Data Science in Python

1. Einführung in den Data Science Kurs: Hallo allerseits, willkommen zu den Data Science-Ergebnissen. In diesem Kurs werden wir alle praktischen Aspekte der Data Science abdecken . Dies ist eigentlich ein projektbasiertes auch live in B, tatsächlich auf ein Projekt bietet, und wir verwenden die Konzepte in der Data Science und wenden es auf dieses Projekt an. Nach Ende dieses Kurses können Sie alle wichtigen Konzepte der Data Science in den Griff bekommen , einschließlich Datenanalyse, Datenvorverarbeitung und Visualisierungstechniken. Also im Grunde x plus richtig? Oder heißt das Was genau ist Data Science? Und ich gebe Ihnen einen Überblick darüber, was genau Sie in diesem Kurs behandeln werden. Zuallererst können Sie sehen, dass es bei Data Science darum geht, Wissen und Erkenntnisse aus lauten und unstrukturierten Daten mithilfe einiger Elemente und einiger Prozesse zu extrahieren Erkenntnisse aus lauten und unstrukturierten Daten . Grundsätzlich gibt es viele Unternehmen und es gibt viele Branchen, die tatsächlich verschiedene Arten von Daten verwenden. Sie haben Millionen von Rekorden. Um sie zu strukturieren, extrahieren Sie das Wissen zum Wohle ihrer Geschäfte. Sie erfordern einige Datenvisualisierungstechniken, Techniken zur Datenvorverarbeitung, da Wissenschaft die wachsenden und aufkommenden Füße und viele Möglichkeiten für Datenwissenschaftler darstellt. Und diese ganze Periode erhöht die Norm in der Branche. Während dieses Kurses werde ich mein Bestes geben, um Ihnen einen versteckten Hands-on zu geben, wie Sie alle Konzepte, die in Data Science integriert sind, tatsächlich umsetzen können. Fangen wir an, der Doc antwortete auf meinen Salzdiskurs, der Phosphatimporteur zum Klettern ist der Kampf und Browning. Außerdem würden wir mit der Python-Programmierung beginnen. Ich stimme einigen Grundlagen von 500 Videos in diesem Kurs zu, Sie werden diese Gewürze verstehen können Oreos. Und danach können Sie mit Data Science auf sechs beginnen. In Ordnung, also die nächste Anforderung ist Hingabe, da die Datenanalyse sehr alt ist und McDonald's, weil sie es gekauft haben, dass Sie viel Urlaub haben. Um zu verstehen, was der Datensatz ist, um zu verstehen, welche Techniken Sie benötigen, um einen Datensatz zu finden. Jedes Gute, das ich sagte, wird sich von dem anderen unterscheiden und es muss verschiedene Wege und verschiedene Techniken geben. Es werden diese Daten verarbeitet, die Daten analysieren, die viel Engagement erfordern. Und das ist der mittlere Grund, warum dies ein aufstrebendes Feld ist. Mal sehen, welche Tools wir zu lange verwenden werden, da ich vermute, wir würden keine Pilotenprogrammierung und einige Gehkämpfe und Bibliotheken verwenden . Wir können Jupyter Notebook verwenden, das tatsächlich Ihr IDE-Typ in einer Megabase Acht ist, die andere rechts, das alte lädt sie ein , verschiedene Datensätze zu analysieren. Die Ferse ist gestaffelt, nachdem Sie die wichtigen Datensätze heruntergeladen haben und einen Blick darauf werfen, was genau wir tun können. Dann gibt es einige wichtige Bibliotheken wie Pandas Library, Scikit-Learn, die eine sehr moderne ist, die Daten neu verarbeiten und auch ein Erlebnis bringen, das Sie sehen können. Ihre FEV1- und Microsoft-Kavität wird hier für die Datenvisualisierung verwendet , dass wir einige Bibliotheken wie TensorFlow, Python unter Verwendung von Deep Learning haben. Auch einige Verschönerungen wie zufällige Waldklassifizierung, Entscheidungsbäume und einige Modelle für maschinelles Lernen. Und schaffen Sie es auch in diesen Datensätzen, sich weitgehend mit sehr praktischen Dingen befassen , die bereit sind, in diesen Kurs zu kommen. Wir sehen uns also in den nächsten Tutorial-Zeiten. Die Logik. 2. Kaggle Datasets erkunden: Dies ist das erste Video dieses Kurses. Diese Data Science Scores und v werden viele Dinge wie Datenvorverarbeitung, Datenvisualisierung und viele Dinge wie Datenproben, Aggregation, Dimensionalitätsreduzierung durchführen Datenvisualisierung und viele Dinge wie Datenproben, Aggregation, , all das Zeug, das du machen wirst. Bevor ich jedoch mit einem der Konzepte beginne, möchte ich Sie zuerst mit der Kaggle-Website vertraut machen , die kaggle.com ist. Also werde ich Ihnen alle Vorteile der Verwendung von Kalkül geben und von jedem Data Science begeisterten Schulterblatt verwenden. Zuallererst müssen Sie einfach auf die website.com gehen. Und hier ist Kaggle im Grunde eine Website die viele Datensätze und viele Dinge bietet , die für alle Schüler , die lernen möchten, und alle Schüler, die auch wollte antreten, oder? Es gibt also auch Wettbewerbe. Zuallererst können Sie auf dieser Var hier sehen, hier haben wir den Datensatz. Wenn ich also hier hineinklicke, sehen Sie uns eine Liste einiger Trainingsdatensätze, die Sie sehen können, dass er sprach Daten, Google-Aktiendaten. Und es gibt viele beliebte Datensätze, die Sie hier sehen können , wie Boston Housing, NSL, KDD, mobile Preisklassifizierung. Im Grunde genommen werden wir im gesamten Kurs tatsächlich viele Dinge wie die Datenvorverarbeitung durchführen . Dafür werden wir verschiedene, verschiedene Datensätze von Kaggle abholen . Der Grund dafür ist, dass Sie, wenn Sie verschiedene Arten von Datensätzen haben, verschiedene Arten von Herausforderungen konfrontiert werden. Und das hilft Ihnen wirklich, Fähigkeiten zu schätzen oder Data Science , wenn Sie tatsächlich Data Science studieren. Nehmen wir zum Beispiel an, Sie haben einen Datensatz und möchten sehen, dass es einige gibt, sagen wir eine ASR, die in unserem Datensatz verfügbar ist , und es gibt einige doppelte Elemente in diesem Datensatz. Alles es gibt auch einige andere Herausforderungen. Wenn Sie also verschiedene, verschiedene Datensätze aufgreifen, werden Sie sich gut mit verschiedenen Arten von Herausforderungen auseinandersetzen, Sie sich gut mit verschiedenen Arten von Herausforderungen auseinandersetzen denen Sie möglicherweise auch in Ihrer Data-Science-Karriere gegenüberstehen. Also werden wir verschiedene Datensätze aufgreifen und ich werde diesen Datensatz auswählen , um Ihnen bestimmte Konzepte zu lösen oder einfach zu zeigen. Und hier sehen Sie, dass wir diese Datensätze haben. Es hat auch einige Kurse und Asthma. Es gibt auch einige andere Dinge wie Wettbewerbe. Grundsätzlich ist Kaggle genau wie ein GitHub für Entwickler, also ist Kaggle für Data Science. Also haben wir hier ein paar Wettbewerbe. Und diese sind auch preisbasiert. Sie können also tatsächlich etwas Geld bekommen , wenn Sie daran teilnehmen, und Sie können bei diesen Wettbewerben sehen, dass dies einige der Berechnungen hier sind. Jetzt haben wir einen Kurs, kalter jetzt interessanter Teil hier in der Kalkül, dass Sie Python-Programmierung verwenden werden, um im Grunde alle Daten zu schreiben und auszuführen, wiederzuverarbeiten, zu analysieren Zeug. Dafür müssen Sie nicht einmal eine ganze Python-Umgebung erstellen. Sie können einfach hier auf Create klicken. Und hier können Sie einfach direkt auf neues Load Book klicken und Ihr eigenes Notizbuch erstellen, oder? Das ist also eine interessante Sache. Sie können dies direkt in diesem Notizbuch , der