如何使用Anaconda帮助Python编程

terry 2年前 (2023-09-25) 阅读数 49 #后端开发

图片来源：Pexels

Anaconda是数据科学家、IT专家和商业领袖使用的数据科学平台。它是Python、R语言等的分布式版本。它针对数据科学，拥有 300 多个软件包，因此迅速跻身最佳数据平台之一。本教程将介绍如何使用Anaconda来帮助进行 Python 编程。本文涵盖的主题如下：

Anaconda 简介
安装和入门
如何在 Anaconda 中导入 Python 库
Anaconda Navigator
场景： ○ Python
○ 数据分析
○ 机器学习和人工智能
*CDH：Cloudera 发行版，包括 Apache Hadoop。
Hadderao Apache 发行版 a
Anaconda简介
Anaconda是一个开放的Python和R的源码分发。可用于数据科学、机器学习、深度学习等领域。它为用户提供了对300多个数据库的访问，所以对于所有程序员来说，Anaconda是数据科学研究的最佳选择。
Anaconda可以帮助简化软件包的管理和安装，并且兼容各种设备，可以通过机器学习、人工智能的多样性和算法轻松地从不同来源收集数据。Anaconda还允许用户获得易于管理的环境设置 - 用户只需单击按钮即可安装项目。
相信您已经对Anaconda有了基本的了解，下面我们来学习如何安装它并搭建一个可以与系统配合使用的环境。
安装和启动
如果您想安装Anaconda，您可以访问此站点。
下载页面
选择合适的版本并点击下载。下载完成后，打开启动页面。
Anaconda启动
按照启动页面的说明进行操作，记得点击将Anaconda添加到生态系统中。安装完成后，会看到类似下图的窗口：
安装完成
安装完成后，打开Anaconda提示符，输入jupyternotebook*。
*Jupyter Notebook：是一个基于 Web 的交互式计算环境，用于创建 Jupyter Notebook 文档。？导入不同项目的数据。
将Python库加载到Anaconda中
打开Anaconda提示符，检查数据库是否已安装。
检查是否安装了NumPy*
*NumPy是一个Python语言扩展库，支持高维和大维的数组和矩阵。此外，它还提供了一个用于数组运算的大型数学函数库。
由于没有名为 numpy 的模块，因此我们必须运行以下命令来安装 numpy。
NumPy 安装
安装完成后，会出现这样的窗口：
NumPy 安装完成
安装数据库后，尝试再次导入模块，检查是否安装成功。
导入NumPy
如上图所示，这一步没有错误。这就是Anaconda设置不同数据的方式。
Anaconda Navigator
Anaconda Navigator
Anaconda Navigator 是一个带有 Anaconda 部分的桌面图形用户界面 (GUI)，它允许用户启动应用程序并管理 conda 包，而无需使用 order 命令。环境。
Python 基础知识
变量和数据类型
变量和数据类型是所有编程语言的基础构建。根据不同的数据属性，Python中有六种数据类型。列表、字典、集合和元组是Python中的数据类型。
下面是用 Python 实现变量和数据类型的示例：
#变量声明
name = "Edureka"
f = 1991" f)
#datatype 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("列表是", a)
print("字典是", b)
print("列表是", b)
print("列表是", b) tupleis", c)
print("集合是", d)
运算符
Python中的运算符用于值或变量之间的运算。Python中有七种类型的运算符：
- AssignmentOperator。
- 算术运算符。
- 逻辑运算符。
- 比较运算符。
- 按位运算符。
- 会员运营商。
- 操作员身份。
以下是在 Python 中使用运算符的示例：
a = 10
b = 15
#算术运算符
print(a + b)(a + b) (a + b)
打印(a * b)
#运算符
a += 10
打印(a)
#比较运算符！ = 10
#b == a
#逻辑运算符
a #如果两个表达式都为 true，则返回 true。
控制语句
例如使用 if、else、break 和 continue 等语句。作为控制语句来控制执行过程并达到最佳结果。这些语句可以在 Python 的循环内部使用来控制结果。以下示例展示了如何使用条件语句。
name = 'edureka'
for i in name:
if i == 'a':
break
else:(i)print Python 函数允许以有效的方式使用代码，为问题陈述编写逻辑并运行某些参数以获得最佳解决方案。下面是在 python 中使用函数的示例。
deffunc(a):
return ** a
res = func(10)
print(res)
类和对象
可以是还使用类和对象。下面是在 python 中使用类和对象的示例。
类父级：
deffunc（自我）：
打印（'这是父级'）
类子级（父级）：
deffunc1（自我）：）
ob = new child()
()
上面的基本 Python 概念。接下来，考虑到Anaconda更大的软件包支持，我们可以从多个库中获取工具。我们来看看如何使用python anaconda进行数据分析。
分析
数据挖掘和分析工作流程
以上是数据分析中涉及的一些步骤。我们来看看anaconda中如何做数据分析以及可以使用的各种库。
收集数据
收集数据就像将 CSV 文件导入程序一样简单。关系数据可用于分析数据库中的特定事件或条目。以下是将 CSV 数据导入程序的代码：
import panda as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns read_csv(' )
print((5))
前五行数据组
交叉分析
将数据加载到程序中后，需要进行一些更改以过滤数据。即消除分析不确定性的空值和不必要的字段。
以下是如何根据您的需求过滤数据的示例：
print(().sum())
#这将给出数据集中所有空值的总和。
df1 = df.dropna(axis=0 , how= 'any')
#这会删除有空值的行
求每列空值的总和
当然你也可以删除空值。
删除空值行
箱线图（方框图）
(x=df['平均工资来自'])
(x=df ['])
平均箱线图
平均箱形图
散点图（图）
import matplotlib.pyplot as plt
fig, aploze=1(fig., ax=1 )
(df['起薪'] , df['即将工资'])
('起薪')
('即将工资')(薪资电子表格
可视化
当数据根据要求更改时，数据分析是必须的，其中一个方法就是将结果可视化，更好的可视化有利于数据预测的最佳分析。全职兼职员工和薪资规划方法
按薪资直方图按工资的直方图
import matplotlib.pyplot as plt
fig = plt.figure(figsize = (10, 10))
ax = (), ant=()❀ =".2f" )
("Correlation",fontsize=5)
()
matplotlib制作的热图
分析
可以帮助你分析。各种图表。假设我们正在处理就业数据，通过查看一个地区的具体就业图，我们可以确定特定部门的就业数量。
根据以上分析，可以预测以下结果：
- 与全职工作相比，数据集中兼职工作的数量非常少。
- 兼职工作不到500个，但全职工作总数超过2,500个。
- 基于此分析，可以开发预测模型。