دوره Pandas: قلب تپنده تحلیل داده در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Pandas: قلب تپنده تحلیل داده در پایتون

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: کتابخانه های پایتون برای علوم داده (NumPy, Pandas, SciPy)

📋 سرفصل‌های دوره

• 1. مبانی کار با داده‌ها در پایتون
• 2. آشنایی با کتابخانه Pandas
• 3. نصب و راه‌اندازی Pandas
• 4. ساختار اصلی Pandas: Series
• 5. ساختار اصلی Pandas: DataFrame
• 6. ایجاد Series از لیست و آرایه NumPy
• 7. ایجاد Series از دیکشنری
• 8. شاخص‌گذاری و برش‌دهی در Series
• 9. عملیات ریاضی روی Series
• 10. کار با مقادیر گمشده (NaN) در Series
• 11. مروری بر DataFrame
• 12. ایجاد DataFrame از دیکشنری لیست‌ها
• 13. ایجاد DataFrame از لیست دیکشنری‌ها
• 14. ایجاد DataFrame از آرایه NumPy
• 15. ایجاد DataFrame از فایل‌های CSV
• 16. ایجاد DataFrame از فایل‌های Excel
• 17. نمایش و بررسی اولیه DataFrame (head, tail, info, describe)
• 18. انتخاب ستون‌ها در DataFrame
• 19. انتخاب سطرها در DataFrame (loc, iloc)
• 20. فیلتر کردن داده‌ها بر اساس شرط
• 21. ترکیب شرط‌های فیلترینگ
• 22. حذف ستون‌ها از DataFrame
• 23. حذف سطرها از DataFrame
• 24. تغییر نام ستون‌ها
• 25. تغییر نام ایندکس‌ها
• 26. مرتب‌سازی DataFrame بر اساس ستون‌ها
• 27. مرتب‌سازی DataFrame بر اساس ایندکس‌ها
• 28. کار با مقادیر گمشده در DataFrame
• 29. شناسایی مقادیر گمشده
• 30. حذف مقادیر گمشده
• 31. جایگزینی مقادیر گمشده
• 32. پر کردن مقادیر گمشده با میانگین/میانه
• 33. پر کردن مقادیر گمشده با مقدار ثابت
• 34. عملیات روی ستون‌های DataFrame
• 35. اعمال تابع روی ستون‌ها (apply)
• 36. عملیات گروه بندی (GroupBy)
• 37. تجمیع داده‌ها پس از گروه بندی
• 38. توابع تجمیع (sum, mean, count, min, max)
• 39. دسته‌بندی و شمارش داده‌ها (value_counts)
• 40. تلفیق DataFrame ها (merge)
• 41. ادغام DataFrame ها (join)
• 42. ترکیب DataFrame ها (concat)
• 43. انواع ادغام (inner, outer, left, right)
• 44. کار با تاریخ و زمان در Pandas
• 45. تبدیل انواع داده به تاریخ و زمان
• 46. استخراج اجزای تاریخ و زمان
• 47. فیلتر کردن داده‌ها بر اساس بازه زمانی
• 48. تغییر فرکانس داده‌های زمانی (resample)
• 49. نمودار سازی با Pandas (plot)
• 50. نمودار خطی (line plot)
• 51. نمودار میله‌ای (bar plot)
• 52. نمودار پراکندگی (scatter plot)
• 53. نمودار هیستوگرام (hist plot)
• 54. نمودار جعبه‌ای (box plot)
• 55. نمودار دایره‌ای (pie plot)
• 56. کار با داده‌های متنی در Pandas
• 57. پردازش رشته‌ها در ستون‌ها
• 58. استفاده از عبارات منظم (regex)
• 59. تقسیم رشته‌ها
• 60. جستجو و جایگزینی در رشته‌ها
• 61. کار با فایل‌های CSV پیشرفته
• 62. تنظیم جداکننده‌ها و انکدینگ
• 63. مدیریت داده‌های بزرگ
• 64. کار با فایل‌های Excel پیشرفته
• 65. کار با چندین شیت در Excel
• 66. ذخیره DataFrame در فرمت‌های مختلف
• 67. کار با فرمت JSON
• 68. کار با فرمت SQL
• 69. تکنیک‌های پیشرفته فیلترینگ
• 70. فیلترینگ بر اساس تابع سفارشی
• 71. استفاده از indexerهای پیچیده
• 72. مدیریت داده‌های پرت (Outliers)
• 73. شناسایی داده‌های پرت
• 74. روش‌های حذف یا تبدیل داده‌های پرت
• 75. بهینه‌سازی عملکرد Pandas
• 76. استفاده از داده‌نوع‌های مناسب
• 77. فشرده‌سازی داده‌ها
• 78. موازی‌سازی محاسبات
• 79. کار با داده‌های چندبعدی
• 80. مقدمه‌ای بر کتابخانه NumPy
• 81. تفاوت‌های کلیدی Pandas و NumPy
• 82. کار با داده‌های ناهمگن
• 83. مقدمه‌ای بر تحلیل آماری با Pandas
• 84. محاسبه همبستگی (correlation)
• 85. محاسبه کوواریانس (covariance)
• 86. آزمون‌های آماری پایه
• 87. مقدمه‌ای بر یادگیری ماشین با Pandas
• 88. پیش‌پردازش داده‌ها برای مدل‌ها
• 89. انتخاب ویژگی‌ها (Feature Selection)
• 90. مهندسی ویژگی‌ها (Feature Engineering)
• 91. ساخت داشبوردهای ساده با Pandas
• 92. نمایش نتایج تحلیل
• 93. گزارش‌دهی با Pandas
• 94. جمع‌بندی مباحث کلیدی Pandas
• 95. نکات تکمیلی و میان‌برهای کاربردی
• 96. منابع برای مطالعه بیشتر و پیشرفته‌تر
• 97. کاربرد Pandas در حوزه‌های مختلف علم داده
• 98. مبانی برنامه‌نویسی پایتون برای تحلیل داده
• 99. مفاهیم اولیه ساختمان داده‌ها در پایتون
• 100. انواع متغیرها و عملگرها در پایتون