آموزش عملیات داده در پایتون

0 دیدگاه

پایتون برای مدیریت داده‌ها در فرمت‌های مختلف، عمدتاً از دو کتابخانه Pandas و NumPy استفاده می‌کند. در بخش‌های قبل، ویژگی‌های مهم این دو کتابخانه را معرفی کردیم. در ادامه، برای درک بهتر مفهوم عملیات داده در پایتون، به بررسی چند مثال پایه‌ای از کتابخانه‌های Pandas و NumPy می‌پردازیم. این مثال‌ها به‌صورت عملی نشان می‌دهند چگونه می‌توان داده‌ها را پردازش و مدیریت کرد.

عملیات داده‌ای در NumPy

مهم‌ترین شیء تعریف‌شده در کتابخانه NumPy، نوع آرایه N-بعدی با نام ndarray است. این نوع آرایه مجموعه‌ای از عناصر با نوع داده یکسان را توصیف می‌کند. برای دسترسی به عناصر این مجموعه، از ایندکس‌گذاری صفر‌پایه استفاده می‌شود. نمونه‌ای از کلاس ndarray را می‌توان با استفاده از روش‌های مختلفی که در ادامه آموزش معرفی خواهند شد، ایجاد کرد. ساده‌ترین روش برای ایجاد این آرایه استفاده از تابع array در NumPy است که ساختار آن به صورت زیر است:

numpy.array

1	numpy.array

در ادامه، چند مثال کاربردی از نحوه مدیریت داده‌ها با استفاده از NumPy را بررسی می‌کنیم:

مثال 1: آرایه چند‌بعدی

# more than one dimensions 
import numpy as np 
a = np.array([[1, 2], [3, 4]]) 
print a

# more than one dimensions

import numpy as np

a = np.array([[1, 2], [3, 4]])

print a

نتیجه اجرای کد به شکل زیر خواهد بود:

[[1 2] [3 4]]

مثال 2: حداقل تعداد ابعاد

# minimum dimensions 
import numpy as np 
a = np.array([1, 2, 3,4,5], ndmin = 2) 
print a

# minimum dimensions

import numpy as np

a = np.array([1, 2, 3,4,5], ndmin = 2)

print a

اجرای کد منجر به تولید خروجی زیر خواهد شد:

[[1 2 3 4 5]]

مثال 3: تعیین نوع داده

# dtype parameter 
import numpy as np 
a = np.array([1, 2, 3], dtype = complex) 
print a

# dtype parameter

import numpy as np

a = np.array([1, 2, 3], dtype = complex)

print a

پس از اجرای کد، خروجی زیر را دریافت می‌کنیم:

[1.+0.j 2.+0.j 3.+0.j]

عملیات داده‌ای در Pandas

کتابخانه Pandas برای مدیریت داده‌ها از سه ساختار اصلی استفاده می‌کند: Series، DataFrame و Panel. در این بخش، نحوه عملکرد هرکدام را با ذکر مثال بررسی می‌کنیم.

Series در Pandas

ساختار Series در Pandas نوعی آرایه یک‌بعدی است که هر عنصر آن دارای یک برچسب (Index) اختصاصی است. این ساختار می‌تواند انواع مختلفی از داده‌ها مانند اعداد صحیح، رشته‌ها، اعداد اعشاری و حتی اشیای پایتون را نگهداری کند. ایندکس، مجموعه‌ای از برچسب‌هاست که برای شناسایی عناصر این آرایه به‌کار می‌رود.

برای ایجاد یک Series، می‌توان از سازنده (constructor) زیر استفاده کرد:

pandas.Series(data, index, dtype, copy)

1	pandas.Series(data, index, dtype, copy)

مثال: ایجاد Series از آرایه NumPy

#import the pandas library and aliasing as pd
import pandas as pd
import numpy as np
data = np.array(['a','b','c','d'])
s = pd.Series(data)
print s

#import the pandas library and aliasing as pd

import pandas as pd

import numpy as np

data = np.array(['a','b','c','d'])

s = pd.Series(data)

print s

نتیجه اجرای کد به شکل زیر خواهد بود:

