دانلود کتاب Hands-On Data Preprocessing in Python: Learn how to effectively prepare data for successful data analytics (Final Release) (به فارسی: پیش پردازش داده ها در پایتون: یاد بگیرید چگونه داده ها را برای تجزیه و تحلیل موفق داده ها به طور موثر آماده کنید (نسخه نهایی)) نوشته شده توسط «Roy Jafari»
اطلاعات کتاب پیش پردازش داده ها در پایتون: یاد بگیرید چگونه داده ها را برای تجزیه و تحلیل موفق داده ها به طور موثر آماده کنید (نسخه نهایی)
موضوع اصلی: کامپیوتر – سازمان و پردازش داده
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Roy Jafari
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2022
تعداد صفحه: 602
حجم فایل: 48.48 مگابایت
کد کتاب: 1801072132 , 9781801072137
توضیحات کتاب پیش پردازش داده ها در پایتون: یاد بگیرید چگونه داده ها را برای تجزیه و تحلیل موفق داده ها به طور موثر آماده کنید (نسخه نهایی)
این کتاب بین پاکسازی داده ها و پیش پردازش پیوند ایجاد می کند تا به شما در طراحی راه حل های تحلیلی داده موثر کمک کند
ویژگی های کلیدی
- توسعه مهارت های انجام داده ها تمیز کردن، یکپارچه سازی داده ها، کاهش داده ها، و تبدیل داده ها
- با تکنیک های قدرتمند تبدیل داده ها و ماساژ، برای استفاده حداکثری از داده های خود آماده شوید
- پاکسازی کامل داده ها، مانند برخورد با مقادیر و نقاط پرت از دست رفته
توضیح کتاب
پیش پردازش داده ها اولین گام در تجسم داده ها، تجزیه و تحلیل داده ها، و یادگیری ماشینی است، جایی که داده ها برای عملکردهای تجزیه و تحلیل آماده می شوند تا بهترین بینش ممکن را به دست آورند. حدود 90 درصد از زمانی که برای تجزیه و تحلیل داده ها، تجسم داده ها، و پروژه های یادگیری ماشین صرف می شود، به انجام پیش پردازش داده ها اختصاص دارد.
این کتاب شما را با تکنیک های بهینه پیش پردازش داده ها از منظرهای مختلف مجهز می کند. شما در مورد جنبه های مختلف فنی و تحلیلی پیش پردازش داده ها – جمع آوری داده ها، تمیز کردن داده ها، یکپارچه سازی داده ها، کاهش داده ها و تبدیل داده ها – خواهید آموخت و با اجرای آنها با استفاده از محیط برنامه نویسی منبع باز Python آشنا خواهید شد. این کتاب بیان جامعی از پیش پردازش داده ها، چرایی ها و چگونگی آن ارائه می دهد و به شما کمک می کند فرصت هایی را شناسایی کنید که تجزیه و تحلیل داده ها می تواند منجر به تصمیم گیری موثرتر شود. همچنین نقش سیستم‌ها و فناوری‌های مدیریت داده را برای تجزیه و تحلیل مؤثر و نحوه استفاده از APIها برای استخراج داده‌ها نشان می‌دهد.
در پایان این کتاب پیش‌پردازش داده‌های پایتون، می‌توانید از پایتون برای خواندن استفاده کنید. ، دستکاری و تجزیه و تحلیل داده ها؛ انجام تکنیک های پاکسازی، ادغام، کاهش و تبدیل داده ها؛ و مقادیر پرت یا گمشده را مدیریت کنید تا به طور موثر داده ها را برای ابزارهای تحلیلی آماده کنید.
آنچه یاد خواهید گرفت
- از Python برای انجام توابع تحلیلی بر روی داده های خود استفاده کنید
- درک نقش پایگاه های داده و نحوه استخراج موثر داده ها از پایگاه های داده
- انجام مراحل پیش پردازش داده که توسط اهداف تجزیه و تحلیل شما تعریف شده است
- تشخیص و حل چالش های یکپارچه سازی داده ها
- تشخیص نیاز به کاهش داده ها و آن را اجرا کنید
- تشخیص فرصت‌هایی برای بهبود تجزیه و تحلیل با تبدیل داده‌ها
این کتاب برای چه کسانی است
تحلیل‌گران داده‌های جوان و ارشد، متخصصان هوش تجاری، دانشجویان کارشناسی مهندسی و علاقه‌مندان به داده‌ها برای انجام پیش پردازش و پاکسازی داده ها بر روی مقادیر زیادی داده، این کتاب مفید خواهد بود. مهارت های اصلی برنامه نویسی، مانند کار با متغیرها، شرطی ها و حلقه ها، همراه با دانش سطح مبتدی از پایتون و تجربه تجزیه و تحلیل ساده، فرض شده است.
