Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Anaconda est la plate-forme de science des données pour les scientifiques des données, les professionnels de l’informatique et les chefs d’entreprise de demain. C’est une distribution de Python, R, etc. Avec plus de 300 packages pour la science des données, il devient l’une des meilleures plates-formes pour tout projet. Dans ce didacticiel python anaconda, nous verrons comment utiliser anaconda pour la programmation python. Voici les sujets abordés dans ce blog :

Introduction à Anaconda

Anaconda est une distribution open source pour python et R. Il est utilisé pour la science des données, l’apprentissage automatique, l’apprentissage en profondeur, etc. Avec la disponibilité de plus de 300 bibliothèques pour la science des données, il devient assez optimal pour tout programmeur de travailler sur anaconda pour la science des données.

logo-python anaconda tuto-edureka

Anaconda aide à simplifier la gestion et le déploiement des packages. Anaconda est livré avec une grande variété d’outils pour collecter facilement des données provenant de diverses sources à l’aide de divers algorithmes d’apprentissage automatique et d’IA. Il aide à obtenir une configuration d’environnement facilement gérable qui peut déployer n’importe quel projet en un seul clic.

Maintenant que nous savons ce qu’est l’anaconda, essayons de comprendre comment nous pouvons installer anaconda et configurer un environnement pour travailler sur nos systèmes.

Installation et configuration

Pour installer anaconda, allez sur https://www.anaconda.com/distribution/.

anaconda home-python tuto anaconda-edureka

Choisissez une version qui vous convient et cliquez sur télécharger. Une fois le téléchargement terminé, ouvrez le programme d’installation.

Tutoriel setup-python anaconda - edureka

Suivez les instructions dans la configuration. N’oubliez pas de cliquer sur ajouter anaconda à la variable d’environnement de mon chemin. Une fois l’installation terminée, vous obtiendrez une fenêtre comme indiqué dans l’image ci-dessous.

setup-python anaconda tutoriel-edureka

Une fois l’installation terminée, ouvrez l’invite anaconda et tapez jupyter notebook.

invite anaconda - python anaconda tutorial-edureka

Vous verrez une fenêtre comme indiqué dans l’image ci-dessous.

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Maintenant que nous savons comment utiliser anaconda pour python, voyons comment installer diverses bibliothèques dans anaconda pour n’importe quel projet.

Comment installer des bibliothèques Python dans Anaconda ?

Ouvrez l’invite anaconda et vérifiez si la bibliothèque est déjà installée ou non.

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Puisqu’il n’y a pas de module nommé numpy présent, nous exécuterons la commande suivante pour installer numpy.

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Vous obtiendrez la fenêtre montrée dans l’image une fois l’installation terminée.

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Une fois que vous avez installé une bibliothèque, essayez simplement d’importer à nouveau le module pour plus d’assurance.

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Comme vous pouvez le voir, il n’y a aucune erreur que nous avons eue au début, c’est donc ainsi que nous pouvons installer diverses bibliothèques dans anaconda.

Navigateur Anaconda

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Anaconda Navigator est une interface graphique de bureau fournie avec la distribution anaconda. Il nous permet de lancer des applications et de gérer les packages conda, l’environnement et sans utiliser de commandes en ligne de commande.

Cas d’utilisation – Principes fondamentaux de Python

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Variables et types de données

Les variables et les types de données sont les éléments constitutifs de tout langage de programmation. Python a 6 types de données en fonction des propriétés qu’ils possèdent. Liste, dictionnaire, ensemble, tuple, sont les types de données de collection dans le langage de programmation python.

Voici un exemple pour montrer comment les variables et les types de données sont utilisés en python.

#variable declaration
name = "Edureka"
f = 1991
print("python was founded in"  , f)
#data types
a = [1,2,3,4,5,6,7]
b = {1 : 'edureka' , 2: 'python'}
c = (1,2,3,4,5)
d = {1,2,3,4,5}
print("the list is" , a)
print("the dictionary is" , b)
print("the tuple is" , c)
print("the set is " , d)

Les opérateurs

Les opérateurs en Python sont utilisés pour les opérations entre des valeurs ou des variables. Il existe 7 types d’opérateurs en python.

  • Opérateur d’assignation
  • Opérateur arithmétique
  • Opérateur logique
  • Opérateur de comparaison
  • Opérateur au niveau du bit
  • Opérateur d’adhésion
  • Opérateur d’identité

Voici un exemple avec l’utilisation de quelques opérateurs en python.

a = 10
b = 15
#arithmetic operator
print(a + b)
print(a - b)
print(a * b)
#assignment operator
a += 10
print(a)
#comparison operator
#a != 10
#b == a
#logical operator
a > b and a > 10
#this will return true if both the statements are true. 

