Anaconda adalah platform ilmu data untuk ilmuwan data, profesional TI, dan pemimpin bisnis masa depan. Ini adalah distribusi Python , R , dll. Dengan lebih dari 300 paket untuk , ini menjadi salah satu platform terbaik untuk proyek apa pun. Di dalam tutorial anaconda, kita akan membahas bagaimana kita bisa menggunakan anaconda untuk pemrograman python. Berikut adalah topik yang dibahas di blog ini:
- Pengantar Anaconda
- Instalasi dan Pengaturan
- Bagaimana Cara Menginstal Library Python Di Anaconda?
- Anaconda Navigator
- Kasus penggunaan
Pengantar Anaconda
Anaconda adalah distribusi open-source untuk python dan R. Ini digunakan untuk ilmu data , , pembelajaran mendalam , dll. Dengan tersedianya lebih dari 300 perpustakaan untuk ilmu data, menjadi cukup optimal bagi setiap programmer untuk bekerja di anaconda untuk ilmu data.
Anaconda membantu dalam manajemen dan penyebaran paket yang disederhanakan. Anaconda hadir dengan berbagai alat untuk mengumpulkan data dengan mudah dari berbagai sumber menggunakan berbagai pembelajaran mesin dan algoritma AI. Ini membantu dalam mendapatkan pengaturan lingkungan yang mudah dikelola yang dapat menyebarkan proyek apa pun dengan mengklik satu tombol.
Sekarang setelah kita mengetahui apa itu anaconda, mari kita coba memahami bagaimana kita dapat memasang anaconda dan menyiapkan lingkungan untuk bekerja di sistem kita.
Instalasi dan Pengaturan
Untuk menginstal anaconda, buka https://www.anaconda.com/distribution/ .
Pilih versi yang cocok untuk Anda dan klik unduh. Setelah Anda menyelesaikan unduhan, buka pengaturannya.
Ikuti instruksi di penyiapan. Jangan lupa untuk mengklik tambahkan anaconda ke variabel lingkungan jalan saya. Setelah instalasi selesai, Anda akan mendapatkan jendela seperti gambar di bawah ini.
Setelah menyelesaikan instalasi, buka perintah dan ketik anaconda .
mengapa Anda harus belajar python
Anda akan melihat jendela seperti yang ditunjukkan pada gambar di bawah.
Sekarang kita tahu cara menggunakan anaconda untuk python, mari kita lihat bagaimana kita dapat menginstal berbagai perpustakaan di anaconda untuk proyek apa pun.
Bagaimana Cara Menginstal Library Python Di Anaconda?
Buka anaconda prompt dan periksa apakah perpustakaan sudah diinstal atau belum.
Karena tidak ada modul bernama numpy present, kami akan menjalankan perintah berikut untuk menginstal numpy.
Anda akan mendapatkan jendela yang ditunjukkan pada gambar setelah Anda menyelesaikan instalasi.
Setelah Anda menginstal pustaka, coba impor modul lagi untuk jaminan.
Seperti yang Anda lihat, tidak ada kesalahan yang kami dapatkan di awal, jadi beginilah cara kami menginstal berbagai pustaka di anaconda.
Anaconda Navigator
Anaconda Navigator adalah GUI desktop yang disertakan dengan distribusi anaconda. Ini memungkinkan kita untuk meluncurkan aplikasi dan mengelola paket conda, lingkungan dan tanpa menggunakan perintah baris perintah.
Kasus Penggunaan - Dasar-dasar Python
Variabel Dan Jenis Data
Variabel dan tipe data adalah blok bangunan dari bahasa pemrograman apa pun. Python memiliki 6 tipe data tergantung pada properti yang dimilikinya. List, dictionary, set, tuple, adalah tipe data kumpulan dalam bahasa pemrograman python.
Berikut adalah contoh untuk menunjukkan bagaimana variabel dan tipe data digunakan dalam python.
#variable declaration name = 'Edureka' f = 1991 print ('python didirikan pada', f) #data types 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 ('the list is', a) print ('the dictionary is' , b) print ('the tuple is', c) print ('set is', d)Operator
Operator dengan Python digunakan untuk operasi antara nilai atau variabel. Ada 7 jenis operator di python.
- Operator Penugasan
- Operator Aritmatika
- Operator Logis
- Operator Perbandingan
- Operator yang bijak
- Operator Keanggotaan
- Operator Identitas
Berikut adalah contoh penggunaan beberapa operator di python.
a = 10 b = 15 # operator hitung cetak (a + b) cetak (a - b) cetak (a * b) # operator penugasan a + = 10 cetak (a) # operator pembanding #a! = 10 #b == operator #logical a> b dan a> 10 # ini akan mengembalikan nilai true jika kedua pernyataan itu benar.
Pernyataan Kontrol
Pernyataan seperti , break, continue digunakan sebagai pernyataan kontrol untuk mendapatkan kontrol atas eksekusi untuk hasil yang optimal. Kita dapat menggunakan pernyataan ini dalam berbagai loop dengan python untuk mengontrol hasilnya. Berikut adalah contoh untuk menunjukkan bagaimana kita dapat bekerja dengan kontrol dan pernyataan bersyarat.
name = 'edureka' untuk saya dalam nama: if i == 'a': break else: print (i)
Fungsi
menyediakan kode dapat digunakan kembali dengan cara yang efisien, di mana kita dapat menulis logika untuk pernyataan masalah dan menjalankan beberapa argumen untuk mendapatkan solusi yang optimal. Berikut adalah contoh bagaimana kita dapat menggunakan fungsi di python.
def func (a): mengembalikan a ** a res = func (10) print (res)
Kelas Dan Objek
Karena python mendukung pemrograman berorientasi objek, kami dapat bekerja dengannya kelas dan objek demikian juga. Berikut adalah contoh bagaimana kita dapat bekerja dengan kelas dan objek di python.
class Parent: def func (self): print ('this is parent') class Child (Parent): def func1 (self): print ('this is child') ob = new Child () ob.func ()Ini adalah beberapa konsep dasar dalam python untuk memulai. Sekarang berbicara tentang dukungan paket yang lebih besar di anaconda, kita dapat bekerja dengan banyak pustaka. Mari kita lihat bagaimana kita dapat menggunakan python anaconda untuk analisis data.
Kasus Penggunaan - Analisis
Ini adalah langkah-langkah tertentu yang terlibat di dalamnya . Mari kita lihat cara kerja analisis data di anaconda dan berbagai perpustakaan yang dapat kita gunakan.
Mengumpulkan data
Itu pengumpulan data semudah memuat file CSV ke dalam program. Kemudian kita dapat menggunakan data yang relevan untuk menganalisis contoh atau entri tertentu dalam data. Berikut kode untuk memuat data CSV dalam program.
import panda sebagai pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns df = pd.read_csv ('filename.csv') print (df.head (5))Mengiris dan memotong
Setelah kami memuat kumpulan data dalam program, kami harus memfilter data dengan beberapa perubahan seperti menghilangkan nilai nol dan bidang yang tidak perlu yang dapat menyebabkan ambiguitas dalam analisis.
Berikut adalah contoh bagaimana kita dapat memfilter data sesuai dengan kebutuhan.
print (df.isnull (). sum ()) #ini akan memberikan jumlah semua nilai null dalam dataset. df1 = df.dropna (axis = 0, how = 'any') #ini akan menjatuhkan baris dengan nilai null.
Kita juga bisa menghilangkan nilai null.
BoxPlot
sns.boxplot (x = df ['Kisaran Gaji Dari']) sns.boxplot (x = df ['Kisaran Gaji Ke'])
ScatterPlot
impor matplotlib.pyplot sebagai plt fig, ax = plt.subplots (figsize = (16,8)) ax.scatter (df ['Kisaran Gaji Dari'], df ['Kisaran Gaji Ke']) ax.set_xlabel ('Gaji Range From ') ax.set_ylabel (' Salary Range TO ') plt.show ()
Visualisasi
Setelah kami mengubah data sesuai dengan persyaratan, data ini perlu dianalisis. Salah satu cara untuk melakukan ini adalah dengan visualisasi hasil. Lebih baik membantu dalam analisis proyeksi data yang optimal.
Berikut adalah contoh untuk memvisualisasikan data.
c ++ cara mengurutkan array
sns.countplot (x = 'Indikator Penuh Waktu / Paruh Waktu', data = df) sns.countplot (x = 'Indikator Penuh Waktu / Paruh Waktu', hue = 'Frekuensi Gaji', data = df) sns .countplot (hue = 'Indikator Penuh Waktu / Paruh Waktu', x = 'Jenis Kiriman', data = df) df ['Kisaran Gaji Dari']. plot.hist () df ['Kisaran Gaji Ke']. plot.hist ()
impor matplotlib.pyplot sebagai plt fig = plt.figure (figsize = (10,10)) ax = fig.gca () sns.heatmap (df1.corr (), annot = True, fmt = '. 2f') plt. judul ('Korelasi', fontsize = 5) plt.show ()Analisis
Setelah visualisasi, kita dapat membuat analisis kita dengan melihat berbagai plot dan grafik. Misalkan kita mengerjakan data pekerjaan, dengan melihat representasi visual dari pekerjaan tertentu di suatu wilayah kita dapat mengetahui jumlah pekerjaan di domain tertentu.
Dari analisis di atas, kita dapat mengasumsikan hasil sebagai berikut
- Jumlah pekerjaan paruh waktu dalam kumpulan data sangat sedikit dibandingkan dengan pekerjaan penuh waktu.
- sementara pekerjaan paruh waktu kurang dari 500, pekerjaan penuh waktu lebih dari 2500.
- Berdasarkan analisis ini, Kami dapat membangun a model prediksi.
Dalam tutorial python anaconda ini, kami telah memahami bagaimana kami dapat mengatur anaconda untuk python dengan kasus penggunaan yang mencakup dasar-dasar python, analisis data, dan pembelajaran mesin. Dengan lebih dari 300 paket untuk ilmu data, anaconda memberikan dukungan optimal dengan hasil yang efisien. Untuk menguasai keterampilan Anda dalam python mendaftar di Edureka dan mulailah pembelajaran Anda.
Ada pertanyaan? sebutkan mereka di komentar artikel ini di 'tutorial python anaconda', dan kami akan menghubungi Anda kembali secepatnya.