تحلیل داده با Polars و پایتون
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- تسلط به عملیاتهای دستکاری داده در Polars، از جمله مرتبسازی،
- فیلترینگ، گروهبندی، pivot کردن، جوین کردن و غیره!
- درک سینتکس مبتنی بر expression و تابع در Polars برای ساخت زنجیرههای پیچیده منطق
- استفاده از LazyFrameها برای ایجاد برنامههای کوئری پیچیدهای که Polars میتواند برای کارایی بهینه کند.
- کار با انواع مختلف داده، از جمله متن، داده زمانی، عددی، ساختارهای تو در تو و غیره
پیشنیازهای دوره
- تجربه سطح مبتدی تا متوسط با نرمافزار صفحهگسترده مانند گوگل شیت و مایکروسافت اکسل
- (توابع رایج، جداول محوری، vlookup ،countif و غیره)
- تجربه اولیه با زبان برنامهنویسی پایتون (اگر کاملاً مبتدی هستید، مبانی را هم پوشش میدهیم!)
- دانش قوی درباره انواع داده (رشتهها، اعداد صحیح، اعداد اعشاری، بولی و غیره)
توضیحات دوره
به جامعترین دوره Polars در یودمی خوش آمدید!
تحلیل داده با Polars و پایتون بیش از 22 ساعت آموزش ویدئویی عمیق درباره کتابخانه قدرتمند تحلیل داده Polars ارائه میدهد. این دوره همچنین شامل مجموعه گستردهای از مجموعه دادهها، آزمونها و چالشهای کدنویسی برای کمک به یادگیری شما است.
این دوره برای چه کسانی است؟
این دوره برای دانشجویان در همه سطوح طراحی شده است؛ از تحلیلگران داده باتجربه تا دانشجویانی که حتی قبلاً برنامهنویسی نکردهاند. درسها شامل موارد زیر است:
- نصب پایتون و Polars در کامپیوترتان
- درک مکانیکها اصلی پایتون
- کار با محیط کدنویسی Jupyter Lab
چه با نرمافزارهای صفحهگسترده مانند مایکروسافت اکسل و گوگل شیت کار کرده باشید، چه با کتابخانه تحلیل داده دیگری مانند پانداس کار کرده باشید، Polars میتواند مهارتهای تحلیل داده شما را به سطح بالاتری ببرد.
چه موضوعاتی را پوشش خواهیم داد؟
ما اشیای اصلی Polars را پوشش خواهیم داد که عبارتند از:
- سریها
- دیتافریمها
- LazyFrameها
بیشتر کار ما روی دیتافریم، یک جدول دوبعدی از سطرها و ستونها، متمرکز خواهد بود؛. عملیاتهای دستکاری داده را نیز پوشش میدهیم که عبارتند از:
- مرتبسازی
- فیلترینگ
- گروهبندی
- تجمیع
- حذف داپلیکیتها
- pivot کردن
- حذف
- جوین کردن
- جایگزینی
- کار با داده متنی
- کار با داده زمانی و تاریخوزمان
همچنین برخی از انواع داده منحصربهفرد ستونی در Polars را پوشش خواهیم داد که عبارتند از:
- لیستها
- آرایهها
- structها
- و غیره!
این دوره برای چه کسانی مناسب است؟
- تحلیلگران داده و تحلیلگران کسبوکار
- کاربران گوگل شیت و اکسل که میخواهند نرمافزاری قدرتمندتر برای تحلیل داده یاد بگیرند.
- توسعهدهندگانی که با پانداس آشنا هستند و میخواهند این رقیب روبهرشد در اکوسیستم علم داده پایتون را بررسی کنند.
