background preloader

Python

Facebook Twitter

GitHub - whitehorn/Scientific_graphics_in_python: Электронный учебник-пособие по научной графике в python. Jupyter Notebook Viewer. Vinta/awesome-python. Программирование на Python — курс для желающих узнать о нём больше или изучить ещё один язык программирования / Блог компании СПБАУ. "The joy of coding Python should be in seeing short, concise, readable classes that express a lot of action in a small amount of clear code — not in reams of trivial code that bores the reader to death.

Программирование на Python — курс для желающих узнать о нём больше или изучить ещё один язык программирования / Блог компании СПБАУ

" Guido van Rossum Python — язык программирования, на котором приятно писать и который приятно читать. Мы предлагаем тринадцать лекций осеннего курса CS центра, чтобы посмотреть вглубь языка и попробовать понять, как пользоваться всеми его возможностями. Лекции читает Сергей Лебедев, разработчик в компании JetBrains и преподаватель в Computer Science Center. Мало освоить синтаксис, чтобы узнать язык программирования: нужно осознать идиомы языка и научиться их применять. Фотография сделана осенью 2014 года в Страсбурге, за две недели до начала первого прочтения этого курса. Видеозаписи всех лекций в плейлисте на YouTube.

Для разных языков есть списки хороших библиотек, например, Awesome Java, Awesome R и Awesome C++. A modern guide to getting started with Data Science and Python. Python has an extremely rich and healthy ecosystem of data science tools.

A modern guide to getting started with Data Science and Python

Unfortunately, to outsiders this ecosystem can look like a jungle (cue snake joke). In this blog post I will provide a step-by-step guide to venturing into this PyData jungle. What's wrong with the many lists of PyData packages out there already you might ask? I think that providing too many options can easily overwhelm someone who is just getting started. So instead, I will keep a very narrow scope and focus on the 10% of tools that allow you to do 90% of the work. The upside is that the few tools I will introduce already allow you to do most things a data scientist does in his day-to-day (i.e. data i/o, data munging, and data analysis). Installation. Document Clustering with Python. Основы анализа данных на python с использованием pandas+sklearn. Добрый день уважаемые читатели.

Основы анализа данных на python с использованием pandas+sklearn

В сегодняшней посте я продолжу свой цикл статей посвященный анализу данных на python c помощью модуля Pandas и расскажу один из вариантов использования данного модуля в связке с модулем для машинного обучения scikit-learn. Работа данной связки будет показана на примере задачи про спасенных с "Титаника". Данное задание имеет большую популярность среди людей, только начинающих заниматься анализом данных и машинным обучением. Постановка задачи Итак суть задачи состоит в том, чтобы с помощью методов машинного обучения построить модель, которая прогнозировала бы спасется человек или нет.

Анализ входных данных >Итак, задача сформирована и можно приступить к ее решению. From pandas import read_csv, DataFrame, Series data = read_csv('Kaggle_Titanic/Data/train.csv') Можно предположить, что чем выше социальный статус, тем больше вероятность спасения. Записки океанолога - обработка и визуализация данных. Задача: продолжить получать графику высокого качества не выходя из питона ?

Записки океанолога - обработка и визуализация данных

Нструмент: Matplotlib Это продолжение предыдущего поста. Сегодня мы рассмотрим, как отобразить два графика в одном окне, как это сделать в разных окнах, как добавить математические выражения в подписи к осям и в любое место графика, а также, как подписать какую-нибудь деталь на графике, которая вам особенно нравится. Работа с несколькими окнами и осями в Matplotlib ? Import numpy as npimport matplotlib.pyplotas plt def f(t): return np.exp(-t) * np.cos(2*np.pi*t) t1 = np.arange(0.0, 5.0, 0.1) t2 = np.arange(0.0, 5.0, 0.02) plt.figure(1) plt.subplot(211) plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k') plt.subplot(212) plt.plot(t2, np.cos(2*np.pi*t2), 'r--') plt.show() Команда figure() здесь не обязательна, поскольку figure(1) будет создано по умолчанию, также как и подокно (да, такое вот прекрасное слово ) subplot(111) будет создано по умолчанию, если вы вручную не определили оси. Программирование и научные вычисления на языке Python/§9 — Викиверситет.

Визуализация функции f(x) состоит в том, чтобы нарисовать кривую y = f(x) в координатах xy.

Программирование и научные вычисления на языке Python/§9 — Викиверситет

Технически это заключается в проведении прямых линий между точками, заданными значениями функции. Чем больше точек мы берем, тем более гладкой получается кривая. Предположим, мы хотим изобразить функцию f(x) для a < x < b. Сначала мы должны задать n координат в интервале [a, b], которые мы назовем x0, x1, ... , xn-1. Затем мы вычисляем yi = f(xi). Естественно, имена функции и аргумента могут быть другими. Matplotlib[править] Для визуализации при использовании SciPy часто применяют библиотеку Matplotlib, являющуюся аналогом средств вывода графики MATLAB.

Набор точек[править] График, полученный в примере 1 Одним из больших преимуществ Matplotlib является та скорость, с которой мы можем построить график и привести первый пример: >>> import matplotlib.pyplot as plt>>> plt.plot([1, 3, 2, 4])[<matplotlib.lines.Line2D object at 0x01A00430>]>>> plt.show() Функция[править] Matplotlib - Seaborn scatterplot matrix - adding extra points with custom styles.

Ly.