Уроки IPython Notebook — TechCave

Уроки по IPython Notebook от Roshan. Видео уроков на английском языке.1. Блокноты и ячейкиЭто первый урок по IPython Notebook. Мы рассмотрим основы управления блокнотами (notebooks) и работу со всеми типами ячеек (cells)

Уроки IPython Notebook

Machine Learning/Data Mining/Big Data

Уроки IPython Notebook

Уроки по IPython Notebook от Roshan. Видео уроков на английском языке.

1. Блокноты и ячейки

Это первый урок по IPython Notebook. Мы рассмотрим основы управления блокнотами (notebooks) и работу со всеми типами ячеек (cells). Ячейками markdown, ячейками с кодом, ячейками с типом RAW NBConvert и ячейками заголовков. Познакомимся с магическими кодами IPython. Магическим кодом для IPython в этом уроке будет $$bash. Он позволяет сделать так, чтобы код ячейки мог выполняться в bash. Это дает возможность пользователю получить доступ к терминалу из блокнота IPython.

Ссылка на блокнот

2. Markdown и LaTeX

Ячейки markdown в IPython Notebook используются для документирования блокнота. Мы в этом уроке рассмотрим markdown код для заголовков, ссылок, изображений, таблиц. Мы также коснемся языка LaTeX для блокнотов IPython. Увидим как пишется LaTeX код для простых математических операций, индекса, степени, суммы и интеграла. Мы рассмотрим также два способа записи дробей на языке LaTeX.

Ссылка на блокнот

3. Основы Python

В этом уроке мы рассмотрим работу с ячейками кода, магией IPython и получение справки о ваших объектах с помощью object?, object?? и help(object). Другие магические коды IPython, которые будут использоваться в этом уроке: %quickref, %lsmagic %timeit и %%timeit. Наконец, мы рассмотрим списки In[] и Out[] и использование подчеркивания для доступа к последнему значению списка Out[].

Ссылка на блокнот

4. Основы NumPy

Урок посвященный NumPy, с использованием среды разработки IPython Notebook. Мы сравним производительность ndarray и списков python в основных математических операциях. Также будем использовать IPython магию: %timeit, %%timeit и %%capture.

Мы рассмотрим наиболее распространенные функции NumPy:

Создание списков

  • np.arange()
  • np.array()
  • np.zeros()
  • np.random.random()
  • np.linspace()

Статический анализ

  • np,max()
  • np.min()
  • np.mean()
  • np.median()
  • np.std()

Работа с массивами

  • np.reshape()
  • np.ravel()

Ссылка на блокнот

5. Построение диаграмм с помощью Matplotlib

Мы построим диаграмму с помощью Matplotlib используя matplotlib.pyplot. Попрактикуемся в создании диаграмм, управлении стилем и цветом линий. Поработаем с функциями plt.figure () и fig.add_subplot(111). Разберемся с добавлением маркеров точек и изменением их стиля, цвета и размера. Научимся изменять названия осей диаграмм.

Наконец, используем plt.imshow (), чтобы визуализировать 2-мерный массив. 

Ссылка на блокнот

6. Виджеты IPython

Урок посвящен использованию виджетов для взаимодействия кода питона с веб-браузером. IPython виджеты могут использовать интерактивные функции для того, чтобы получить красивые веб-виджеты на HTML, Javascript и CSS, которые будут работать совместно с вашим кодом на Python.

Ссылка на блокнот

7. Pandas

Pandas является мощной и простой в использовании библиотекой для анализа данных. Мы поработаем с Series и DataFrame объектами. Рассмотрим основные операции any(), all() и логические функции для Series булевского типа. Также  поработаем с apply(), astype(), и copy().

На примере DataFrame мы поговорим о выборке данных, добавлении столбцов, фильтрации и фильтрах «И &», «ИЛИ |». Мы также рассмотрим функции, такие как map() и drop() и как задавать свои параметры отображения pd.options.display, устанавливать max_rows, max_columns и notebook_repr_html.

Также рассмотрим pd.scatter_matrix(), для того, чтобы визуализировать DataFrame. В заключении, мы считаем цены на акции от Google finance в виде файла CSV и сделаем простой анализ этих данных.

Ссылка на блокнот

8. SymPy

SymPy позволяет работать с символьной математикой в Python. Мы рассмотрим symbols() и Symbol(), чтобы определять переменные. Rational(), чтобы задавать дробные числа и N() для перевода в десятичный вид. Мы будем использовать subs(), чтобы подставить значения в выражения и уравнения. factor(), expand(), simplify(), apart() и together(), для того чтобы представить выражения в нужном для нас виде. Рассмотрим основные вычисления в SymPy используя diff(), integrate() и Integral(). Рассмотри Sum() и Product() для вычисления суммы и произведения выражения, используя функцию doit(). solve() будем использовать для решения уравнений и систем уравнений с несколькими переменными. Также рассмотрим модули (units) для преобразования физических величин, с помощью sympy.physics.units.  И в заключении, мы обсудим функцию lamdify() и как её использовать, для взаимодействия NumPy и Pandas.

Ссылка на блокнот

9. Выборы в Индии 2014 года (Пример)

Проанализируем результаты индийских выборов 2014 года, используя IPython Notebook. Обсудим pd.pivot_table(), для суммирования данных по группам. А также воспользуемся другими инструментами статистического анализа Pandas и NumPy.

Ссылка на блокнот

12:51
5334

RSS
Нет комментариев. Ваш будет первым!

Авторизация

Войти с помощью

Пользователи

GeekBrains

КАРКАМ

Нетология