Introdução
Especialmente bibliotecas Python para ciência de dados, modelos de aprendizado de máquina são muito interessantes, fácil de entender e absolutamente que você pode aplicar imediatamente e pode sentir a informação dos dados e perceber / visualize a natureza do conjunto de dados.
Mesmo algoritmos complexos podem ser implementados em duas ou três linhas de código, todos os principais conceitos matemáticos estão embutidos em pacotes para o ponto de vista da implementação.
Claro, isso é algo diferente e interessante do que outras bibliotecas de programação que eu vi até agora, Essa é a principal razão pela qual Python desempenha um papel vital no espaço de IA com sua simplicidade e robustez!! Eu acho que sim! eu percebi, Eu entendi completamente e gostei.
O que é um pacote em Python? UMA pacote é uma coleção de Piton módulos e conjuntos em um pacote. Uma vez que importa nas células do seu notebook, pode começar a usar as aulas, métodos, atributos, etc., mas antes disso, você deve precisar e usar o pacote e importá-lo para o seu arquivo / pacote.
Vejamos os principais pacotes Python para ciência de dados e aprendizado de máquina.
- Pandas
- NumPy
- Aprender Scikit
- Matplotlib
- Seaborn
Pandas
Usado principalmente para operações e manipulações de dados estruturados. O Pandas oferece recursos poderosos de processamento de dados, Nunca vi recursos tão maravilhosos em minha jornada de TI. Oferece alto desempenho, fácil de usar e aplicado em estruturas de dados e para analisar os dados.
Como você poderia instalar a biblioteca Pandas? isso é muito simples, execute o seguinte comando em seu Jupiter Notebook.
!pip instalar pandas
A biblioteca Pandas será instalada com sucesso!! Que segue? brincar com esta biblioteca.
A sintaxe para importar Scikit para o seu Notebook
importar pandas como pd
Então, seu Notebook está pronto para extrair todas as funções do pandas. vamos fazer algumas coisas aqui.
Pandas têm os seguintes recursos.
UMA) Series y DataFrame
Os principais componentes dos pandas são Série e Quadro de dados. Vamos dar uma olhada rápida nisso.. A série nada mais é do que um dicionário e uma coleção de séries, poderíamos construir o quadro de dados mesclando séries, dar uma olhada na amostra a seguir. você entenderia melhor.
Código cria séries de dados e frameworks
import pandas as pd
Eno=[100, 101,102, 103, 104,105]
Empname= ['Raja', 'Babu', 'Kumar','Karthik','Rajesh','xxxxx']
Eno_Series = pd. Série(Eno)
Empname_Series = pd. Série(Empname)
df = { 'Eno': Eno_Series, 'Empname': Empname_Series }
empregado = pd. DataFrame(quadro)
empregado
B. Carregar dados em um objeto de quadro de dados
cereal_df = pd.read_csv("cereal.csv")
cereal_df.head(5)
C. Coluna de queda do objeto de quadro de dados
cereal_df.drop(["modelo"], eixo = 1, inplace = True)
cereal_df.head(5)
D. Selecione linhas do objeto de quadro de dados
cereal_df_filtered = cereal_df[cereal_df['Avaliação'] >= 68] cereal_df_filtered.head()
E. Coluna de grupo no quadro de dados
cereal_df_groupby = cereal_df.groupby('prateleira')
#print the first entries
cereal_df_groupby.first()
F.Extrair uma linha do quadro de dados
# return the value
result = cereal_df.loc[0,'nome']
resultado
Até agora, discutimos múltiplas funcionalidades na biblioteca panda. Há muitos mais.
NumPy
NumPy é considerado uma das bibliotecas de aprendizado de máquina mais populares em Python, a melhor e mais importante característica do numpy é a interface e manipulações de matriz.
Você tem medo da matemática enquanto implementa seu modelo de ciência de dados / aprendizado de máquina? Não se preocupe, NumPy torna implementações matemáticas complexas funções muito simples. Mas lembre-se de entender os requisitos e usar o pacote de acordo.
A sintaxe para importar o NumPy no seu NoteBook
importar numpy como np
Vamos discutir algumas coisas aqui., como o NumPy faz mágica com dados dados dados.
UMA. Formação de matriz simples usando NumPy (1-D, 2-D e 3D)
import numpy as np #1-D arrays arr1 = np.array([1, 2, 3, 4, 5]) imprimir("1-Matriz D") imprimir(arr1) imprimir("===================") #2-D arrays print("2-Matriz D") arr2 = np.array([[1, 2, 3], [4, 5, 6]]) imprimir(arr2) imprimir("===================") #3-D arrays print("3-Matriz D") arr3 = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]]) imprimir(arr3) imprimir("===================")
Produção
1-Matriz D [1 2 3 4 5] =================== 2-D Array [[1 2 3] [4 5 6]] =================== 3-D Array [[[1 2 3] [4 5 6]] [[1 2 3] [4 5 6]]] ===================
B. Corte de matriz usando NumPy
#Cortar em python significa tirar elementos de determinada faixa de índice [começar:fim-1] /[começar:fim:Passo].
arr = np.array([1, 2, 3, 4, 5, 6, 7])
imprimir("Fatiamento no índice 1 para 5")
imprimir(arr[1:5])
Produção
Fatiamento no índice 1 para 5 [2 3 4 5]
arr = np.array([1, 2, 3, 4, 5, 6, 7]) imprimir(arr[4:]) Saída [5 6 7]
También tenemos Rebanado Negativo :). Eso es bronzeado simples, solo tenemos que mencionar [-x:-e],
¿Por qué no pruebas el tuyo propio?
C. Forma de matriz y remodelación usando NumPy
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
imprimir("================================")
imprimir("Forma da matriz")
imprimir(arr.shape)
imprimir("================================")
Output
================================
Shape of the array
(2, 4)
================================
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
imprimir("Antes de remodelar a matriz")
imprimir(arr)
imprimir("================================")
newarr = arr.reshape(4, 3)
imprimir("Depois de remodelar a matriz")
imprimir(newarr)
imprimir("================================")
output
Before Reshape the array
[ 1 2 3 4 5 6 7 8 9 10 11 12]
================================
After Reshape the array
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]
================================
D. Divisão matrix usando NumPy
arr = np.array([1, 2, 3, 4, 5, 6])
imprimir("Dividindo o NumPy Arrays em 3 Matrizes")
imprimir("================================")
newarr = np.array_split(arr, 3)
imprimir(newarr[0])
imprimir(newarr[1])
imprimir(newarr[2])
imprimir("================================")
output
Splitting NumPy Arrays into 3 Arrays
================================
[1 2]
[3 4]
[5 6]
E.Sorting Array usando NumPy
arr = np.array(['banana', 'cereja', 'maçã'])
imprimir("Dividindo o NumPy Arrays em 3 Matrizes")
imprimir("================================")
imprimir(np.sort(arr))
imprimir("================================")
output
Splitting NumPy Arrays into 3 Arrays
================================
['maçã' 'banana' 'cereja']
================================
Se você começou a jogar com dados usando NumPy....
Certamente, precisa de mais e mais tempo … para entender os conceitos, todos são
extremamente organizado neste pacote. Acredite em mim!
Aprender Scikit
Scikit A biblioteca Learn é uma das bibliotecas mais ricas da família Python, contém um grande número de algoritmos de aprendizado de máquina e outras bibliotecas importantes relacionadas ao desempenho. O Python Scikit-learn permite que os usuários realizem várias tarefas específicas de aprendizado de máquina. Trabalhar, deve trabalhar em conjunto com as bibliotecas SciPy e NumPy, isso é algo interno, de qualquer forma, Tenha isso em mente. Alguns algoritmos aqui para suas opiniões.
- Regressão
- Classificação
- Agrupamento
- Seleção de modelo
- Redução de dimensionalidade
A sintaxe para importar Scikit para o seu Notebook
de sklearn.linear_model import LinearRegression de sklearn.model_selection import train_test_split
Pacotes de exibição Python
Bibliotecas Matplotlib e Seaborn
Python fornece funções de gráficos 2D com a biblioteca Matplotlib. isso é muito simples e fácil de entender. você pode alcançá-lo com 1 o 2 linhas. Até a visualização 3D está lá também.
A sintaxe para importar Scikit para o seu notebook
import matplotlib.pyplot as plt importado do mar como sns
Espero que você tenha trabalhado em vários gráficos em planilhas do Excel e outras ferramentas de BI. Mas em python, pacotes de visualização interna fornecem gráficos e tabelas de alta qualidade.
Matplotlib y Seaborn
Matplotlib é um dos pacotes de visualização principais e básicos, que fornece histogramas (Nível de freqüência), Gráfico de barras (Plotagem univariada e bivariada), Gráfico de dispersão (Agrupamento), etc.,
Biblioteca de visualização de dados rica e luxuosa de Seaborn. Fornece uma interface de alto nível para desenhar gráficos estatísticos atraentes e informativos. Plotagens de caixa (Distribuição de dados com quartis diferentes), Tramas de violino (Distribuição de dados e Densidade de probabilidade), Gráficos de barra (Comparações entre características categóricas), Mapa de calor (Mapeamento de recursos em termos de representação de matriz), Palavra nuvem (Representação visual de dados de texto)
Seaborn – Histograma
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('íris')
sb.distplot(df['petal_length'],kde = Falso)
plt.show()
Seaborn – Box plot
df = sb.load_dataset('íris')
sb.boxplot(x = "espécie", y = "petal_length", dados = df)
plt.show()
Seaborn – Violino
sdf = sb.load_dataset('dicas')
sb.violinplot(x = "dia", y = "total_bill", data = df)
plt.show()
Então, todas essas bibliotecas estão nos ajudando a construir um bom modelo e brincar com os dados!!
Mas lembre-se sempre, antes do uso dos pacotes induual, você precisa entender a necessidade e os requisitos do pacote e, em seguida, importá-lo em seu arquivo / pacote e jogar com isso.
Espero que agora você tenha a sensação e algum nível de detalhes sobre pacotes Python para ciência de dados. Veremos conceitos mais detalhados nos próximos dias! Obrigado pelo seu tempo!
A mídia mostrada neste artigo não é propriedade da DataPeaker e é usada a critério do autor.