Python-Umgebung, tun , der Python-Umgebung, Ihnen auch Zugriff auf Pandas Bibliothek Scikit-Learn geben , sodass Sie sie nicht manuell in Ihrem nächsten Top installieren müssen . Hier sehen Sie, dass wir einige Datensätze haben. Ein interessanter Teil, den ich Ihnen hier zeigen werde , ist , dass dieser Datensatz einige Zeit dauern wird, um hier zu laden. Hier haben wir einige Fortschritte bei den Benutzerrankings und all das Zeug. Werfen wir einen Blick auf einen Datensatz hier. Okay, also hier haben wir das Boston Housing. Also klicke ich einfach auf diesen. Und hier sieht man, dass sich das in einer Minute öffnen wird. Vi haben verschiedene Arten von Datensätzen und nicht wirklich diese Datensätze. Menschen, die Frachtgemeinschaft, veröffentlichen tatsächlich viele ihrer eigenen Notebooks und ihre Möglichkeiten, Daten auf Kaggle zu analysieren. Was Sie tun können, ist, dass Sie sehen können, dass es Notizbücher gibt und von ihnen lernen kann. Es ist wirklich eine sehr gute Sache. Genau wie du den Code von jemandem auf GitHub siehst und genau hier daraus lernst. Ich glaube, ich muss es auffrischen. Es ist jetzt geöffnet. Hier sehen Sie also, dass es die Daten zeigt. Sie können sehen, dass die Daten im Punkt-CSV-Format vorliegen und dies ist der gesamte Datensatz. Aber der interessante Teil hier ist der Score, ein Tab hier. Wenn Sie also kalt werden, werden Sie sehen können, dass es viele Leute aus dieser Gerüstgemeinschaft gibt Leute aus dieser Gerüstgemeinschaft sie alle anzieht, um diese Daten zu visualisieren oder vorzu verarbeiten, oder? Klicken Sie also als nächstes auf diesen , der hier ist. Sie können sehen, dass es zeigt , dass dies das Notebook ist und dies die Bibliotheken sind , die dieses Notebook verwendet hat. Wir werden sie in diesem ganzen Kurs benutzen. Ich gebe Ihnen nur einen Überblick darüber, wie genau Sie Goggle verwenden können weil es ein wirklich wichtiges Werkzeug für jeden Datenwissenschaftler ist . So können Sie sehen, dass wir darüber nachdenken Mark Floyd, Seaborne für Datenvisualisierung und Science-Fiction. Und hier können Sie sehen, dass diese Person hier ihren eigenen Code geschrieben hat , um den Datensatz zu visualisieren und zu verstehen und zu plotten. Hier kannst du alles sehen und Bestellungen auch hier. Man kann sehen, dass es auch gut ist. Es ist also eine sehr gute Plattform, um Data Science zu erlernen. Im Grunde werden wir, ich werde all diese Funktionen und all diese komplexen Funktionen vermitteln diese Funktionen und all , dank euch. Sie brauchen sich also keine Sorgen darüber zu machen. Es ist nur so, dass ich Ihnen eine Vorstellung davon gebe, was genau Sie von dieser Kaggle-Website erwarten können. Im Grunde genommen ist das alles für dieses Tutorial. Im nächsten Tutorial nehmen wir zunächst einen Datensatz auf und importieren ihn mit der Pandas-Bibliothek in Python. Das ist also alles für dieses Tutorial. Danke fürs Zuschauen. 3. Erste Schritte mit Pandas: In diesem Video werden wir einige der sehr wichtigen Funktionen der Pandas-Bibliothek diskutieren . Und wir werden besprechen, was genau die Dinge sind , die wir tun und verwenden können, indem Python- und Pandas-Bibliothek für einige wichtige Datenanalysen verwenden und Wissensformen verstehen und extrahieren eines bestimmten Datensatzes. Das wird also ein sehr wichtiges Tutorial sein. Und dieses werden wir einige der sehr grundlegenden Funktionen abdecken . Und während wir zu diesem Kurs übergehen werden, werden wir einige wichtigere als einige komplexe Aufgaben untersuchen , die mit der Pandas-Bibliothek problemlos erledigt werden können. Die ersten Dinge für uns müssen wir das Jupyter Notebook auslösen. Also hier öffne ich das Jupyter Notebook und hier müssen wir ein neues Python-Notizbuch mit Python-Baum erstellen . Ich habe bereits eine erstellt, die unter dem Namen Pi Bond als zentral steht . Und was wir tun müssen, ist dass wir diesen hier einfach öffnen müssen. Jetzt können wir hier das Python-Programm schreiben und wir können alle Data Science-Aufgaben ausführen alle Data Science-Aufgaben , die wir hier erledigen möchten, oder? Das nächste ist also, den Datensatz herunterzuladen. Hier können Sie jeden Datensatz Ihrer Wahl herunterladen. Ich habe den Boston Housing Prices Datensatz heruntergeladen und ist auf google.com verfügbar. Und ich werde auch den ganzen Link dazu geben. In der Beschreibung dieses Videos. Sie können es von dort herunterladen. Und hier habe ich einen Ordner, der als Wohnungsdaten bezeichnet wird. Und Sie können sehen, dass wir hier einen Housing Dot CSV haben. Wenn ich nur will, muss ich zuerst sehen, wie dieser Datensatz aussieht. Dafür öffne ich es hier. Als erstes, was wir hier sehen können, gibt es einige Spalten in diesem Datensatz und es gibt einige Zeilen in diesem Datensatz. Was wir tun wollen ist, dass wir sicherstellen wollen , dass dieser von uns erstellte Gehäusepunkt CSV einen DataFrame erstellen wird , der tatsächlich diesen ganzen Datensatz verwendet und es wird ihn hier importieren Jupyter Notizbuch. Und was auch immer wir mit diesem DataFrame tun , es wird sich nicht auf unsere ursprünglichen Daten auswirken. Selbst wenn hier in der Python-Programmierung etwas schief geht , hat dies keinen Einfluss auf die ursprünglichen Daten, wenn wir hier etwas falsch machen. Also zuerst: Importieren wir zuerst die Pandas-Bibliothek. Also verwenden wir den Befehl import pandas. Und seitdem können wir es hier als Elias oder einen Namen zuweisen, was ist BD, oder? Wann immer wir die Miner-Bibliothek verwenden möchten, können wir die SPD-Verknüpfung verwenden. Das erste ist, dass wir einen DataFrame erstellen müssen . Nennen wir das als ds. Und dieser DataFrame wird tatsächlich den Datensatz unseres Housing Dot csv enthalten. Mal sehen, wie wir den Datensatz hier importieren können. Wir werden also pd dot read underscore csv Funktion verwenden, die eine integrierte Funktion der Pandas-Bibliothek ist. Und hier können wir den Weg zu den Gehäusedaten angeben, sich auf diesen Boulder-Gehäuse-Daten befindet. Und der Name der Datei ist housing dot csv. Hier sehen Sie also, dass ich den gesamten Datensatz hier importiert habe. Und diese DataFrame, die DF-Variable ist, wird hier den gesamten Datensatz enthalten, die Zeilen und die Spalten von Housing dorsi sind. Der erste Durchgang, den wir sehen werden, besteht darin , die ersten, sagen wir, fünf Zeilen dieses Datensatzes zu finden . Dies ist der erste Teil , den wir machen wollen. Dafür können wir eine sehr nützliche Funktion verwenden, die die Kopffunktion ist. Head bedeutet die Startregeln. Also hier kann ich hier eine beliebige Zahl angeben. Nehmen wir an, wir möchten fünf angeben. Wenn ich jetzt Control Enter drücken werde. Jetzt können Sie hier sehen, dass es mir die ersten fünf Zeilen dieses DataFrame zeigt , nämlich Bf. Denken Sie daran, dass ich Ihnen bereits gesagt habe, dass wenn wir Änderungen an diesem Datensatz vornehmen, ich, wenn wir Änderungen an diesem Datensatz vornehmen, jeden Wert dieses DataFrame ändere , der df ist. Es wird sich nicht auf die Daten und den Gehäusepunkt csv auswirken . Selbst wenn wir irgendwelche Änderungen vornehmen wollten, haben wir eine