Using Data Science Tools in Python
(DS-TOOLS-PYTHON.AD1) / ISBN : 978-1-64459-252-6
Über diesen Kurs
Melden Sie sich für den Kurs und das Labor „Data-Science-Tools in Python verwenden“ an, um praktische Erfahrung in der Verwendung von Python für Data Science zu sammeln. Die robusten Bibliotheken von Python haben Data Scientists die Möglichkeit gegeben, Daten auf benutzerfreundliche und dennoch leistungsstarke Weise zu laden, zu analysieren, zu formen, zu bereinigen und zu visualisieren. Der Kurs und das Labor vermitteln Ihnen die Fähigkeiten, die Sie benötigen, um diese wichtigen Bibliotheken erfolgreich zu nutzen, um nützliche Erkenntnisse aus Daten zu gewinnen und so einen großen Mehrwert für das Unternehmen zu schaffen.
Fähigkeiten, die Sie erwerben werden
Holen Sie sich die Unterstützung, die Sie brauchen. Melden Sie sich für unseren Kurs mit Lehrer an.
Unterricht
8+ Unterricht | 60+ Tests | 80+ Karteikarten | 80+ Glossar der Begriffe
Testvorbereitung
60+ Fragen vor der Beurteilung | 60+ Fragen nach der Bewertung |
Praktische Übungen
33+ LiveLab | 4+ Videoanleitungen | 13+ Minutes
Introduction
- Course Description
- How To Use This Course
- Course-Specific Technical Requirements
Setting Up a Python Data Science Environment
- Topic A: Select Python Data Science Tools
- Topic B: Install Python Using Anaconda
- Topic C: Set Up an Environment Using Jupyter Notebook
- Summary
Managing and Analyzing Data with NumPy
- Topic A: Create NumPy Arrays
- Topic B: Load and Save NumPy Data
- Topic C: Analyze Data in NumPy Arrays
- Summary
Transforming Data with NumPy
- Topic A: Manipulate Data in NumPy Arrays
- Topic B: Modify Data in NumPy Arrays
- Summary
Managing and Analyzing Data with pandas
- Topic A: Create Series and DataFrames
- Topic B: Load and Save pandas Data
- Topic C: Analyze Data in DataFrames
- Topic D: Slice and Filter Data in DataFrames
- Summary
Transforming and Visualizing Data with pandas
- Topic A: Manipulate Data in DataFrames
- Topic B: Modify Data in DataFrames
- Topic C: Plot DataFrame Data
- Summary
Visualizing Data with Matplotlib and Seaborn
- Topic A: Create and Save Simple Line Plots
- Topic B: Create Subplots
- Topic C: Create Common Types of Plots
- Topic D: Format Plots
- Topic E: Streamline Plotting with Seaborn
- Summary
Appendix A: Scraping Web Data Using Beautiful Soup
- Topic A: Scrape Web Pages
Setting Up a Python Data Science Environment
- Setting Up a Jupyter Notebook Environment
Managing and Analyzing Data with NumPy
- Creating a NumPy Array
- Using the NumPy Array Attributes
- Loading and Saving NumPy Data
- Analyzing Data in a NumPy Array
- Using Fancy Indexing
- Using the NumPy Statistical Summary Functions
Transforming Data with NumPy
- Manipulating Data in a NumPy Array
- Using the reshape Function
- Using the ravel and flip Functions
- Using the transpose and concatenate Functions
- Using the sort and argrsort Functions
- Using the insert and delete Functions
- Using the Arithmetic Functions and Operators
- Using the Comparison Functions and Operators
- Modifying Data in NumPy Arrays
Managing and Analyzing Data with pandas
- Creating Series and DataFrames
- Using the Series and DataFrame Attributes
- Loading and Saving DataFrame Data
- Analyzing Data in a DataFrame
- Slicing and Filtering Data in a DataFrame
Transforming and Visualizing Data with pandas
- Manipulating Data in a DataFrame
- Modifying Data in a DataFrame
- Using the DataFrame Arithmetic Functions and Operators
- Creating a Scatter Plot
Visualizing Data with Matplotlib and Seaborn
- Creating a Line Plot
- Creating Subplots
- Creating Box Plots
- Creating a 3-D Scatter Plot
- Creating a Histogram
- Formatting Plots
- Creating a JointGrid
- Creating a Linear Regression Plot