0   a
1   b
2   c
3   d
dtype: object

0 a

1 b

2 c

3 d

dtype: object

DataFrame در Pandas

ساختار DataFrame یک جدول دوبعدی است که داده‌ها را به‌صورت ردیف‌ها و ستون‌ها نمایش می‌دهد. این ساختار برای تحلیل داده‌های ساخت‌یافته بسیار پرکاربرد است. برای ساخت یک DataFrame می‌توان از سازنده زیر استفاده کرد:

pandas.DataFrame( data, index, columns, dtype, copy)

1	pandas.DataFrame( data, index, columns, dtype, copy)

برای درک بهتر ساختار DataFrame، در این بخش مثالی با آرایه و ایندکس پیاده‌سازی می‌کنیم:

import pandas as pd
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}
df = pd.DataFrame(data, index=['rank1','rank2','rank3','rank4'])
print df

import pandas as pd

data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}

df = pd.DataFrame(data, index=['rank1','rank2','rank3','rank4'])

print df

نمایش نهایی داده‌ها پس از اجرای کد به شکل زیر خواهد بود:

         Age    Name
rank1    28      Tom
rank2    34     Jack
rank3    29    Steve
rank4    42    Ricky

Age Name

rank1 28 Tom

rank2 34 Jack

rank3 29 Steve

rank4 42 Ricky

Panel در Pandas

در کتابخانه Pandas، Panel به‌عنوان یک ساختار سه‌بعدی برای نگهداری داده‌ها شناخته می‌شود. Panel Data مفهومی است که از اقتصادسنجی وارد حوزه تحلیل داده شده است. واژه pandas نیز از ترکیب حروف ابتدایی pan(el)-da(ta)-s شکل گرفته است.

برای ایجاد یک Panel، می‌توان از سازنده (constructor) زیر استفاده کرد:

pandas.Panel(data, items, major_axis, minor_axis, dtype, copy)

1	pandas.Panel(data, items, major_axis, minor_axis, dtype, copy)

در مثال زیر، یک Panel با استفاده از دیکشنری شامل دو شیء DataFrame ایجاد می‌کنیم. هر DataFrame به عنوان یکی از آیتم‌های Panel در نظر گرفته می‌شود:

#creating an empty panel
import pandas as pd
import numpy as np

data = {'Item1' : pd.DataFrame(np.random.randn(4, 3)), 
        'Item2' : pd.DataFrame(np.random.randn(4, 2))}
p = pd.Panel(data)
print p

#creating an empty panel

import pandas as pd

import numpy as np

data = {'Item1' : pd.DataFrame(np.random.randn(4, 3)),

'Item2' : pd.DataFrame(np.random.randn(4, 2))}

p = pd.Panel(data)

print p

نتیجه اجرای کد به صورت زیر خواهد بود:

&lt;class 'pandas.core.panel.Panel'&gt;
Dimensions: 2 (items) x 4 (major_axis) x 5 (minor_axis)
Items axis: 0 to 1
Major_axis axis: 0 to 3
Minor_axis axis: 0 to 4

Dimensions: 2 (items) x 4 (major_axis) x 5 (minor_axis)

Items axis: 0 to 1

Major_axis axis: 0 to 3

Minor_axis axis: 0 to 4

5/5 - (1 امتیاز)

راستی! برای دریافت مطالب جدید در کانال تلگرام یا پیج اینستاگرام سورس باران عضو شوید.

نظرات

برچسب ها: آموزش برنامه نویسی, آموزش پایتون

دوره آموزش پروژه محور طراحی وب سایت پزشک یاب با بوت استرپ

انتشار: ۱۶ مرداد ۱۴۰۴

آموزش عملیات داده در پایتون

عملیات داده‌ای در NumPy

مثال 1: آرایه چند‌بعدی

مثال 2: حداقل تعداد ابعاد

مثال 3: تعیین نوع داده

عملیات داده‌ای در Pandas

Series در Pandas

مثال: ایجاد Series از آرایه NumPy

DataFrame در Pandas

Panel در Pandas

دسته بندی موضوعات

آخرین محصولات فروشگاه

نظرات

بازخوردهای خود را برای ما ارسال کنید

لغو پاسخ

مطالب مرتبط