فهرست محتوا
- بررسی ماژول های اصلی NumPy و Pandas
- بررسی یک ماژول اصلی دیگر – Matplotlib
- داده ها – واقعا چیست؟
- پایگاه های داده
- تجسم داده
- li>
- پیش‌بینی
- طبقه‌بندی
- تحلیل خوشه‌بندی
- پاکسازی داده‌ها سطح I – تمیز کردن جدول
- پاکسازی داده‌ها سطح دوم – باز کردن بسته بندی، ساختار مجدد، و فرمول بندی مجدد جدول
- پاکسازی داده ها سطح III- مقادیر از دست رفته، نقاط پرت و خطاها
- ادغام داده ها و یکپارچه سازی داده ها
- کاهش داده ها
- تغییر داده ها و ماساژ
- مطالعه موردی 1 – سلامت روان در فناوری
- مطالعه موردی 2 – پیش بینی بستری شدن در بیمارستان COVID-19
- مطالعه موردی 3: تجزیه و تحلیل خوشه‌بندی کشورهای ایالات متحده
- خلاصه، مطالعات موردی عملی، و نتیجه‌گیری
- Develop the skills to perform data cleaning, data integration, data reduction, and data transformation
- Get ready to make the most of your data with powerful data transformation and massaging techniques
- Perform thorough data cleaning, such as dealing with missing values and outliers
- Use Python to perform analytics functions on your data
- Understand the role of databases and how to effectively pull data from databases
- Perform data preprocessing steps defined by your analytics goals
- Recognize and resolve data integration challenges
- Identify the need for data reduction and execute it
- Detect opportunities to improve analytics with data transformation
- Review of the Core Modules of NumPy and Pandas
- Review of Another Core Module – Matplotlib
- Data – What Is It Really?
- Databases
- Data Visualization
- Prediction
- Classification
- Clustering Analysis
- Data Cleaning Level I – Cleaning Up the Table
- Data Cleaning Level II – Unpacking, Restructuring, and Reformulating the Table
- Data Cleaning Level III- Missing Values, Outliers, and Errors
- Data Fusion and Data Integration
- Data Reduction
- Data Transformation and Massaging
- Case Study 1 – Mental Health in Tech
- Case Study 2 – Predicting COVID-19 Hospitalizations
- Case Study 3: United States Counties Clustering Analysis
- Summary, Practice Case Studies, and Conclusions
This book will make the link between data cleaning and preprocessing to help you design effective data analytic solutions
Key Features
Book Description
Data preprocessing is the first step in data visualization, data analytics, and machine learning, where data is prepared for analytics functions to get the best possible insights. Around 90% of the time spent on data analytics, data visualization, and machine learning projects is dedicated to performing data preprocessing.
This book will equip you with the optimum data preprocessing techniques from multiple perspectives. You’ll learn about different technical and analytical aspects of data preprocessing – data collection, data cleaning, data integration, data reduction, and data transformation – and get to grips with implementing them using the open source Python programming environment. This book will provide a comprehensive articulation of data preprocessing, its whys and hows, and help you identify opportunities where data analytics could lead to more effective decision making. It also demonstrates the role of data management systems and technologies for effective analytics and how to use APIs to pull data.
By the end of this Python data preprocessing book, you’ll be able to use Python to read, manipulate, and analyze data; perform data cleaning, integration, reduction, and transformation techniques; and handle outliers or missing values to effectively prepare data for analytic tools.
What you will learn
Who this book is for
Junior and senior data analysts, business intelligence professionals, engineering undergraduates, and data enthusiasts looking to perform preprocessing and data cleaning on large amounts of data will find this book useful. Basic programming skills, such as working with variables, conditionals, and loops, along with beginner-level knowledge of Python and simple analytics experience, are assumed.
Table of Contents
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.