while the Jupyter Notebook is a rich environment well-adapted to data science and visualization. Together, these open source tools are widely used by beginners and experts around the world, and in a huge variety of fields and endeavors.
This book is a beginner-friendly guide to the Python data analysis platform. After an introduction to the Python language, IPython, and the Jupyter Notebook, you will learn how to analyze and visualize data on real-world examples, how to create graphical user interfaces for image processing in the Notebook, and how to perform fast numerical computations for scientific simulations with NumPy, Numba, Cython, and ipyparallel. By the end of this book, you will be able to perform in-depth analyses of all sorts of data.
Released: October 2015
Chapter 1: Getting Started with IPython
What are Python, IPython, and Jupyter?
Installing Python with Anaconda
Introducing the Notebook
A crash course on Python
Ten Jupyter/IPython essentials
Summary
Chapter 2: Interactive Data Analysis with pandas
Exploring a dataset in the Notebook
Manipulating data
Complex operations
Summary
Chapter 3: Numerical Computing with NumPy
A primer to vector computing
Creating and loading arrays
Basic array manipulations
Computing with NumPy arrays
Summary
Chapter 4: Interactive Plotting and Graphical Interfaces
Choosing a plotting backend
matplotlib and seaborn essentials
Image processing
Further plotting and visualization libraries
Summary
Chapter 5: High-Performance and Parallel Computing
Accelerating Python code with Numba
Writing C in Python with Cython
Distributing tasks on several cores with IPython.parallel
Further high-performance computing techniques
Summary
Chapter 6: Customizing IPython
Creating a custom magic command in an IPython extension
Writing a new Jupyter kernel
Displaying rich HTML elements in the Notebook
Customizing the Notebook interface with JavaScript
Summary
لينک منبع