separate Zeile für das, was wir das tun können. Aber hier besteht die mittlere Essenz darin, dass wir hier alles tun können , wie Datenvorverarbeitungsaufgaben und alles, was sich nicht auf die ursprünglichen Daten auswirkt. So können wir also sehen, wie wir die ersten 54 Zeilen mit der head-Variablen extrahieren können . Gehen wir nun zur nächsten sehr wichtigen Funktion über, nämlich die Tail-Funktion. Nehmen wir an, wir wollen die erste herausfinden, sagen wir mal die letzten fünf Zeilen dieser Daten. Okay, also machen wir das im Grunde, weil es sehr wichtig ist, dass wir ihn sehr gut analysiert haben, wenn wir einen Datensatz erhalten . Wir, wir werden diese Funktionen sehr oft innerhalb unserer Data Science-Programme verwenden , was auch immer hier schreiben wird, denn sagen wir, ich möchte eine Datenvorverarbeitungsaufgabe ausführen und jetzt möchte ich sehen was sind die Änderungen im Datensatz. Ich muss also nicht den gesamten Datensatz hier laden. Ich kann einfach die ersten vier oder fünf Gesetze laden und ich kann mir eine Vorstellung davon machen, wie es den Datensatz verändert hat. Es ist also sehr wichtig. Lasst uns nun herausfinden, was die letzten fünf Zeilen dieses Datensatzes sind . Sie können sehen, wann ich die Eingabetaste Eingabetaste drücke, Sie werden sehen , dass es zuletzt zeilenweise gibt. Und hier sehen Sie die Phase, in der es 488 Regeln gibt und innerhalb dieses Datensatzes. Also eine sehr wichtige Funktion hier. Lassen Sie uns nun auch zu einigen anderen Funktionen übergehen. Die erste wichtige Funktion ist die Shape-Funktion. Und es ist eigentlich keine Funktion, es ist eine Eigenschaft. Wenn ich also Control Enter drücken werde, können Sie die DF-Punktform sehen. Es gibt mir dieses Ergebnis hier. Dieses Ergebnis besagt, dass es 489 Gesetze gibt, es gibt vier Spalten. Dies ist eine sehr wichtige Eigenschaft, da wir meistens nicht den gesamten Datensatz öffnen werden. Wir können diese Shape-Eigenschaft einfach auslösen und wir können wissen, wie viele Zeilen und Spalten in unserem Datensatz sind . Gehen wir nun zu einer sehr wichtigen Funktion über, die beschriebene Funktion handelt. Ich werde hier die Eingabetaste kontrollieren. Wenn wir nun die Beschreibefunktion für jedes Detail verwenden, ist dies eine sehr wichtige Funktion und ein sehr wichtiges Werkzeug für Datenwissenschaftler, die dies tatsächlich verwenden, um den Datensatz zu verstehen. Sie können hier sehen, dass dies die vier Regeln dieses Datensatzes sind . Die ersten vier Spalten, die ungerade m sind, sind das Stapel-B3-Verhältnis und haben mich richtig gemacht. Hier können wir also sehen, dass wenn wir die describe-Funktion verwenden, uns das Zählgemein zeigt. Std steht für Standardabweichung mit einem stetigen. Diese Begriffe bedeuten und Standardabweichung in einem separaten Video, da sie in der Data Science sehr wichtig sind . Dann haben wir Männer 2550% Prozent und max. Was uns jetzt gibt, beschreibt es tatsächlich den gesamten Datensatz und es gibt uns eine Vorstellung davon, was der Mittelwert der gesamten Spalte hier sein wird . Sie können also sehen, dass Atom, Atom eine ganze Spalte ist und der Mittelwert dieser Spalte 6,2 für die Standardabweichung beträgt 0,6, und das minimale Element ist 3,56 etwas. Dies sind die Werte , die auch bei der Datenvisualisierung sehr entscheidend sind . Wenn wir also unsere Daten visualisieren wollen, müssen wir auch sehen, was sind die Standardabweichungen, die Mittel und all das Zeug, oder? Dies ist also wieder eine sehr wichtige Funktion, der es sich um die Beschreibefunktion handelt. Und lassen Sie uns zu einigen anderen wichtigen Funktionen übergehen. Die erste Funktion , die wir ausführen werden , ist die Drop-Funktion, die in DFS fallen gelassen wird. Hier. Wir werden eine Spalte angeben. Sagen wir also, ich möchte das Säulenatom fallen lassen. Also gebe ich hier einen Artikel an. Was ich jetzt mache, ist, dass ich die Achse angeben werde. Achse eins bedeutet also Spalte. Wenn der Zugriff gleich 0 ist, bedeutet dies, dass es sich um einen niedrigen Zustand handelt. Also hier habe ich Achse gleich eins angegeben , weil ich angeben wollte , dass das Element tatsächlich eine Spalte ist, wenn es ein Nein war, wenn phi 0 hier. Jetzt hier, wenn ich diesen Datensatz entfernen möchte, oder? Wenn ich also jetzt die Eingabetaste drücke, können Sie sehen , dass dieser Datensatz jetzt nur drei Spalten hat, sind m entfernt. Okay, also hier können Sie sehen, dass dieser RMD aus dem Datensatz hierher verschoben wurde. Nun eine wichtige Sache, die Sie hier bemerken werden , ist , dass wenn ich mir df.head ansehen werde , wenn ich mich an diese Funktion erinnere und wenn ich Control Enter drücke, Sie sehen können, dass das Element immer noch in diesem DataFrame vorhanden ist. Nun bedeutet es, dass es es tatsächlich nur vorübergehend und nicht dauerhaft aus diesem DataFrame entfernt . Es bedeutet also, dass wir etwas tun müssen , damit es tatsächlich aus diesem DataFrame entfernt wird. Jetzt gibt es zwei Möglichkeiten, dies zu tun. Wir können DFS tatsächlich neu zuweisen, df entspricht DF-Punkttropfen. Also wenn ich jetzt die df.head-Funktion aufrufe. Jetzt können Sie sehen, dass die RM-Spalte von hier entfernt wurde. Das ist eine Möglichkeit, aber ich habe einen bequemeren Weg hier. Anstatt diese vf gleich zu machen, können wir hier einen anderen Parameter verwenden, der vorhanden ist. Ist gleich „wahr“. Dann führen wir das durch. Es wird die Daten tatsächlich entfernen und diese Atomspalten aus dem Datensatz verdienen. Und direkt gleich true bedeutet, dass es es anstelle des DataFrame entfernt. Wenn ich jetzt die Eingabetaste drücken werde, können Sie hier deutlich sehen , dass der Artikel tatsächlich verschoben wurde, richtig? Also ist es, die Verwendung dieses In-Place-Parameters ist das nur richtig? Lassen Sie uns nun auch zu einigen anderen wichtigen Funktionen übergehen. Das nächste wichtige ist, dass wir auch verwenden können , ist df three. Ich drücke „Control Enter“. Du siehst, dass es mir die ersten drei Reihen gibt, oder? Anstatt also head zu verwenden, können wir auch diese Anweisung verwenden, die df ist, dann eckige Klammern, und wir haben hier einen Doppelpunkt und dann drei. Das ist einer. Eine andere Möglichkeit, dies nicht zu tun , wenn Sie die Head-Funktion nicht schreiben möchten, können Sie dies auch verwenden. Es ist schneller in der Natur. Lassen Sie uns nun zu einigen anderen Funktionen übergehen, wie zum Löschen der ersten Spalten, oder? Lassen Sie uns diese Aufgabe also ausführen. Nehmen wir an, Sie möchten die ersten zwei oder drei Spalten aus einem Datensatz entfernen . Wie wirst du das machen? Werfen wir einen Blick auf das. Jetzt haben wir die DFT-Funktion und natürlich werden wir die Drop-Funktion hier verwenden. Medicare Die Parameter werden sich ändern. Das erste ist, dass ich Spalten schreibe. Und ich werde diese Parameterspalten angeben. Also muss ich alle Spalten angeben , die ich glauben möchte. Die Art und Weise ist die Verwendung von Spalten gleich df.columns. Hier kann ich die Anzahl der Spalten angeben. Wenn ich also den ersten zwei Spalten glauben möchte, muss ich einen Doppelpunkt verwenden. Und