/ فاوا / هوش مصنوعی

آمار استنباطی و احتمال در پایتون- Inferential statistics and probability

      اهم عملگرهای در پایتون
      Data Types
         Convert Data Types (تبدیل انواع داده‌ها)
         نکات کلیدی (Key Points)
      کتابخانه پانداس
         Data Reading and Writing
         Data Inspection and Exploration
         Data Selection and Filtering
         Data Manipulation
         Data Cleaning
         Grouping and Aggregation
         Data Visualization (with Matplotlib or Seaborn)
         Time Series Analysis
         مدیریت پیشرفته داده‌ها Advanced Data Handling
         متفرقه Miscellaneous
      کتابخانه Matplotlib
         نمودارهای پایه
         نمودارهای پیشرفته
         نمودارهای سه‌بعدی
         نمودارهای ویژه
         ترکیب نمودارها
         نمونه کد برای ایجاد نمودارها

اهم عملگرهای در پایتون

عملگرهای ریاضی (Arithmetic Operators):

• جمع (Addition): +
• تفریق (Subtraction): -
• ضرب (Multiplication): *
• تقسیم حقیقی (Division): /
• تقسیم صحیح (Floor Division): //
• مانده‌گیری (Modulus): %
• توان (Exponentiation): **

عملگرهای مقایسه‌ای (Comparison Operators):

• برابری (Equal to): ==
• نابرابری (Not equal to): !=
• بزرگتر از (Greater than): >
• کوچکتر از (Less than): <
• بزرگتر مساوی (Greater than or equal to): >=
• کوچکتر مساوی (Less than or equal to): <=

عملگرهای منطقی (Logical Operators):

• AND منطقی (Logical AND): and
• OR منطقی (Logical OR): or
• NOT منطقی (Logical NOT): not

عملگرهای بیتی (Bitwise Operators):

• AND بیتی (Bitwise AND): &
• OR بیتی (Bitwise OR): |
• XOR بیتی (Bitwise XOR): ^
• شیفت به چپ (Left Shift): <<
• شیفت به راست (Right Shift): >>
• NOT بیتی (Bitwise NOT): ~

عملگرهای اختصاصی (Assignment Operators):

• مساوی (Assignment): =
• جمع و اختصاص (Addition Assignment): +=
• تفریق و اختصاص (Subtraction Assignment): -=
• ضرب و اختصاص (Multiplication Assignment): *=
• تقسیم و اختصاص (Division Assignment): /=
• و غیره...

عملگرهای اعضای (Membership Operators):

• عضویت (Membership): in
• عدم عضویت (Not a Membership): not in

عملگرهای هویت (Identity Operators):

• تطابق هویت (Identity): is
• عدم تطابق هویت (Not Identity): is not

این عملگرها به طور گسترده در برنامه‌نویسی پایتون استفاده می‌شوند برای انجام عملیات مختلف از جمله محاسبات ریاضی، مقایسه‌ها، منطق برنامه، عملیات بیتی و اعمال اختصاصی بر روی داده‌ها.

Data Types

در زیر، اصطلاحات مربوط به تبدیل انواع داده‌ها (Convert Data Types) به انگلیسی و فارسی آمده است:

Convert Data Types (تبدیل انواع داده‌ها)

نوع داده‌های پایه (Basic Data Types)

• Integer (عدد صحیح): int()
• Float (عدد اعشاری): float()
• String (رشته): str()
• Boolean (بولین): bool()

مثال‌ها (Examples)

• تبدیل به عدد صحیح (Convert to Integer)

  num = int("123") # num اکنون یک عدد صحیح است

• تبدیل به عدد اعشاری (Convert to Float)

  num = float("123.45") # num اکنون یک عدد اعشاری است

• تبدیل به رشته (Convert to String)

  text = str(123) # text اکنون یک رشته است

• تبدیل به بولین (Convert to Boolean)

  
  

  flag = bool(1) # flag اکنون یک بولین است و مقدار آن True است

تبدیل انواع داده‌های پیچیده‌تر (Complex Data Type Conversions)

• تبدیل به لیست (Convert to List)

  my_list = list("hello") # my_list اکنون ['h', 'e', 'l', 'l', 'o'] است

• تبدیل به مجموعه (Convert to Set)

  my_set = set([1, 2, 2, 3]) # my_set اکنون {1, 2, 3} است

• تبدیل به دیکشنری (Convert to Dictionary)

  my_dict = dict([(1, 'one'), (2, 'two')]) # my_dict اکنون {1: 'one', 2: 'two'} است

