ازگر ایناکونڈا ٹیوٹوریل: ہر وہ چیز جو آپ کو جاننے کی ضرورت ہے

ایناکونڈا کل کے ڈیٹا سائنسدانوں ، آئی ٹی پروفیشنلز اور کاروباری رہنماؤں کے لئے ڈیٹا سائنس پلیٹ فارم ہے۔ اس کی تقسیم ہے ازگر ، R ، وغیرہ کے لئے 300 سے زیادہ پیکجوں کے ساتھ ، یہ کسی بھی پروجیکٹ کے لئے ایک بہترین پلیٹ فارم بن جاتا ہے۔ اس میں ایناکونڈا ٹیوٹوریل ، ہم اس بات پر تبادلہ خیال کریں گے کہ ہم ایتھن پروگرامنگ کے لئے کس طرح ایناکونڈا کا استعمال کرسکتے ہیں۔ اس بلاگ میں زیر بحث عنوانات ہیں۔

• ایناکونڈا کا تعارف
• تنصیب اور سیٹ اپ
• ایناکونڈا میں ازگر لائبریری کیسے لگائیں؟
• ایناکونڈا نیویگیٹر
• کیس استعمال کریں
  • ازگر بنیادی اصول
  • تجزیات
  • مشین لرننگ اور اے آئی

ایناکونڈا کا تعارف

ایناکونڈا ازگر اور آر کے لئے اوپن سورس کی تقسیم ہے ڈیٹا سائنس ، ، گہری سیکھنے ، وغیرہ اعداد و شمار کے سائنس کے لئے 300 سے زیادہ لائبریریوں کی دستیابی کے ساتھ ، کسی بھی پروگرامر کے لئے ڈیٹا سائنس کے لئے ایناکونڈا میں کام کرنا کافی حد تک بہتر ہوجاتا ہے۔

ایناکونڈا آسان پیکیج مینجمنٹ اور تعیناتی میں مدد کرتا ہے۔ ایناکونڈا مختلف مشینوں کی سیکھنے اور اے آئی الگورتھم کا استعمال کرتے ہوئے آسانی سے مختلف ذرائع سے ڈیٹا اکٹھا کرنے کے لئے مختلف قسم کے ٹولس کے ساتھ آتا ہے۔ یہ آسانی سے انتظام کرنے والا ماحولیات کا سیٹ اپ حاصل کرنے میں مدد کرتا ہے جو کسی بھی پروجیکٹ کو کسی ایک بٹن کے کلک سے تعینات کرسکتا ہے۔

اب جب ہم جانتے ہیں کہ ایناکونڈا کیا ہے ، تو آئیے ہم یہ سمجھنے کی کوشش کریں کہ ہم کس طرح ایناکونڈا انسٹال کرسکتے ہیں اور اپنے سسٹم پر کام کرنے کے لئے ایک ماحول تیار کرسکتے ہیں۔

تنصیب اور سیٹ اپ

ایناکونڈا انسٹال کرنے کے لئے جائیں https://www.anaconda.com/dist تقسیم/ .

آپ کے لئے موزوں ورژن منتخب کریں اور ڈاؤن لوڈ پر کلک کریں۔ ڈاؤن لوڈ مکمل کرنے کے بعد ، سیٹ اپ کھولیں۔

سیٹ اپ میں دی گئی ہدایات پر عمل کریں۔ میرے راستے کے ماحول کے متغیر میں anaconda شامل کرنے پر کلک کرنا نہ بھولیں۔ انسٹالیشن مکمل ہونے کے بعد ، آپ کو ونڈو ملے گا جیسا کہ نیچے کی تصویر میں دکھایا گیا ہے۔

انسٹالیشن ختم ہونے کے بعد ، ایناکونڈا پرامپٹ کھولیں اور ٹائپ کریں .