du kannst hier sehen, dass ich ihm schreiben muss. Jetzt. Der nächste Parameter ist Achse. Denken Sie daran, die Achse immer anzugeben, da sie angibt, ob wir Zeilen oder Spalten haben. Vier Spalten, wir haben die Achse eins. Für Zeilen haben wir die Achse 0. Und offensichtlich ist der letzte der In-Place-Parameter x. Ich gehe hier durch. Wenn ich jetzt versuche df.head zu schreiben. Jetzt können Sie sehen , dass es die ersten beiden Spalten aus unserem DataFrame entfernt hat. erste Do wird tatsächlich mit diesem Doppelpunkt und zwei dargestellt. Und hier haben wir df.columns. Also haben wir die Spalten mit dieser df.columns-Funktion angegeben . Mal sehen, wie wir die letzten n Spalten löschen können. Löschen und letzte Spalte. Angenommen, Sie haben eine Aufgabe , bei der Sie die letzten zwei oder drei Spalten aus dem Datensatz löschen möchten. Auch hier werden wir die Drop-Funktion verwenden. Dies sind also im Grunde die, Sie können die Variationen der Drop-Funktion sehen und sie sind sehr wichtig, da Sie diese wichtigen Dinge täglich verwenden werden , wenn Sie den Datensatz analysieren. Wenn wir also die letzten N letzten Spalten in uns haben wollen , müssen wir angeben, dass wir die Spalten löschen möchten. Dafür. Ich werde wieder df.columns benutzen. Genau hier. Ich werde angeben, sagen wir minus eins gegen die Achse angeben, die eine sein wird. Weil das Löschen von Spalten und direkt dem Wert „true“ entspricht. Nun, was ich tun werde, ist einen Blick auf den Datensatz selbst zu werfen. Alles klar, damit Sie hier sehen können, wenn ich minus eins angebe, wird eine Spalte vom Ende gelöscht. Sie können also sehen, dass die letzte Spalte, die erstellt wurde, wurde jetzt gelöscht, oder? Wenn ich also zwei hier schreibe und es erneut ausführe, kannst du sehen, dass eins minus zwei mit Spalte entfernt wird. Es entfernt tatsächlich eine Spalte an dieser Indexposition. Also müssen wir hier einen Doppelpunkt angeben. Denn wenn wir die Spalte nicht angeben , werden die letzten n Spalten nicht gelöscht, oder? Es wird nur die Spalte und den Minuszwei-Index löschen , der hier ist. Wenn ich das jetzt treffe, kannst du sehen, dass es tatsächlich versucht, einige der Spalten hier zu löschen , oder? Sie können also sehen, dass die ersten beiden Spalten gelöscht wurden. Hier. Ich kann noch eine Sache machen. Werfen wir einen Blick darauf, was passiert, wenn ich hier schreibe und einen Doppelpunkt richtig? Jetzt können Sie sehen, dass wenn ich zwei schreibe und es ist, Doppelpunkt am Ende ist, die letzten beiden Spalten gelöscht wurden. So können Sie diese verschiedenen, verschiedenen Variationen ausprobieren, um einen Blick darauf zu werfen, was genau wir innerhalb des Datensatzes tun können , da dies sehr wichtig ist. Doppelpunkt zwei bedeutet, dass wir die ersten n Spalten löschen. Und wenn ich lese Ich mache Doppelpunkt, werden die letzten n Spalten aus unserem Datensatz gelöscht . Auf dem DataFrame nicht der Datensatz, weil der Datensatz intakt ist, oder? Lassen Sie uns nun auch zu einigen anderen Dingen übergehen, nämlich versuchen wir, Zeilen aus unserem Datenrahmen zu löschen. Wir haben den Datenrahmen hier. Das ist unser DataFrame. Angenommen, wir wollen den ersten n Zeilen aus diesem neuen Datenrahmen glauben . Mal sehen, wie wir das machen können. Jetzt. Auch hier werden wir die Drop-Funktion verwenden. Funktion ist eigentlich eine sehr wichtige Funktion zum Löschen. Also df-Punkt-Punkt Drop. Denken Sie daran, dass wir hier die Spalte nicht löschen möchten, also werden wir keine Spalten gleich zwei verwenden. Wir werden die df.head-Funktion verwenden. Nehmen wir an, wir möchten die ersten drei Zeilen aus unserem Datensatz löschen , also werde ich das bereitstellen. Jetzt ist der nächste wichtige Parameter die Achse. Jetzt ist der Zugriff gering, Soli ist tatsächlich 0 und der letzte Parameter ist vorhanden, was stimmt. Werfen wir einen Blick auf das. Alles klar, jetzt kannst du sehen, dass es spezifisch ist. Es zeigt hier, dass wir hier eine Bearbeitung haben, die Sie sehen oder in Access finden können. Was wir also hier tun müssen, df.head-Punkt-Index, müssen wir hier den Index angeben. Dann wird es nur den ersten drei Reihen glauben, oder? df.head three bedeutet also die ersten drei Zeilen dieses DataFrame. Punktindex gibt ihm den Index, den Wert, und es wird tatsächlich die falschen drei Rollen fallen lassen. Sie können also sehen, dass ich in unserem DataFrame tatsächlich die ersten Fotos zeige. Die ersten Fotos beginnen also nicht bei 0123, sie beginnen bei 3456 genau hier. Wenn ich hier fünf angeben werde können Sie sehen, dass sich der Datensatz ändert, oder? Die ersten fünf Zeilen, Zeilen werden auf diese Weise gelöscht. Mal sehen, wie wir die letzten n Zeilen löschen können. kann ich hier nur tun, indem ich einfach die Tail-Methode verwende. Also d von fünf wird uns die letzten fünf Zeilen des DataFrame geben. Und der Punktindex gibt uns tatsächlich eine Dysfunktion den Index der fünften und letzten fünften Spalte und er wird sie fallen lassen. Also, wenn ich hier statt Kopf schreibe, wenn ich Schwanz schreibe. Jetzt können Sie sehen, dass unser Datensatz anfänglich 488 Zeilen hatte, und jetzt zeigt es, dass der letzte 4083 ist, was bedeutet, dass er fünf Zeilen aus unserem Datenrahmen entfernt hat . So können wir also zuerst und Zeilen und die letzten zehn Regeln löschen , indem wir die df.head-Punktindexfunktion verwenden. Df-Punkt, Punktindexfunktion. Stimmt's? Jetzt werde ich einfach reinkommen, weil wir jetzt auch zu einigen anderen wichtigen Funktionen übergehen werden. Lassen Sie uns nun sehen, wie wir die Spalten tatsächlich lösen können. Das ist eine sehr wichtige Sache. Sortieren von Spalten auf der Grundlage von, sagen wir, Namen oder deren numerischen Werten in zunehmender oder abnehmender Reihenfolge ist sehr wichtig. Und das werden Sie sehr häufig in den Datensätzen tun . Dafür haben wir eine einfache Funktion, die die Sortierwertefunktion ist. Wir schreiben einfach df-Punkt-Sortierwerte. Was wir jetzt tun werden, ist, dass sie die Spalte angeben müssen , indem wir sagen, dass wir das RM-Volume sortieren möchten, oder? Und Sie können sehen, dass dies die Elementspalte ist. Und hier haben wir 5.796, dann 5.859. Nach dem Sortieren wird es sich tatsächlich in aufsteigender Reihenfolge ändern, oder? Also nach Artikel. Das nächste, was wir angeben müssen, ist nur die In-Place-Methode, die wahr sein wird, oder? Jetzt zeige ich einfach df.loc an. Und hier werde ich Slice genau hier angeben. Jetzt können Sie sehen, dass dies tatsächlich so ist, versuchen wir es hier an der Spitze. Jetzt können Sie sehen, dass diese Artikelvariable jetzt sortiert ist. Dies ist also die Hauptbenutzung der Sortierwertefunktion. Es wird tatsächlich alle Werte und alle Werte dieser RM-Spalten sortieren . Sie können also sehen, dass es jetzt 3.5613.863 ist und auf diese Weise. So funktioniert die Sortierwertefunktion. Nehmen wir an, wir möchten einige doppelte Werte in unseren DataFrame legen . Nehmen wir an, wir haben einen DataFrame, in dem sich in einer Spalte doppelte Werte befinden. Mal sehen, wie wir das machen können. Ich werde das kommentieren, und ich