• تبدیل به تاپل (Convert to Tuple)

  my_tuple = tuple([1, 2, 3]) # my_tuple اکنون (1, 2, 3) است

نکات کلیدی (Key Points)

• تبدیل ضمنی (Implicit Conversion): زمانی که پایتون به صورت خودکار یک نوع داده را به نوع دیگری تبدیل می‌کند.

  num = 10

  result = num + 2.5 # num از int به float به صورت ضمنی تبدیل می‌شود

• تبدیل صریح (Explicit Conversion): زمانی که به صورت صریح از توابع تبدیل استفاده می‌کنید.

  num_str = "456"

  num_int = int(num_str) # num_str به صورت صریح به int تبدیل می‌شود

این مثال‌ها و توضیحات به شما کمک می‌کنند تا انواع مختلف داده‌ها را در پایتون تبدیل کنید و با اصطلاحات معادل آنها به زبان فارسی آشنا شوید.

 

کتابخانه پانداس

Data Reading and Writing

1. Read from CSV file

   import pandas as pd df = pd.read_csv('file.csv')

2. Read from Excel file

   df = pd.read_excel('file.xlsx', sheet_name='Sheet1')

3. Write to CSV file

   df.to_csv('new_file.csv', index=False)

4. Write to Excel file

   df.to_excel('new_file.xlsx', sheet_name='Sheet1', index=False)

Data Inspection and Exploration

5. Check first few rows

   df.head()

6. Check last few rows

   df.tail()

7. Get information about columns

   df.info()

8. Summary statistics

   df.describe()

9. Count unique values

   df['column'].nunique()

Data Selection and Filtering

10. Select columns

    df['column_name']

11. Filter rows

    df[df['column_name'] > value]

12. Select rows by index

    df.loc[index]

13. Select rows and columns by index

    df.loc[index, 'column_name']

14. Select rows and columns by position

    df.iloc[row_position, column_position]

Data Manipulation

15. Drop columns

    df.drop(columns=['column_name'])

16. Drop rows

    df.drop(index=[0, 1, 2])

17. Rename columns

    df.rename(columns={'old_name': 'new_name'})

18. Sort values

    df.sort_values(by='column_name', ascending=False)

Data Cleaning

19. Handle missing values

    df.dropna() # Drop rows with NaN values

    df.fillna(value) # Fill NaN values with specified valu

20. Convert data types

    df['column_name'] = df['column_name'].astype('int')

Grouping and Aggregation

21. Group by

    df.groupby('column_name').mean()

22. Aggregation functions

    df.groupby('column_name').agg({'column_name': 'sum', 'other_column': 'mean'})

Data Visualization (with Matplotlib or Seaborn)

23. Line plot

    df.plot(x='column_name', y='other_column', kind='line')

24. Scatter plot

    df.plot(x='column_name', y='other_column', kind='scatter')

25. Histogram

    df['column_name'].plot(kind='hist')

Time Series Analysis

26. Convert to datetime

    df['date_column'] = pd.to_datetime(df['date_column'])

27. Resampling

    df.resample('M').mean()

مدیریت پیشرفته داده‌ها Advanced Data Handling

28. ادغام Merge DataFrames

    pd.merge(df1, df2, on='key_column')

29. اتصال Concatenate DataFrames

    pd.concat([df1, df2])

30. جدول محوری Pivot table

    df.pivot_table(index='index_column', columns='column_to_pivot', values='values_to_show', aggfunc='mean')

متفرقه Miscellaneous

31. Apply function

    df.apply(func)

32. Determine unique values

    df['column_name'].unique()

33. Check for duplicates

    df.duplicated()

اینها برخی از دستورات و عملکردهای اساسی پاندا هستند که برای تجزیه و تحلیل داده‌ها، دستکاری و کارهای آماده سازی ضروری هستند. تسلط بر این موارد شما را قادر می‌سازد تا با استفاده از پانداها در پایتون، داده‌ها را به طور موثر پاکسازی، تبدیل، تجزیه و تحلیل و تجسم کنید.