تحلیل داده با Polars و پایتون
-
به Polars خوش آمدید 08:45
-
[مک] آشنایی با ترمینال 07:12
-
[مک] نصب uv، یک پکیج پایتون و project manager 05:10
-
[مک] دانلود فایلهای دوره و راهاندازی پروژه 03:11
-
[ویندوز] آشنایی با پاورشل 08:04
-
[ویندوز] نصب uv، یک پکیج پایتون و project manager 04:14
-
[ویندوز] دانلود فایلهای دوره و راهاندازی پروژه 04:29
-
راهاندازی و خاموش کردن Jupyter Lab 07:03
-
آشنایی با Jupyter Lab 12:10
-
راهاندازی Ruff Formatter در Jupyter Lab 02:16
-
ایمپورت کتابخانهها در Jupyter Lab 04:04
-
آزمون None
-
کامنتها 07:03
-
انواع داده 10:19
-
عملگرها 12:28
-
عملگرهای برابری و نابرابری 08:53
-
متغیرها 07:01
-
تعریف متغیرها None
-
توابع داخلی 12:03
-
توابع داخلی None
-
توابع سفارشی 15:27
-
توابع سفارشی None
-
متدهای رشته 18:23
-
متدهای رشته None
-
لیستها 13:22
-
ایجاد لیستها None
-
موقعیتهای ایندکس و اسلایس کردن 17:51
-
موقعیتهای ایندکس و اسلایس کردن None
-
تاپلها 07:40
-
دیکشنریها 13:37
-
ایجاد دیکشنریها None
-
کلاسها و اشیا 06:32
-
ایمپورت ماژولها 11:02
-
ایمپورت کتابخانهها 03:36
-
اعداد صحیح Signed و Unsigned 11:02
-
آزمون None
-
ایمپورت سری در Polars 05:20
-
ایجاد یک سری 10:23
-
تشخیص نوع داده 10:10
-
Attributeها 03:50
-
مقادیر گمشده 06:43
-
متد alias 04:25
-
ایمپورت فایل CSV با تابع read_csv 11:09
-
متدهای head و tail 07:07
-
بهینهسازی حافظه و پارامتر schema_overrides 11:26
-
مرتبسازی یک سری 06:36
-
روشهای ریاضی 06:48
-
روشهای گرد کردن 04:02
-
Polars چه تفاوتی با پانداس دارد؟ 12:33
-
آزمون None
-
آشنایی با دیتافریمها 03:09
-
ایجاد یک دیتافریم از ابتدا 02:55
-
خواندن یک دیتافریم از CSV 07:06
-
بدون ایندکس، بدون مشکل 04:27
-
آشنایی با expressionها 06:02
-
متد select - بخش 1 06:25
-
تغییر نام ستونها 08:42
-
متد select - بخش 2 11:13
-
متد select - بخش 3: هدفگیری بر اساس نوع داده 04:12
-
expressionها بهعنوان بلوکهای سازنده 05:40
-
expressionهایی که مقادیر را میشمارند 07:21
-
استخراج یک یا چند سطر 06:15
-
سینتکس اسلایس کردن لیست 06:17
-
expressionهایی که مقادیر سطر را هدف میگیرند 05:46
-
استخراج یک مقدار منفرد از دیتافریم با متد item 03:31
-
استخراج سطرها بر اساس موقعیت ایندکس با متدهای gather و gather_every 03:58
-
استخراج یک مجموعه تصادفی از مقادیر 02:30
-
تبدیل ستونها به انواع داده دیگر 06:43
-
سفارشیسازی اسکیمای دیتافریم 05:55
-
تغییر نام ستونها 03:50
-
ویژگی name 05:16
-
حذف ستونها 03:17
-
جایگزینی مقادیر 03:24
-
عملیاتهای ریاضی - بخش 1 10:16
-
عملیاتهای ریاضی - بخش 2 03:56
-
عملیاتهای ریاضی تجمعی 06:59
-
متد with_columns 07:30
-
توابع all و exclude 05:15
-
آزمون None
-
متد fill_null 11:47
-
درونیابی 05:02
-
حذف داده گمشده 10:42
-
مرتبسازی بر اساس یک ستون 11:35
-
مرتبسازی بر اساس چند ستون - بخش 1 06:33
-
مرتبسازی بر اساس چند ستون - بخش 2 07:13
-
کاراکترها در مقابل بایتها 09:41
-
مرتبسازی بر اساس expressionها 07:28
-
متدهای top_k و bottom_k 03:53
-
متد rank 04:49
-
متد shuffle 05:05
-
شمارش و استخراج مقادیر یکتا 06:17
-
متد value_counts 08:24
-
آزمون None
-
معرفی مجموعه داده 04:10
-
متد filter 10:06
-
فیلترینگ با عملگرهای ریاضی 05:31
-
فیلترینگ با مقادیر گمشده 08:25
-
فیلترینگ با ستونهای بولی 02:33
-
اعمال منطق And (چندین عبارت بولی) 12:26
-
فیلترینگ با آرگومانهای کلیدی 03:24
-
اعمال منطق Or 05:57
-
اولویت عملگرها 05:28
-
اعمال منطق OR انحصاری (xor) 03:04
-
فیلترینگ برای مقادیر یکتا و تکراری 06:20
-
فیلترینگ با Datetimeها 09:07
-
متد is_between 07:19
-