werde auch in diese kommen. Lassen Sie uns nun fortfahren, wie Sie Duplikate löschen können. Wir wollten die doppelten Elemente aus dem DataFrame, die wir haben, löschen . Auch hier eine sehr einfache Funktion, die BF ist, hat Drop-Unterstrich-Duplikate Funktion erhalten. Wir werden an Ort und Stelle schreiben, die gleich wahr ist. Was es also tun wird, ist, dass alle Duplikate aus einem DataFrame entfernt werden . Da wir in diesem Datensatz keine Duplikate haben, können wir das nicht in Aktion sehen. Aber was Sie tun können, ist, dass ich Ihnen eine sehr einfache Aufgabe gebe. Sie können tatsächlich die CSV-Datei des Gehäusepunkts öffnen und darin einige doppelte Werte erstellen und dann diese Funktion d von Punkt, Dot Drop Duplikaten verwenden. Und Sie können dann sehen und visualisieren, wie es diese doppelten Werte an Ort und Stelle fallen gelassen hat , was bedeutet , dass es tatsächlich bereit ist, Änderungen am ursprünglichen DataFrame vorzunehmen . In Ordnung, das waren also einige der wichtigen Funktionen, Löschen, einige Sortierungen und viele Dinge, die sie jetzt die sehr wichtige Aufgabe sind, von denen viele sehr wichtig sind bekannt als Slicing. Slicing beinhaltet hier zwei sehr wichtige Funktionen, nämlich die LOC-Funktion und es gibt Lucy-Funktion. LLC bedeutet also im Grunde Standort. Dies gibt zwei Methoden, LOC und Lucy des Pandas DataFrame, die uns tatsächlich helfen, die Spalten und Zeilen zu schneiden. Denn manchmal möchten Sie, wenn Sie einen Datensatz analysieren, nicht den gesamten Datensatz analysieren. Was möchten Sie analysieren? Einfacher, einfacher Teil dieses Datensatzes. Sie möchten das also herausschneiden, damit Sie sich das visualisieren können und damit viele Dinge machen können. Alles klar, also lasst uns sehen, wie wir die LLC- und I-LOC-Funktion verwenden können . Das erste ist, dass wir die Funktion df.loc verwenden werden. Und hier werden wir 04 angeben. Jetzt gebe ich hier die Spaltennamen an , nämlich RM. Angenommen, wir geben eine weitere Spalte an. Es ist LSAT. Was es tun wird, ist, dass es tatsächlich den gesamten Datensatz schneidet . 0 bedeutet die ersten vier Zeilen und die Spalten, die ich zwei Slices haben möchte, RAM und als Sag, oder? Wenn ich einfach die DF-Punktformfunktion schreibe, wenn ich OK drücke. Hier sieht man also, dass es hier nicht so traurig ist, also war das ein Fehler. Jetzt können Sie hier sehen, dass es mir zeigt, dass wir dieses DF haben. Ich drücke „Control Enter“. Sie können sehen, dass dies tatsächlich das Slice-Dataset des gesamten Datensatzes ist. Es hat nur diese beiden Spalten ausgewählt, was unser MNL-Stack ist. Und der Bereich der Zeilen beträgt 0 bis vier. Also kann ich es tatsächlich ändern, sagen wir von zwei auf sechs. Und wenn ich Enter drücke, siehst du das 23456, oder? Gesetze sind also zwischen zwei und sechs und die Spalten sind RM- und S-Tag. Es ist also ein sehr wichtiges Schloss. Es ist eigentlich keine Funktion, es ist ein Locator. LLC bedeutet also im Grunde genommen diese mit diesen beiden Indizes zu lokalisieren und es wurde abgeschnitten. Was wir also tun können, ist, dass wir dfs zuweisen können , da ds diesem entspricht. Wenn ich versuche df.head anzuzeigen, wird es mir das zeigen. Wir können es tatsächlich schneiden und wir können es dem DataFrame neu zuweisen, wenn wir möchten. Und hier haben wir diese LOC-Funktion ist sehr wichtige Funktion und wir werden diese Funktion verwenden, wenn wir nur einen kleinen Teil des Datensatzes analysieren wollen . Jetzt haben wir einen anderen Locator, der die ILC ist. Lucy ist zwar im Grunde das Gleiche wie LLC, war aber der Hauptunterschied, nämlich dass es keine extremen Werte annimmt. Es wird nur die numerischen Werte verwenden , um die Indizes zu finden oder zu verwenden, oder? Anstelle von Elementen im Stack müssen wir also die numerischen Werte angeben. Wenn ich also versuche, hier einen sehr einfachen Befehl auszuführen, können Sie sehen, welcher ILC ist. Von 0 auf vier. Es wird die ersten vier Zeilen des Datensatzes schneiden. Hier können wir die Spaltennamen nicht selbst angeben. Wir können diesen Strahl wirklich einfach hier schneiden, wenn ich will, einfach, Es sind zwei Komma vier. Und wenn ich Enter drücke, okay, also haben wir, wir haben hier keine vier Spalten. Schreiben wir drei. als Nächstes auf Enter hier. Jetzt können Sie sehen, dass der Doppelpunkt die ersten beiden Reihen verpasst. Und Doppelpunkt drei bedeutet die ersten drei Spalten. Wenn ich drei Doppelpunkte schreibe, bedeutet das, dass wir die letzten drei Spalten haben. Du kannst, du kannst sehen , dass wir von hier aus auch deinen Schwanz benutzt haben , der an diesem Ort ist. Sie können sehen, dass wir Doppelpunkt zwei verwenden, um die ersten n Spalten in Doppelpunkt anzugeben, um die letzten Ende Spalten anzugeben. Das Gleiche wie die Versorgung und das Halten in der ILC-Funktion, da wir im Spaltenabschnitt dies nicht angeben können. Deswegen machen wir das hier. Wenn ich also jetzt die Eingabetaste drücke, können Sie sehen, dass nur die letzten drei Spalten angegeben werden. Und Sie können sehen, dass dies tatsächlich Mitte der 70er Jahre ist, was die letzte Spalte selbst ist. Also wenn ich es schaffe. Jetzt bei Visual me, den letzten drei Spalten hier, kannst du viele Dinge tun. Du kannst mit diesem Ding rumspielen. Was passiert, wenn ich hier angeben werde , sagen wir 32. Hier sieht man, dass drei und tun nicht funktionieren weil es nicht gut ist. Es ist kein Bereich hier. Also muss ich angeben, sagen wir 310. Alle Zeilen von drei bis zehn werden hier angegeben. Also hatten wir die Gesetze tatsächlich drei bis zehn aufgeteilt. Hier. Ein bis zwei bedeutet , dass die Spalten tatsächlich von Position eins zu Position zwei ausgewählt werden. Wenn ich drei schaffe. Sie können sehen, dass alle Spalten von eins bis drei ausgewählt werden. Sie können also mit diesen Werten herumspielen. Sie können hier einige negative Werte angeben und einen Blick darauf werfen, was im DataFrame passiert und wie das Slicing abläuft. Und es wird Ihnen sehr helfen, Datenanalysen durchzuführen. Auch. Im nächsten Tutorial beginnen wir mit der Aufgabe zur Datenvorverarbeitung. Und im Grunde haben Sie jetzt eine gute Vorstellung davon, wie man die Pandas-Bibliothek benutzt. Probieren Sie alle diese Funktionen selbst aus und schauen Sie sich an, wie sich die Ausgabe ändert, indem Sie die DF-Punkt-Kopffunktion oder die DF-Punktfunktion verwenden . Sie können die Änderungen im Datensatz sehen. Das ist also alles für dieses Tutorial. Danke fürs Zuschauen. 4. Numpy Arrays: In diesem Video beginnen wir mit einer sehr wichtigen Bibliothek, nämlich der numpy-Bibliothek. Das erste, was ich hier machen werde, ist, dass ich numpy als np importieren werde. Np ist im Grunde genommen aliasiert. Im vorherigen Tutorial dieser Data Science Scores haben wir bereits eine sehr wichtige Bibliothek behandelt, die die Pandas-Bibliothek ist. Und wir haben gesehen, wie wir verschiedene Patienten damit machen können. Jetzt werden wir diese Datenvorverarbeitungsaufgaben in den kommenden Videos durchführen diese Datenvorverarbeitungsaufgaben . Und dafür werden wir diese beiden wichtigen Bibliotheken verwenden, nämlich die NumPy - und Pandas-Bibliothek. Grundsätzlich können Sie, wenn Sie die gesamte Dokumentation des Nicht-Seins sehen möchten , einfach auf numpy dot ORG gehen, die offizielle Website der NumPy-Bibliothek ist. Sie werden alle Funktionen finden , dass diese Bibliothek ein Boot ist. Jetzt, da wir uns auf die Data Science-Ziele und die Aufgaben zur Datenvorverarbeitung konzentrieren . Ich habe einige der sehr wichtigen Funktionen der NumPy Bibliothek gesammelt . Und im Grunde habe ich sie aus verschiedenen Projekten ausgewählt , die ich gemacht habe. Hier werden wir alle behandeln und die meisten von ihnen sind sehr nützlich und wir werden sie in den kommenden Videos verwenden . Im Grunde gibt es also zwei grundlegende Verwendungszwecke der NumPy Library. Die erste ist die Zahl von Alice. Und zweitens ist die numerische Analyse oder numerische Operationen , die wir durchführen möchten. NumPy steht also für numerisches Python. Also hier werden wir sein, haben diese beiden Teile hier. Aber in diesem Video werden wir nur die Numpy-Arrays behandeln. Und im nächsten Video werden wir sehen, wie wir mathematische Operationen wie Logarithmus, Standardabweichung , all das ausführen können mathematische Operationen wie Logarithmus, . Im nächsten Video. Fangen wir mit der NumPy Iris an. Im Grunde müssen wir also verstehen, warum wir NumPy brauchen. Lassen Sie uns also im Grunde eine einfache Liste erstellen. Ich werde hier einfach eine Liste erstellen, die eine ist. Sie wird drei Elemente enthalten. Oder sagen wir, das sind die vier Elemente. Wenn wir also schon weniger erstellen können, sagen wir, ich drucke das aus, drucke den Typ dieser Liste hier aus. Wenn ich Control Enter drücke, können Sie sehen, dass dies mithilfe von Arrays zur Klassenliste gehört . Warum benutzen wir Eris? Lassen Sie uns das zuerst besprechen. Jetzt ist das Ding in der Liste. Es wird eigentlich nicht an kontinuierlichen Speicherorten gespeichert. Diese vier Elemente werden also nicht in einer kontinuierlichen Speicherzuweisung gespeichert. Das ist der Hauptgrund, warum wir keinen schnelleren Zugriff auf diese Elemente der Liste haben, da sie nicht kontinuierlich im Speicher gespeichert werden. Deshalb brauchen wir Num von Erwachsenen. Da wir in Data Science Operationen schneller durchführen wollen, wollen wir schneller auf diese Elemente zugreifen. Also werden wir NumPy-Arrays verwenden. Und das zweite ist , dass wir einige der mathematischen Operationen an diesen Künstlern verwenden können der mathematischen Operationen an , wie Matrixmultiplikationen. Und wir können sogar mehrdimensionale Arrays mit NumPy erstellen . Okay, also fangen wir mit der ersten Transponierung an, bei der tatsächlich ein NumPy-Array erstellt wird. Kein NumPy-Array ist eigentlich MDRD. Und MDRD bedeutet n-dimensionales Array. So können wir ein n-dimensionales Array mit ihnen Bytes erstellen, was die grundsätzlich kontinuierliche Position von Objekten ist. Es ist das n-dimensionale Objekt. Also sage ich genau hier und dimensionale Objekte, oder? Mal sehen, wie wir ein Array erstellen können. Also erstelle ich hier eine Anzeige mit dem Namen ARR. Eine Möglichkeit, dies zu tun, ist, dass Sie np dot verwenden. Und hier müssen Sie nur die Elemente der Studie angeben. Wenn ich also ein Komma, zwei Komma drei angeben werde , wird dies ein NumPy-Array sein, oder? Versuchen wir also, den Typ davon zu markieren. Wir werden also wissen, was das eigentlich hier ist. Sie können sehen, dass es hier zeigt , dass es zur Klasse gehört. ARR ist also eine Variable und die Tie-Funktion gibt uns den Typ dieser Variablen. Sie können also sehen, dass es definiert , dass es sich um ein NumPy-Array handelt. Es ist also ein m nach n dimensionaler Addition. Lasst uns jetzt sehen, wie wir es herausfinden können. Die Dimension dieser Einstellung können wir die Dim Funktion verwenden, die endokrine Funktion, die uns die Anzahl der Dimensionen des Sadie anzeigt. Sadie hat nur eine Dimension, die Sie hier sehen können, 123. Lassen Sie uns jetzt eine andere Dimension schaffen indem wir ein separates Koma verwenden. Und lassen Sie uns eine andere Liste von Elementen wie 567 angeben , oder? Jetzt können Sie sehen, dass der Datentyp nicht verstanden wird. Der Grund, warum dies geschieht, ist diese in einem einzigen aufgenommen werden müssen. Dass wir hier eine weitere eckige Klammer schreiben müssen , und wir müssen sie hier schließen. Drücken wir nun Control Enter. Jetzt können Sie sehen, dass es sich um einen zweidimensionalen Bereich handelt. Wenn wir also ein zweidimensionales Array angeben möchten, müssen wir es so angeben. Die erste Dimension wird diese drei Elemente haben. Die zweite Dimension wird diese Elemente haben. Wenn ich mehr Dimensionen erstellen möchte, werde ich sie in diese eckige Klammer-Site aufnehmen. Selbst wenn ich die Dimension dieser beiden Elemente, dieser beiden Listen, erhöhen möchte die Dimension dieser beiden Elemente, dieser beiden , kann ich hier einfach weitere eckige Klammern hinzufügen, oder? Wenn ich also drei eckige Klammern hinzufüge, können Sie interessanterweise sehen, dass es die Dimension des Arrays erhöht hat. Je mehr die Anzahl dieser eckigen Klammern ist, desto Modus ist die Anzahl der Dimensionen. Sie können also sehen, dass ich erwähnt habe, ist sieben, obwohl wir nur diese beiden Elemente haben, oder? Wenn ich also versuche, diesen Adder hier zu drucken, kannst du sehen, dass es so auftauchen wird. Auf diese Weise können wir diese Anzeige erstellen , ist diese n Anzahl von Dimensionen. Und jetzt werde ich es einfach zweidimensional machen. Okay, jetzt haben wir dieses zweidimensionale Array. Mal sehen, wie wir vierdimensionale, fünfdimensionale Bereiche schaffen können . Lassen Sie uns einen anderen Bereich erstellen, der bei einem du gleich dem NumPy-Array ist . Nehmen wir an, wir wollen dreidimensionale 123 schaffen. So werden wir dreidimensional angeben. Hier schreibe ich ein Komma zwei, Komma drei. Wir werden eine weitere Liste erstellen, die vier Komma fünf ist , Komma sechs. Und das letzte ist sieben Komma 89. Also lasst uns versuchen, das auszudrucken. Versuchen wir, die Anzahl der Dimensionen dieses Addie zu öffnen. Hast du hier gesehen, dass wir drei Dimensionen haben und so haben wir die andere. Auf diese Weise können wir jedes n-dimensionale Objekt erstellen. Grundsätzlich können Sie sehen, dass wir die Möglichkeit haben können, Anzeigen zu erstellen, die n dimensional sind. So wird es uns auch bei der Datenvorverarbeitung sehr helfen. Und wenn wir es mit einigen Matrixmultiplikationen und einigen wichtigen Operationen wie Protokollen und Standardabweichung kombinieren es mit einigen Matrixmultiplikationen und einigen wichtigen Operationen wie , werden wir eine sehr gute Vorverarbeitungsaufgabe erhalten und ein paar sehr wichtige Sachen, oder? Das war also ein voller Schritt und jetzt sehen wir uns welche Operationen wir an diesen Atomen tatsächlich durchführen können. Jetzt wissen wir, wie man ein Array erstellt, wie man eine beschädigte Hillary erstellt. Lassen Sie uns nun sehen, wie wir die Indizierung dieser Bereiche tatsächlich durchführen können . Also schreibe ich im Grunde die Indexierung. Nehmen wir an, wir haben diesen ARR hinzugefügt. Und hier schreibe ich ein Koma eins. Mal sehen, was die Ausgabe hier ist. Man kann das eine Komma sehen. Dies sind die beiden Elemente , die geliefert wurden. Indexierung bedeutet im Grunde was, wie greife ich auf ein bestimmtes Element innerhalb dieses Ganzen zu, das es gegeben hat? Sie können also sehen, dass dies unser Dachboden ist. Wenn ich ein Komma schreibe wird uns 11 die Dimension sagen, in der wir uns befinden. Sie können also sehen, dass wir hier zwei Dimensionen haben, und es beginnt bei 01. Dies ist also die Null-Dimension und dies ist die falsche Dimension. Man indexiert das also tatsächlich. Wir finden jetzt das Element in dieser Liste. Wir können diese Dimension sagen. Der nächste, der hier ist, gibt das Element in dieser Liste an. Hier finden wir also tatsächlich 25671 bedeutet, dass wir tatsächlich auf das erste Element zeigen oder indizieren. Fünf ist also tatsächlich auf der 0, an Position sechs ist an der einen Position. Wenn ich hier drei schreibe, lass uns sehen. Wir werden einen Fehler bekommen, weil es hier nicht nur Elemente 012 gibt, oder? Also lasst uns tun, wir kriegen sieben hier. Sie können sehen, jetzt lassen Sie uns sehen, was passiert , wenn ich 0 Komma zwei schreibe. Jetzt können Sie sehen , dass 0 bedeutet , dass wir uns das tatsächlich ansehen. hier hinzufügen, was die 0 an Position ist, erreichen wir das zweite Element darin, das eigentlich drei ist. Also kriegen wir drei in der Ausgabe. Okay, so können Sie also die Indizierung durchführen. Das erste Element wird uns die Dimension geben, in der wir uns befinden. Und das zweite Element hier in dieser Indizierung gibt uns die richtige Position des Elements. Gehen wir zu einer anderen Operation , die wir durchführen werden. Sehr oft in diesen Bereichen, die als Slicing bezeichnet werden. Wir haben auch schon Pandas geschnitten. Und wir haben gesehen, wie wir das Slicing und die Datenrahmen machen können. Mal sehen, wie wir das in Bereichen machen können, oder? Wir werden den gleichen Adi in Betracht ziehen, nämlich ARR. Und hier schreibe ich einfach diesen Befehl Hill, der eins und Doppelpunkt und dann drei ist. Lassen Sie uns die Ausgabe davon sehen. Jetzt siehst du, dass 13 mir 567 gibt. Warum kriegen wir das. Sie können sehen, dass wir diesen Adi tatsächlich schneiden. Dies hat bereits diese Zwei-Dimensionen, wie wir hier sehen können. Die erste Dimension hat 123 und die zweite Dimension hat 567. Wir schneiden die ADA jedoch von 133 bedeutet, alle Elemente, die wir haben, aus einer Nettoposition. Sie können also sehen, dass wir hier Nullen haben, dann haben wir hier die erste Position und dann das ganze Slicing , das von der ersten Position bis zur zweiten Position stattfindet der ersten Position bis , weil drei hier nicht enthalten sind. Also schreibe ich hier , dass drei nicht inklusive sind. Also wird es das Gegebene von der ersten Position abschneiden . Zweiter Platz, weil drei nicht inklusive sind, oder? Mal sehen, wie wir das im zweiten Bereich machen können , der hinzugefügt wird. Okay, also schreibe in den hinzugefügten zwei Lippen denselben Befehl , um die Ausgabe zu sehen. Jetzt siehst du hier, dass wir nichts in diesem Adi haben. Lassen Sie uns sehen, warum dies geschieht, denn an erster Stelle haben wir keinen Gegenstand. Das ist Loch ist die 0te Position, also versuchen wir hier 0. Und jetzt können Sie schnell sehen, dass wir hier, wenn wir versuchen, es von 0 zu trennen, 0 Komma eins, Komma zwei haben. An diesen drei Positionen haben wir all diese Elemente. Dies ist also an der 0ten Position, diese fügt die falsche Position hinzu, und diese befindet sich an der zweiten Position. Sie können also sehen, dass dies das Ergebnis des Slicings ist , das wir gemacht haben. Jetzt müssen Sie mit verschiedenen Arten von Arterien herumspielen und Sie müssen mit diesen verschiedenen Werten herumspielen , um einen Blick darauf zu werfen, was im Ergebnis passiert, um tatsächlich ein besseres Verständnis dafür, wie die Dinge funktionieren. Weil du all diese Begriffe nicht lernen kannst. Man kann sich all diese Sachen nicht merken. Sie müssen weiter mit verschiedenen dimensionalen Arrays üben . Slicing es mit verschiedenen Werten. Hier statt 0 bis drei, entfernen wir 0 und mal sehen, was hier passieren wird. Sie können sehen, dass es hier keine Veränderung gibt. Der Grund ist, wenn wir del drei schreiben, bedeutet das im Grunde genommen, dass der erste 012 ungehindert ist, oder? Okay, so können wir das Schneiden innerhalb von zu Hause machen . Jetzt schauen wir uns an, wie wir Schritte schneiden können. Hier. Was ich tun werde, ist, dass ich das ausdrucke. Jetzt studieren wir über Slicing, was ein weiteres sehr wichtiges Konzept ist. Also hier haben wir, wir bekommen den Sadie und wir werden hier das Schneiden machen , die Schritte schneiden. Mal sehen, was genau das ist. Also bringe ich das Hinzufügen hierher. Ich schreibe ein Koma. Versuchen wir es 10 zu eins zu zwei. Und mal sehen, was genau wir hier bekommen. Also statt Folien und Sie können sehen dass wir dies als Ergebnis haben. Was genau ist das für ein Slicing? Anstatt zu schneiden, sagen wir, dass wir den gegebenen Eddie in Scheiben schneiden wollen , aber wir werden diese Schritte befolgen. Also werden wir zuerst angeben, dass wir diese drei Werte angeben. Also war es, es wird tatsächlich von 0 auf eins schneiden. Und dann wurde es von eins bis zwei geschnitten, oder? Es wird also tatsächlich das Slicing schrittweise geschehen. Anstatt also aus dem gesamten Array zu schneiden, können wir tatsächlich einige kleine Teile des Arrays mithilfe von Steps Slicing erstellen . Es gibt mehr Möglichkeiten, dies zu tun. Wir können sogar all diese Methoden ausprobieren. Im Grunde werde ich hier ein anderes Atom erstellen, das ich als drei hinzugefügt nennen werde. Und dabei verwende ich Num Biotic. Und das wird die Elemente haben, sagen wir mal. Wohlstandskomma drei, Komma 456, Komma sieben. Und lasst uns noch eins erstellen, das 11 Komma zwei Komma drei ist. Der letzte wird nur drei Komma vier sein, oder? Also haben wir diese Elemente hier. Dies müssen Sie sehr vorsichtig sein, wenn Sie ein NumPy-Array erstellen da es sicherstellen muss, dass die Anzahl der Dimensionen tatsächlich diejenige ist, die Sie wünschen, oder? Also hier haben wir die Schuld, die Dimension, und hier haben wir die zweite Liste von Elementen. Nehmen wir an, ich möchte diese beiden in eine einzige Dimension aufnehmen. Ich kann das tun, indem ich sie tatsächlich in diese einzelnen eckigen Klammern einschließe . Wenn ich sie jetzt in eine andere Dimension aufnehmen möchte, kann ich das tun, indem ich eine andere verwende, indem ich eine andere eckige Klammer erstelle, oder? Wann immer Sie also eine Dimension erstellen möchten, müssen Sie sicherstellen, dass Sie einen quadratischen Datensatz dafür erstellen. Nun, was Sie tun werden, ist, es uns versuchen. Verwenden Sie die Endfunktion, die uns tatsächlich die Dimension dieses Arrays mitteilt. Verwenden Sie diese Endfunktionen, damit Sie wissen können ob Sie die erforderlichen Dimensionen erhalten. Und die ADA ist auch der erforderliche