Déclarations de contrôle

Des instructions telles que if, else, break, continue sont utilisées comme instruction de contrôle pour contrôler l’exécution et obtenir des résultats optimaux. Nous pouvons utiliser ces instructions dans diverses boucles en python pour contrôler le résultat. Voici un exemple pour montrer comment nous pouvons travailler avec des instructions de contrôle et conditionnelles.

name = 'edureka'
for i in name:
     if i == 'a':
         break
     else:
         print(i)

Les fonctions

Les fonctions Python permettent de réutiliser le code de manière efficace, où nous pouvons écrire la logique d’un énoncé de problème et exécuter quelques arguments pour obtenir les solutions optimales. Voici un exemple de la façon dont nous pouvons utiliser des fonctions en python.

def func(a):
      return a ** a
res = func(10)
print(res)

Classes et objets

Étant donné que python prend en charge la programmation orientée objet, nous pouvons également travailler avec des classes et des objets. Voici un exemple de la façon dont nous pouvons travailler avec des classes et des objets en python.

class Parent:
      def func(self):
            print('this is parent')

class Child(Parent):
      def func1(self):
           print('this is child')

ob = new Child()
ob.func()

Ce sont quelques concepts fondamentaux en python pour commencer. En parlant maintenant de la prise en charge de paquets plus importants dans anaconda, nous pouvons travailler avec de nombreuses bibliothèques. Jetons un coup d’œil à la façon dont nous pouvons utiliser python anaconda pour l’analyse de données.

Cas d’utilisation – Analytique

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Il s’agit de certaines étapes impliquées dans l’analyse des données. Jetons un coup d’œil au fonctionnement de l’analyse des données dans anaconda et dans diverses bibliothèques que nous pouvons utiliser.

La collecte de données

La collecte de données est aussi simple que le chargement d’un fichier CSV dans le programme. Ensuite, nous pouvons utiliser les données pertinentes pour analyser des instances ou des entrées particulières dans les données. Voici le code pour charger les données CSV dans le programme.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

df  = pd.read_csv('filename.csv')
print(df.head(5))

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Trancher et couper en dés

Après avoir chargé l’ensemble de données dans le programme, nous devons filtrer les données avec quelques modifications comme l’élimination des valeurs nulles et des champs inutiles qui peuvent provoquer une ambiguïté dans l’analyse.

Voici un exemple de la façon dont nous pouvons filtrer les données en fonction des exigences.

print(df.isnull().sum())
#this will give the sum of all the null values in the dataset.
df1 = df.dropna(axis=0 , how= 'any')
#this will drop rows with null values.

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Nous pouvons également supprimer les valeurs nulles.

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

BoxPlot

sns.boxplot(x=df['Salary Range From'])
sns.boxplot(x=df['Salary Range To'])

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Nuage de points

import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(16,8))
ax.scatter(df['Salary Range From'] , df['Salary Range To'])
ax.set_xlabel('Salary Range From')
ax.set_ylabel('Salary Range TO')
plt.show()

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

Visualisation

Une fois que nous avons modifié les données en fonction des besoins, il est nécessaire d’analyser ces données. Une telle façon de le faire est de visualiser les résultats. Une meilleure représentation visuelle aide à une analyse optimale des projections de données.

Voici un exemple pour visualiser les données.

sns.countplot(x= "Full-Time/Part-Time indicator" , data= df)
sns.countplot(x="Full-Time/Part-Time indicator" , hue="Salary Frequency" , data= df)
sns.countplot(hue="Full-Time/Part-Time indicator", x="Posting Type" ,data= df)
df["Salary Range From"].plot.hist()
df["Salary Range To"].plot.hist()

Application mobile: Tutoriel Python Anaconda | Premiers pas avec Anaconda

countplot-python anaconda tutoriel-edureka

countplot-python anaconda tutoriel-edureka

histogramme-python anaconda tutoriel-edureka

tutoriel histogramme-python anaconda -edureka

import matplotlib.pyplot as plt
fig = plt.figure(figsize = (10,10))
ax = fig.gca()
sns.heatmap(df1.corr(), annot=True, fmt=".2f")
plt.title("Correlation",fontsize=5)
plt.show()

carte thermique - tutoriel python anaconda - edureka

Une analyse

Après la visualisation, nous pouvons faire notre analyse en regardant les différents tracés et graphiques. Supposons que nous travaillions sur des données d’emploi, en regardant la représentation visuelle d’un emploi particulier dans une région, nous pouvons distinguer le nombre d’emplois dans un domaine particulier.

De l’analyse ci-dessus, nous pouvons supposer les résultats suivants

  • Le nombre d’emplois à temps partiel dans l’ensemble de données est très inférieur à celui des emplois à temps plein.
  • alors que les emplois à temps partiel sont inférieurs à 500, les emplois à temps plein sont supérieurs à 2500.
  • Sur la base de cette analyse, nous pouvons construire un modèle de prédiction.

Dans ce didacticiel python anaconda, nous avons compris comment configurer anaconda pour python avec des cas d’utilisation couvrant les principes fondamentaux de python, l’analyse de données et l’apprentissage automatique. Avec plus de 300 packages pour la science des données, anaconda fournit un support optimal avec des résultats efficaces. Pour maîtriser vos compétences en python, inscrivez-vous au programme de cours de certification Python d’Edureka et démarrez votre apprentissage.

Avez-vous des questions? mentionnez-les dans les commentaires de cet article sur le ‘tutoriel python anaconda’, et nous vous répondrons dans les plus brefs délais.

#Tutoriel #Python #Anaconda #Premiers #pas #avec #Anaconda