متد is_in 03:04
-
متد remove 06:19
-
نفی با نماد tilde 07:27
-
When ،Then و Otherwise 07:16
-
پارتیشنبندی دیتافریمها 10:17
-
آزمون None
-
معرفی مجموعه دادهها 05:44
-
Inner Joins 13:23
-
پارامتر on 02:54
-
Full Joins 08:49
-
Right Joins و Left Joins 06:19
-
Semi Join 02:53
-
Anti Join 02:37
-
joinهای متقاطع و حاصلضربهای دکارتی 04:19
-
join کردن بر اساس چند ستون 09:00
-
پارامتر validate 12:31
-
متد join_asof - بخش 1 11:04
-
متد join_asof - بخش 2 - tolerance 06:31
-
متد join_asof - بخش 3 - بر اساس پارامتر 11:24
-
آزمون None
-
Concatenate کردن عمودی 04:02
-
Concatenate کردن افقی 04:27
-
Concatenate کردن قطری 03:40
-
Concatenate کردن همتراز 09:37
-
Concatenate کردن انعطافپذیر 09:13
-
Rechunking 10:27
-
متد vstack 11:33
-
متد extend 07:20
-
متد hstack 02:41
-
آزمون None
-
دیتافریمهای عریض در مقابل بلند 06:00
-
متد unpivot برای تبدیل دیتافریم عریض به دیتافریم بلند 06:54
-
متد pivot برای تبدیل دیتافریم بلند به دیتافریم عریض 04:22
-
جداول محوری - بخش 1 06:36
-
جداول محوری - بخش 2 05:22
-
متد transpose 03:33
-
آزمون None
-
آرایهها و لیستها 08:41
-
متد str.split 04:45
-
فضای نام لیست 05:50
-
مرتبسازی لیستها 02:59
-
متد explode 03:50
-
explode کردن با چند ستون از listها 08:42
-
عملیاتهای ریاضی 05:25
-
متدهای list.eval ،list.any و list.all 08:43
-
Concatenate کردن مقادیر ستونها 10:02
-
آرایهها 06:21
-
ویژگی arr 04:07
-
آزمون None
-
آشنایی با Structها 07:45
-
متدهای struct.field و unnest 04:00
-
متد value_counts 06:30
-
تغییر نام فیلدهای Struct 03:33
-
استفاده از Structها برای کار با داده تو در تو 18:44
-
استفاده از Structها برای شناسایی داده تکراری در چند ستون 04:44
-
آزمون None
-
معرفی مجموعه داده 03:07
-
تبدیل حروف بزرگ و کوچک 04:24
-
حذف فاصلههای خالی 05:01
-
حذف پیشوند و پسوند 04:17
-
کاراکترها در مقابل بایتها 08:52
-
اسلایس کردن رشته 05:21
-
روشهای فیلترینگ 08:17
-
عبارتهای منظم 07:22
-
گروههای capture 10:07
-
جایگزینی مقادیر 05:18
-
پیدا کردن طولانیترین نامهای کارمندان 08:20
-
آزمون None
-
داده دستهای 09:09
-
فضای نام cat 03:26
-
Enumها 08:16
-
Enumها، دستهای و مرتبسازی 06:27
-
ایمپورت یک مجموعه داده با Datetimeها 07:37
-
تجزیه Datetimeها با متد strptime 09:46
-
تجزیه Dateها و Timeها 05:04
-
تبدیل از Date به String 06:23
-
استخراج مؤلفههای Datetime 06:59
-
فیلترینگ بر اساس Date ،Time و Datetime 13:08
-
جمع و تفریق زمان - بخش 1 07:22
-
جمع و تفریق زمان - بخش 2 06:28
-
مدتزمانها 06:15
-
منطقههای زمانی - بخش 1 10:09
-
منطقههای زمانی - بخش 2 - تبدیلها 05:08
-
بررسی استراتژیهای هدفگیری 10:00
-
معرفی سلکتورها 03:42
-
انتخاب بر اساس نوع داده 04:33
-
انتخاب بر اساس موقعیت ستون 03:57
-
عملیاتهای مجموعه با سلکتورها 10:38
-
معرفی مجموعه داده 06:19
-
آشنایی با گروهبندی 04:59
-
متدهای GroupBy 07:39
-
بزرگترین و کوچکترین مقادیر در هر گروه 04:55
-
تجمیعها با متد agg 06:59
-
استفاده از سلکتورها در تجمیعها 04:39
-
گروهبندی با چند ستون 02:04
-
گروهبندی داده زمانی 11:05
-
توابع پنجرهای و متد over 06:53
-
LazyFrameها و ارزیابی eager در مقابل lazy 05:27
-
تابع scan_csv و متد collect 13:55
-
مسئلهای مربوط به زمان 03:04
-
تبدیل دیتافریم به LazyFrame 04:13
-
محدودیتهای LazyFrame 08:34
مشخصات آموزش
تحلیل داده با Polars و پایتون
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:مقدماتی
- تعداد درس:208
- مدت زمان :22:12:19
- حجم :14.08GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy