Anaconda es la plataforma de ciencia de datos para científicos de datos, profesionales de TI y líderes empresariales del mañana. Es una distribucion de Pitón , R , etc. Con más de 300 paquetes para , se convierte en una de las mejores plataformas para cualquier proyecto. En esto tutorial de anaconda, discutiremos cómo podemos usar anaconda para la programación de Python. Los siguientes son los temas que se tratan en este blog:
- Introducción a Anaconda
- Instalación y configuración
- ¿Cómo instalar bibliotecas de Python en Anaconda?
- Navegador Anaconda
- Caso de uso
Introducción a Anaconda
Anaconda es una distribución de código abierto para python y R. Se utiliza para Ciencia de los datos , , aprendizaje profundo , etc. Con la disponibilidad de más de 300 bibliotecas para ciencia de datos, resulta bastante óptimo para cualquier programador trabajar en anaconda para ciencia de datos.
Anaconda ayuda a simplificar la administración e implementación de paquetes. Anaconda viene con una amplia variedad de herramientas para recopilar fácilmente datos de varias fuentes utilizando varios algoritmos de inteligencia artificial y aprendizaje automático. Ayuda a obtener una configuración de entorno fácilmente manejable que puede implementar cualquier proyecto con el clic de un solo botón.
Ahora que sabemos qué es anaconda, intentemos comprender cómo podemos instalar anaconda y configurar un entorno para que funcione en nuestros sistemas.
Instalación y configuración
Para instalar anaconda vaya a https://www.anaconda.com/distribution/ .
Elija una versión adecuada para usted y haga clic en descargar. Una vez que complete la descarga, abra la configuración.
lista de eventos javascript con ejemplos
Siga las instrucciones de la configuración. No olvide hacer clic en agregar anaconda a la variable de entorno de mi ruta. Una vez completada la instalación, aparecerá una ventana como la que se muestra en la imagen a continuación.
Después de finalizar la instalación, abra el indicador anaconda y escriba .
Verá una ventana como la que se muestra en la imagen de abajo.
Ahora que sabemos cómo usar anaconda para python, echemos un vistazo a cómo podemos instalar varias bibliotecas en anaconda para cualquier proyecto.
¿Cómo instalar bibliotecas de Python en Anaconda?
Abra el indicador anaconda y verifique si la biblioteca ya está instalada o no.
Dado que no hay ningún módulo llamado numpy presente, ejecutaremos el siguiente comando para instalar numpy.
Obtendrá la ventana que se muestra en la imagen una vez que complete la instalación.
Una vez que haya instalado una biblioteca, intente importar el módulo nuevamente para mayor seguridad.
Como puede ver, no hay ningún error que obtuvimos al principio, así es como podemos instalar varias bibliotecas en anaconda.
Navegador Anaconda
Anaconda Navigator es una GUI de escritorio que viene con la distribución anaconda. Nos permite lanzar aplicaciones y administrar paquetes conda, entorno y sin usar comandos de línea de comandos.
Caso de uso: conceptos básicos de Python
Variables y tipos de datos
Variables y tipos de datos son los componentes básicos de cualquier lenguaje de programación. Python tiene 6 tipos de datos según las propiedades que posean. Lista, diccionario, conjunto, tupla, son los tipos de datos de recopilación en el lenguaje de programación Python.
A continuación, se muestra un ejemplo para mostrar cómo se utilizan las variables y los tipos de datos en Python.
# declaración variable nombre = 'Edureka' f = 1991 print ('python fue fundada en', f) # tipos de datos 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 ('la lista es', a) print ('el diccionario es' , b) imprimir ('la tupla es', c) imprimir ('el conjunto es', d)Operadores
Operadores en Python se utilizan para operaciones entre valores o variables. Hay 7 tipos de operadores en Python.
Java convertir cadena a la fecha
- Operador de asignación
- Operador aritmético
- Operador lógico
- Operador de comparación
- Operador de bits
- Operador de membresía
- Operador de identidad
A continuación se muestra un ejemplo con el uso de algunos operadores en Python.
a = 10 b = 15 #operador aritmético print (a + b) print (a - b) print (a * b) #operador de asignación a + = 10 print (a) #operador de comparación #a! = 10 #b == un # operador lógico a> by a> 10 # esto devolverá verdadero si ambas declaraciones son verdaderas.
Declaraciones de control
Declaraciones como , romper, continuar se utilizan como una declaración de control para obtener control sobre la ejecución para obtener resultados óptimos. Podemos usar estas declaraciones en varios bucles en Python para controlar el resultado. A continuación se muestra un ejemplo para mostrar cómo podemos trabajar con declaraciones de control y condicionales.
name = 'edureka' for i in name: if i == 'a': break else: print (i)
Funciones
proporcionar reutilización de código de una manera eficiente, donde podemos escribir la lógica para una declaración de problema y ejecutar algunos argumentos para obtener las soluciones óptimas. A continuación se muestra un ejemplo de cómo podemos usar funciones en python.
def func (a): devuelve a ** a res = func (10) print (res)
Clases y objetos
Dado que Python admite la programación orientada a objetos, podemos trabajar con clases y objetos también. A continuación se muestra un ejemplo de cómo podemos trabajar con clases y objetos en python.
class Parent: def func (self): print ('esto es padre') class Child (Parent): def func1 (self): print ('this is child') ob = new Child () ob.func ()Estos son algunos conceptos fundamentales en Python para empezar. Ahora, hablando del soporte de paquetes más grande en anaconda, podemos trabajar con muchas bibliotecas. Echemos un vistazo a cómo podemos usar Python anaconda para el análisis de datos.
Caso de uso: análisis
Estos son ciertos pasos involucrados en . Echemos un vistazo a cómo funciona el análisis de datos en anaconda y varias bibliotecas que podemos usar.
Recolectando datos
los Conjunto de datos es tan simple como cargar un archivo CSV en el programa. Luego, podemos hacer uso de los datos relevantes para analizar instancias particulares o entradas en los datos. A continuación se muestra el código para cargar los datos CSV en el programa.
importar pandas como pd importar numpy como np importar matplotlib.pyplot como plt importar seaborn como sns df = pd.read_csv ('filename.csv') print (df.head (5))Tajando y cortando
Después de cargar el conjunto de datos en el programa, debemos filtrar los datos con algunos cambios, como eliminar los valores nulos y los campos innecesarios que pueden causar ambigüedad en el análisis.
A continuación se muestra un ejemplo de cómo podemos filtrar los datos de acuerdo con los requisitos.
print (df.isnull (). sum ()) # esto dará la suma de todos los valores nulos en el conjunto de datos. df1 = df.dropna (axis = 0, how = 'any') # esto eliminará filas con valores nulos.
También podemos eliminar los valores nulos.
BoxPlot
sns.boxplot (x = df ['Rango de salario desde']) sns.boxplot (x = df ['Rango de salario hasta'])
Gráfico de dispersión
import matplotlib.pyplot como plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Rango de salario desde'], df ['Rango de salario a']) ax.set_xlabel ('Salario Rango desde ') ax.set_ylabel (' Rango salarial TO ') plt.show ()
Visualización
Una vez que hemos cambiado los datos según los requisitos, es necesario analizar estos datos. Una de esas formas de hacer esto es mediante la visualización de los resultados. Un mejor ayuda en un análisis óptimo de las proyecciones de datos.
A continuación se muestra un ejemplo para visualizar los datos.
sns.countplot (x = 'Indicador de tiempo completo / tiempo parcial', data = df) sns.countplot (x = 'Indicador de tiempo completo / tiempo parcial', hue = 'Frecuencia salarial', data = df) sns .countplot (hue = 'Indicador de tiempo completo / tiempo parcial', x = 'Tipo de publicación', data = df) df ['Rango de salario desde']. plot.hist () df ['Rango de salario hasta']. plot.hist ()
importar matplotlib.pyplot como plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. title ('Correlación', tamaño de fuente = 5) plt.show ()Análisis
Después de la visualización, podemos hacer nuestro análisis observando los distintos diagramas y gráficos. Supongamos que estamos trabajando con datos de trabajo, al observar la representación visual de un trabajo en particular en una región podemos distinguir el número de trabajos en un dominio en particular.
Del análisis anterior, podemos asumir los siguientes resultados
- El número de trabajos a tiempo parcial en el conjunto de datos es muy inferior en comparación con los trabajos a tiempo completo.
- mientras que los trabajos a tiempo parcial son menos de 500, los trabajos a tiempo completo son más de 2500.
- Con base en este análisis, podemos construir un modelo de predicción.
En este tutorial de python anaconda, hemos entendido cómo podemos configurar anaconda para python con casos de uso que cubren los fundamentos de python, el análisis de datos y el aprendizaje automático. Con más de 300 paquetes para ciencia de datos, anaconda brinda un soporte óptimo con resultados eficientes. Para dominar sus habilidades en Python, inscríbase en Edureka's y ponga en marcha su aprendizaje.
¿Tiene alguna pregunta? menciónalos en los comentarios de este artículo sobre el 'tutorial de anaconda de Python', y nos comunicaremos contigo lo antes posible.