کتابخانه Matplotlib

کتابخانه Matplotlib یکی از محبوب‌ترین ابزارها برای ایجاد نمودارهای گرافیکی در پایتون است. این کتابخانه امکانات گسترده‌ای برای رسم انواع نمودارها فراهم می‌کند. در زیر، برخی از توابع اصلی برای رسم نمودارهای مختلف در Matplotlib آورده شده است:

نمودارهای پایه

1. نمودار خطی (Line Plot)

   plt.plot(x, y)

2. نمودار پراکندگی (Scatter Plot)

   plt.scatter(x, y)

3. نمودار ستونی (Bar Plot)

   plt.bar(x, height)

4. نمودار دایره‌ای (Pie Chart)

   plt.pie(sizes, labels=labels)

5. نمودار هیستوگرام (Histogram)

   plt.hist(data, bins=number_of_bins)

نمودارهای پیشرفته

6. نمودار جعبه‌ای (Box Plot)

   plt.boxplot(data)

7. نمودار ساقه و برگ (Stem Plot)

   plt.stem(x, y)

8. نمودار پله‌ای (Step Plot)

   plt.step(x, y)

9. نمودار ناحیه‌ای (Area Plot)

   plt.fill_between(x, y1, y2)

10. نمودار قطبی (Polar Plot)

    plt.polar(theta, r)

نمودارهای سه‌بعدی

11. نمودار سه‌بعدی خطی (3D Line Plot)

    from mpl_toolkits.mplot3d import Axes3D

    fig = plt.figure()

    ax = fig.add_subplot(111, projection='3d')

    ax.plot(x, y, z)

12. نمودار سه‌بعدی پراکندگی (3D Scatter Plot)

    ax.scatter(x, y, z)

13. نمودار سه‌بعدی سطحی (3D Surface Plot)

    ax.plot_surface(X, Y, Z)

نمودارهای ویژه

14. نمودار هیستوگرام دو‌بعدی (2D Histogram)

    plt.hist2d(x, y, bins=[x_bins, y_bins])

15. نمودار تصویری (Image Plot)

    plt.imshow(data, cmap='gray')

16. نمودار موجی (Quiver Plot)

    plt.quiver(X, Y, U, V)

ترکیب نمودارها

17. ترکیب چند نمودار در یک صفحه (Subplots)
    fig, axs = plt.subplots(nrows, ncols)

    axs[0, 0].plot(x, y)

    axs[0, 1].bar(x, height)

نمونه کد برای ایجاد نمودارها

این نمونه‌ها به شما کمک می‌کنند تا انواع مختلف نمودارها را با استفاده از کتابخانه Matplotlib ایجاد کنید و تحلیل داده‌های خود را به صورت گرافیکی انجام دهید.

 

 

 

 

 

 

 

 

Base Types انواع

string str "One\nTwo" رشته‌ای

integer int عددی

float numeric values with floating decimal points. اعشار

boolean bool True False

Container Types انواع کانتینر

list[1,5,9] فهرست

dictionary dict {"key":"value"}   واژه نامه
{1:"one",3:"three",2:"two",3.14:"π"}

collection set {"key1","key2"} مجموعه
 {1,9,3,0}

    List is a collection which is ordered and changeable. Allows duplicate members.
    Tuple is a collection which is ordered and unchangeable. Allows duplicate members.
    Set is a collection which is unordered, unchangeable*, and unindexed. No duplicate members.
    Dictionary is a collection which is ordered** and changeable. No duplicate members.

 

Conversions  تبدیل 

int("15") → 15

 

list("abc") → ['a','b','c']
dict([(3,"three"),(1,"one")]) → {1:'one',3:'three'}
set(["one","two"]) → {'one','two'}

 

if bool(x)==True: ⇔ if x:
if bool(x)==False:⇔ if not x:

 

if age<=18:
state="Kid"
elif age>65:
state="Retired"
else:
state="Active"

 

 

Integer Sequences

range([start,] end [,step])

range(5)→ 0 1 2 3 4

range(3,8)→ 3 4 5 6 7

range(len(seq))→ sequence of index of values in seq

 

for var in sequence:

for x in range(5):
print(x)

Operations on Lists عملیات روی لیست‌ها

lst.append(val) add item at end
lst.extend(seq) add sequence of items at end
lst.insert(idx,val) insert item at index
lst.remove(val) remove first item with value val
lst.pop([idx])→value remove & return item at index idx (default last)
lst.sort() lst.reverse() sort / reverse liste in place

Operations on Sets

Operators:
| → union (vertical bar char)
& → intersection
- ^ → difference/symmetric diff.
< <= > >= → inclusion relations
Operators also exist as methods.

s.update(s2) s.copy()
s.add(key) s.remove(key)
s.discard(key) s.clear()
s.pop()