آپ کو نیچے کی تصویر میں دکھائے جانے والا ونڈو نظر آئے گا۔

اب جب ہم جانتے ہیں کہ ازگر کے ل an ایناکونڈا کا استعمال کس طرح کرنا ہے تو اس پر ایک نظر ڈالنے دیتا ہے کہ ہم کسی بھی پروجیکٹ کے لئے انکونڈا میں مختلف کتب خانوں کو کس طرح انسٹال کرسکتے ہیں۔

ایناکونڈا میں ازگر لائبریری کیسے لگائیں؟

ایناکونڈا پرامپٹ کھولیں اور چیک کریں کہ لائبریری پہلے سے ہی انسٹال ہے یا نہیں۔

آخر میں حتمی اور حتمی شکل کے درمیان فرق

چونکہ نمیپی نام کا کوئی ماڈیول موجود نہیں ہے ، لہذا ہم نپسی کو انسٹال کرنے کے لئے درج ذیل کمانڈ چلائیں گے۔

ایک بار انسٹالیشن مکمل ہونے پر آپ کو تصویر میں دکھائی جانے والی ونڈو ملے گی۔

ایک بار لائبریری انسٹال ہوجانے کے بعد ، یقین دہانی کے لئے ماڈیول دوبارہ درآمد کرنے کی کوشش کریں۔

جیسا کہ آپ دیکھ سکتے ہیں ، اس میں کوئی غلطی نہیں ہے جو ہمیں ابتداء میں ہی ملی ہے ، لہذا اسی طرح ہم ایناکونڈا میں مختلف کتب خانوں کو انسٹال کرسکتے ہیں۔

ایناکونڈا نیویگیٹر

ایناکونڈا نیویگیٹر ایک ڈیسک ٹاپ جی یوآئ ہے جو ایناکونڈا کی تقسیم کے ساتھ آتا ہے۔ یہ ہمیں ایپلی کیشنز کو لانچ کرنے اور کونڈا پیکیجز ، ماحولیات اور بغیر کمانڈ لائن کے استعمال کرنے کے انتظام کرسکتا ہے۔

کیس - ازگر بنیادی اصولوں کا استعمال کریں

متغیرات اور ڈیٹا کی اقسام

متغیرات اور ڈیٹا کی اقسام کسی بھی پروگرامنگ زبان کے بلڈنگ بلاکس ہیں۔ ازگر میں ڈیٹا کی 6 اقسام ہیں جو ان کی ملکیت میں منحصر ہیں۔ فہرست ، لغت ، سیٹ ، ٹیوپل ، مجموعہ ڈیٹا کی اقسام ہیں جو ازگر کے پروگرامنگ زبان میں ہیں۔

پی ایچ پی میں print_r

ذیل میں یہ بتانے کے لئے ایک مثال دی گئی ہے کہ ازگر میں متغیرات اور ڈیٹا کی اقسام کو کس طرح استعمال کیا جاتا ہے۔

# متغیر اعلان نام = 'ایڈوریکا' f = 1991 پرنٹ ('ازگر میں قائم کیا گیا تھا'، f) # ڈیٹا کی اقسام a = [1،2،3،4،5،6،7] b = {1: 'edureka' ، 2: 'ازگر'} c = (1،2،3،4،5) d = {1،2،3،4،5} پرنٹ ('فہرست یہ ہے'، a) پرنٹ ('لغت ہے' ، b) پرنٹ ('tuple is'، c) پرنٹ ('سیٹ ہے'، d)

آپریٹرز

ازگر میں آپریٹرز اقدار یا متغیر کے درمیان کاروائیوں کے لئے استعمال کیا جاتا ہے۔ ازگر میں 7 قسم کے آپریٹرز ہیں۔

• تفویض آپریٹر
• ریاضی کا آپریٹر
• منطقی آپریٹر
• موازنہ آپریٹر
• بٹ وار آپریٹر
• ممبرشپ آپریٹر
• شناخت آپریٹر

ازگر میں چند آپریٹرز کے استعمال کے ساتھ مندرجہ ذیل ایک مثال ہے۔

a = 10 b = 15 # ریاضی آپریٹر پرنٹ (a + b) پرنٹ (a - b) پرنٹ (a * b) # تفویض آپریٹر a + = 10 پرنٹ (a) # موازنہ آپریٹر #a! = 10 #b == اگر # دونوں بیانات سچ ہیں تو # لاجیکل آپریٹر a> b اور a> 10 # یہ درست ہو جائے گا۔

کنٹرول بیانات

جیسے بیانات ، توڑنا ، جاری رکھنا زیادہ سے زیادہ نتائج پر عملدرآمد پر قابو پانے کے لئے بطور کنٹرول بیان استعمال ہوتا ہے۔ ہم ان بیانات کو نتائج پر قابو پانے کے لئے ازگر میں مختلف لوپ میں استعمال کرسکتے ہیں۔ ذیل میں یہ ظاہر کرنے کی ایک مثال ہے کہ ہم کس طرح قابو پانے اور مشروط بیانات کے ساتھ کام کرسکتے ہیں۔

نام = میں نام کے لئے 'ایڈیورکا': اگر i == 'a': توڑ اور: پرنٹ (i)

افعال

کوڈ کو دوبارہ پریوستیت کو موثر طریقے سے مہیا کریں ، جہاں ہم کسی مسئلے کے بیان کے لئے منطق لکھ سکتے ہیں اور زیادہ سے زیادہ حل تلاش کرنے کے لئے کچھ دلائل چلا سکتے ہیں۔ ذیل میں اس کی ایک مثال ہے کہ ہم ازگر میں افعال کو کس طرح استعمال کرسکتے ہیں۔

ڈیف فنک (ا): ایک ** ایک ریز = فنک (10) پرنٹ (دوبارہ) واپس کریں

کلاس اور آبجیکٹ

چونکہ ازگر آبجیکٹ پر مبنی پروگرامنگ کی حمایت کرتا ہے ، لہذا ہم اس کے ساتھ کام کرسکتے ہیں کلاس اور اشیاء اس کے ساتھ ساتھ. ذیل میں اس کی ایک مثال دی گئی ہے کہ ہم ازگر میں کلاسوں اور اشیاء کے ساتھ کیسے کام کرسکتے ہیں۔

کلاس والدین: ڈیف فنک (خود): پرنٹ ('یہ والدین ہے') کلاس چائلڈ (والدین): ڈیف فنک 1 (خود): پرنٹ ('یہ بچہ ہے') ob = نیا بچہ () ob.func ()

شروع کرنے کے لئے یہ ازال میں چند بنیادی تصورات ہیں۔ اب ایناکونڈا میں بڑے پیکیج سپورٹ کے بارے میں بات کرتے ہوئے ، ہم بہت سی لائبریریوں کے ساتھ کام کرسکتے ہیں۔ آئیے اس پر ایک نظر ڈالتے ہیں کہ ہم ڈیٹا اینالیٹکس کے لئے ازگر ایناکونڈا کو کس طرح استعمال کرسکتے ہیں۔

کیس - تجزیات استعمال کریں

یہ کچھ اقدامات شامل ہیں . آئیے ایک نظر ڈالتے ہیں کہ ڈیفنس تجزیہ کس طرح ایناکونڈا اور مختلف لائبریریوں میں کام کرتا ہے جن کو ہم استعمال کرسکتے ہیں۔

ڈیٹا اکٹھا کرنا

ڈیٹا کا جمع کرنا اتنا ہی آسان ہے جتنا پروگرام میں CSV فائل لوڈ کرنا۔ تب ہم اعداد و شمار میں مخصوص مثالوں یا اندراجات کا تجزیہ کرنے کے لئے متعلقہ ڈیٹا کا استعمال کرسکتے ہیں۔ پروگرام میں CSV ڈیٹا کو لوڈ کرنے کا کوڈ درج ذیل ہے۔

درآمد پانڈوں کے طور پر پی ڈی کی درآمد نمی کے بطور این پی درآمد matplotlib.pyplot بطور plt درآمد سمندری جہاز بطور sns df = pd.read_csv ('filename.csv') پرنٹ (df.head (5))

سلائسنگ اور ڈیسٹنگ

پروگرام میں موجود ڈیٹا کو لوڈ کرنے کے بعد ، ہمیں کچھ تبدیلیوں کے ساتھ ڈیٹا کو فلٹر کرنا ہوگا جیسے ناپید قدروں اور غیر ضروری شعبوں کو ختم کرنا جو تجزیے میں ابہام کا سبب بن سکتے ہیں۔

مندرجہ ذیل کی ایک مثال یہ ہے کہ ہم کس طرح تقاضوں کے مطابق ڈیٹا کو فلٹر کرسکتے ہیں۔

پرنٹ (df.isnull (). رقم ()) # یہ ڈیٹاسیٹ میں تمام منسوخ اقدار کا مجموعہ دے گا۔ df1 = df.rodna (محور = 0 ، کس طرح = 'کوئی') # اس سے قطاروں کو گرایا جائے گا۔

ہم باطل اقدار کو بھی چھوڑ سکتے ہیں۔

باکسپلاٹ

sns.boxplot (x = df ['سے تنخواہ کی حد']]) sns.boxplot (x = df ['تنخواہ کی حد تو']))

سکریٹرپلوٹ

درآمد matplotlib.pyplot بطور plt انجیر ، ax = plt.subplots (figsize = (16،8)) ax.scatter (df ['تنخواہ کی حد سے']]، df ['تنخواہ کی حد سے']) ax.set_xlabel ('تنخواہ رینج منجانب ') ax.set_ylabel (' تنخواہ کی حد تو ') plt.show ()

بصارت

ایک بار جب ہم نے اعداد و شمار کو تقاضوں کے مطابق تبدیل کردیا تو اس اعداد و شمار کا تجزیہ کرنا ضروری ہے۔ ایسا کرنے کا ایک طریقہ یہ ہے کہ نتائج کا نظارہ کیا جائے۔ ایک بہتر اعداد و شمار کے تخمینے کا زیادہ سے زیادہ تجزیہ کرنے میں مدد کرتا ہے۔

اعداد و شمار کو تصور کرنے کے لئے مندرجہ ذیل ایک مثال ہے۔

sns.countplot (x = 'کل وقتی / جز وقتی اشارے' ، ڈیٹا = ڈی ایف) sns.countplot (x = 'کل وقتی / جز وقتی اشارے' ، ہیو = 'سیلری فریکوئنسی' ، ڈیٹا = ڈی ایف) sns .countplot (ہیو = 'کل وقتی / جز وقتی اشارے' ، x = 'پوسٹنگ کی قسم' ، ڈیٹا = ڈی ایف) ڈی ایف ['سے تنخواہ کی حد']۔ پلاٹ ہسٹ () ڈی ایف ['تنخواہ کی حد']]۔ پلاٹ ہسٹ ()

درآمد matplotlib.pyplot بطور plt انجیر = plt.figure (figsize = (10،10)) کلہا = fig.gca () sns.heatmap (df1.corr ()، annot = true، fmt = '. 2f') plt. عنوان ('تعلق' ، فونٹائز = 5) plt.show ()

تجزیہ

تصو .ر کے بعد ، ہم مختلف پلاٹوں اور گرافوں کو دیکھ کر اپنا تجزیہ کرسکتے ہیں۔ فرض کریں کہ ہم ملازمت کے اعداد و شمار پر کام کر رہے ہیں ، کسی خطے میں کسی خاص کام کی بصری نمائندگی کو دیکھ کر ہم کسی خاص ڈومین میں ملازمتوں کی تعداد نکال سکتے ہیں۔

مذکورہ بالا تجزیہ سے ، ہم درج ذیل نتائج پر غور کرسکتے ہیں

جاوا میں توسیع اور آلات کے درمیان فرق

• کل وقتی ملازمتوں کے مقابلہ میں ڈیٹا سیٹ میں جزوقتی ملازمتوں کی تعداد بہت کم ہے۔
• جب پارٹ ٹائم ملازمتیں 500 سے کم رہتی ہیں تو ، کل وقتی ملازمتیں 2500 سے زیادہ ہوتی ہیں۔
• اس تجزیے کی بنیاد پر ، ہم ایک تشکیل دے سکتے ہیں پیشن گوئی ماڈل.

اس ازگر ایناکونڈا ٹیوٹوریل میں ، ہم یہ سمجھ چکے ہیں کہ ہم ازالے کے لئے ایناکونڈا کا استعمال کس طرح کرسکتے ہیں جس میں ازگر کے بنیادی اصولوں ، اعداد و شمار کے تجزیہ اور مشین سیکھنے کو استعمال کیا جاتا ہے۔ ڈیٹا سائنس کے 300 سے زیادہ پیکجوں کے ساتھ ، ایناکونڈا موثر نتائج کے ساتھ زیادہ سے زیادہ مدد فراہم کرتا ہے۔ ایڈوریکا میں ازگر اندراج میں اپنی مہارت حاصل کرنے کے ل اور اپنی تعلیم کو شروع کریں۔

کوئی سوال ہے؟ اس مضمون کے تبصرے میں ان کا تذکرہ کریں جس میں ’’ ازگر اناکونڈا ٹیوٹوریل ‘‘ شامل ہوں ، اور ہم جلد از جلد آپ کے پاس واپس آجائیں گے۔