#پایتون_مقدماتی
#نامپای


📎آشنایی با کتابخانه Numpy
تا امروز با مفاهیم مقدماتی اصلی پایتون تا حدودی آشنا شدیم . امروز می خواهیم با یکی از مهترین کتابخانه های پایتون به نام numpy آشنا بشویم. این کتابخانه که بخش های مختلفی از آن با C و ++C نوشته است، در مقایسه با پایتون خالص، سرعت عمکلرد بسیار بهتری برای کار با ماتریس ها و بردارها دارد.
از آنجایی که سری های زمانی یک بردار چند در یک هستند (داده های پنل هم ماتریس چند در چند هستند) استفاده از Numpy برای ما بسیار ضروری و مهم است.
هدف اصلی NumPy فراهم ساختن امکان کار با آرایه‌های چندبعدی همگن است. این آرایه‌ها جدولی از عناصر (معمولاً اعداد) هستند که همگی از یک نوع می‌باشند و با یک چندتایی، از اعداد صحیح مثبت اندیس‌گذاری می‌شوند.
توجه داریم که در پایتون آرایه ها به معنی سایر زبان های برنامه نویسی پشتیبانی نمی شوند و فقط لیست ها را داریم. به کمک Numpy امکان استفاده از آرایه ها و اعمال مرتبط با آن در پایتون فراهم می شود.


#numpy


@FinPy

#پایتون_مقدماتی
#نامپای

📎برای فراخوانی کتابخانه نامپای از دستور زیر استفاده می نماییم.

import numpy as np



#numpy


@FinPy

#پایتون_مقدماتی
#نامپای
#numpy


@FinPy

#پایتون_مقدماتی
#نامپای
#numpy


@FinPy

#پایتون_مقدماتی
#نامپای
#numpy


@FinPy

#پایتون_مقدماتی

📎 یک کتابچه حاوی خلاصه ای از دستورات ضروری پایتون شامل نحوه تعریف لیست ها، توابع، حلقه های تکرار، کلاس ها و غیره



@FinPy

#Igor_Halperin

Is deep learning a fool's errand of investment decision-making?

نظر سنجی ای که آقای Halperin گذاشته و 250 تا از کانکشن های ایشون شرکت کردند که اکثرا آدمهای سرشناسی تو این حوزه هستند. حدود 38% گفتن دیپ لرنینگ 1001 راه برای overfit شدن داره.
@FinPy

#پایتون_مقدماتی
#نامپای
#توابع_نامپای
#numpy


@FinPy

#پایتون_مقدماتی
#نامپای
#numpy


@FinPy

#پایتون_مقدماتی
#نامپای
#numpy


@FinPy

#پایتون_مقدماتی
#نامپای
#برگه_تقلب
#numpy
Numpy Cheat Sheet

@FinPy

#پایتون_مقدماتی
#پانداس

📎یکی از مهم ترین کتابخانه های که برای کار با داده های مالی نیاز هست با آن آشنا بشوید ، کتابخانه پانداس است.
کتابخانه پانداس کار شما رو برای تحلیل داده ها بسیار راحت می‌کنه و کتابخانه ای متن باز، سریع و بسیار قدرتمند برای تحلیل و تغییر داده ( به عبارتی دستکاری داده ) در پایتون است و بر اساس نامپای نوشته شده و با آن سازگار است.
بنابراین استفاده همزمان این دو کتابخانه در علوم داده بسیار رایج است.

#pandas


@FinPy

#پایتون_مقدماتی
#پانداس

📎همان‌طور که دیدید، ابتدا یک دیکشنری به نام data تعریف می‌کنیم. سپس data را به عنوان ورودی pd.DataFrame می‌دهیم. DataFrame ساخته‌شده، سه ستون به نام‌های Age، Name و Gender دارید و چهار سطر.

#pandas

@FinPy

#پایتون_مقدماتی
#پانداس

📎در دستور اول، دو سطر اول DataFrame نشان داده می‌شود و در دستور دوم سه سطر آخر. اگر عدد تعداد سطر را مشخص نکنیم، به صورت پیش‌فرض پنج سطر اول یا آخر نشان داده می‌شود.

#pandas

@FinPy

#پایتون_مقدماتی
#پانداس

📎همان‌طور که در اسلاید بالا می‌بینیم، فراوانی، میانگین، انحراف معیار، کمینه، چارک اول، میانه، چارک سوم و بیشینه ستون Age که تنها ستون عددی DataFrame است، نمایش داده می‌شود.
همان‌طور که دیدیم، دستور describe تنها برای ستون‌های عددی به کار می‌رود.

#pandas

@FinPy