Bereich , den Sie wollen, oder? So können Sie hier die Anzahl der oder zwei Dimensionen sehen, die hier ist, das Ergebnis ist hier. Was ich jetzt nur machen will, hier haben wir zwei Dimensionen. In der positiven Dimension habe ich diese beiden Positionen, und in der zweiten Dimension habe ich diese beiden Atome genau hier. Ich möchte das Slicing machen. Dies fügte drei hinzu. Und ich will es tun, sagen wir, ich schreibe ein Komma vier. Drücken wir Enter hier und schauen wir uns an, was passieren wird. Jetzt kannst du sehen, dass es uns nichts zeigt. Machen wir es also als 0. Das wird eins sein. Was wir hier machen, ist im ersten Teil, ich gebe an, dass wir uns auf der 0ten Position befinden, was die Null-Dimension bedeutet. In der 0-Dimension schneiden wir tatsächlich von einer, bis sie einschließen wird, schieben wir es als 0 auf zwei. Es wird also alle Elemente von 01 enthalten sind und die Dimension, die wir uns ansehen, ist 0. Also wenn ich es schaffe, mal sehen, was das Ergebnis sein wird. Sie können sehen, dass es das Ergebnis zeigt, dass wir 123 und drei Viertel haben, was Sie in diesem Schaden sehen können, in dem auf die erste Position zeigt, oder? Wenn Sie also in einer bestimmten Dimension schneiden möchten, können Sie die Dimension hier angeben. Hier schreibe ich einen Kommentar, dass die erste Position die Dimension und den zweiten Positionsindex des Slicings angibt . Auf diese Weise. Sie werden dies schneller verstehen können. Dass dieser erste Parameter zu der Dimension gehört , die wir uns ansehen, dass wir ein Slicing durchführen möchten. Und hier schreiben wir, wie wollen wir das Slicing machen, oder? Wir wollen 012 schneiden. Aber hier, wenn wir Step Slicing machen wollen , können wir das auch tun. Wir können tatsächlich angeben, dass ich Elemente von 0 zu eins haben möchte , dann von eins bis drei, was das numpy-Array ist. Wenn es diese Anzahl von Elementen hat, kann es sie herausschneiden. So können wir das Slicing innerhalb eines Arrays durchführen. Sie können sich überspielen, indem Sie verschiedene Bereiche mit unterschiedlicher Anzahl von Dimensionen und unterschiedlicher Anzahl von Elementen erstellen. Und Sie werden verstehen, wie dieses Step-Slicing funktioniert und wie diese Art der Indizierung läuft. Stimmt's? Jetzt werden wir zu einem anderen Konzept übergehen, das heißt, wir wollen einige Funktionen von NumPy testen . Nehmen wir an, wir wollen den Mittelwert und einige andere Dinge auch berechnen . In diesem Fall möchte ich also ein Array von kontinuierlichen und natürlichen Zahlen erstellen . Nehmen wir an, ich möchte ein Array n natürliche Zahlen erstellen. In diesem Fall müssen wir kein Array erstellen , indem wir die Zahlen manuell schreiben. Was wir tun können, ist, dass wir einfach sagen, ich möchte ein Array erstellen. Welches ist NRT. Und ich möchte die ersten 20 natürlichen Zahlen einschließen, damit ich einfach schreiben und V Punkt schreiben kann, oder? Angenommen, ich möchte eine natürliche Zahl schaffen, die von einer Warnsicherheit ausgeht. Stimmt's? Was also passieren wird, ist diese NumPy-Bibliothek sie erstellt und hinzufügt, was von eins bis 20 reicht. Wenn ich das einfach ausdrucke und hier hinzufüge, wirst du das im Hinterkopf sehen können, oder? Hier heißt es also, dass das Modul numpy nicht hat, okay, also sollte es Single sein. Jetzt können Sie sehen, dass wir diese Elemente haben , die von eins bis 19 beginnen. Sie können also sehen, dass 20 nicht enthalten sind, oder? Der letzte ist also nicht enthalten. Wenn ich also 20 schreibe, fängt es bei n an und es wird bis 19 gehen. Warum machen wir das jetzt? Denn wenn wir wollen, dass eine Reihe natürlicher Zahlen herumspielen kann, können wir diese Funktion tatsächlich nutzen und sicherstellen, dass es sich nur um ein einzelnes Haar handelt, oder? Es ist nicht W. Okay, also mal sehen was sonst noch, wie Sie mit mehr Werten übereinstimmen können. Nehmen wir an, wir wollen schwebende Zahlen von einer Position zwei erstellen , sagen wir von einer Zahl zur anderen. Also lassen Sie einen weiteren Bereich erstellen , der hier hinzugefügt wird. Nehmen wir an, wir wollen entschlossen schaffen. Wir werden wieder die Arrange-Funktion benutzen. Hier. Wir geben den Bereich an, von dem wir die schwebenden Zahlen haben wollen, oder? Sagen wir, ich will schwebende Zahlen von eins bis n, was zehn hier ist. Und jetzt muss ich den Datentyp hier mit dem Typ angeben . Und hier werde ich Float angeben. Richtig. Nun wird dies tatsächlich erzeugen und symbiotisch mit schwebenden Zahlen von eins bis zehn sein. Sie können also sehen, dass dies keine schwebende Zahl sind. Es hat also 1.2,03 Punkt. Und ähnlich wie das, oder? Das ist also eine andere interessante Sache. Denken Sie daran, dass all diese Funktionen in der Datenvorverarbeitungsaufgabe enthalten sein werden. Stellen Sie also sicher, dass Sie sie tatsächlich selbst praktizieren. Dies alles ist sehr wichtig und wir haben sie bereits in einigen Projekten eingesetzt. Stellen Sie also sicher, dass Sie das auch üben. Gehen wir zu einem sehr wichtigen Konzept über, das darin besteht, die Form zu verändern. Ändern der Form des Arrays. Nehmen wir an, wir haben ein Array mit einer bestimmten Dimension. Nehmen wir an, dass eine dreidimensionale, dreidimensionale beleuchtete Suche zwei-mal-zwei-Dimension ist dreidimensionale beleuchtete Suche . Und jetzt wollen wir die Form des Arrays ändern. Wir möchten die Dimension des Arrays ändern. Mal sehen, wie wir das machen können. Als erstes sehen wir , wie wir die Form von Anodisch überprüfen können. Dafür werde ich es anodisch spielen gleich numpy dot ID. Hier gebe ich nur ein Komma zwei an, Komma drei. Und ich drucke Hill Dot Shape, oder? Die Form ist keine Funktion, es ist eine Eigenschaft. Wenn ich also die Eingabetaste drücke, zeigt es uns , dass die Form drei Komma ist und nichts da ist weil wir die Spalten nicht angegeben haben. Es gibt hier nur drei Elemente, also gibt es das an. Lasst uns noch eins erstellen. Anstatt ein Array wie diesen Lift zu erstellen, drücken Sie und natürliche Zahlen mit der Arrange-Funktion np.arange. Lasst uns sechs Elemente erstellen. Dafür gebe ich einfach sechs an. Und hier haben wir, sagen wir, ich benutze die Funktion umformen. Sagen wir nun, ich möchte dieses Array umgestalten. Nehmen wir an, wir haben diesen hier und hier schreibe ich das eine dunkle Form. Wir wissen, dass es drei Homer zeigen wird, etwas Gutes zu wissen. Ich möchte es umgestalten, damit ich die Funktion umformen kann , oder? Also lasst es uns neu zuweisen, Punkt umformen. Und da es hier drei Elemente gibt, können wir noch einige Elemente schaffen , damit wir ihre Form tatsächlich ändern können. Fügen wir also noch ein paar Elemente hinzu. Ich füge 456789 hinzu. Auch. Wir haben diese Elemente hier geschaffen. Und was ich will ist, ich will, das sind eigentlich die neun Elemente und es hat eine Dimension neun Komma eins. Wenn ich also Enter oder Control Enter drücke, wird mir das zeigen, dass die Form dieser Ära neun Komma eins ist. Was ich also will, ist, dass ich diese einzelne Dimension darin konvertieren möchte. Ich möchte mich in drei mal drei Matrix umformen, oder? Die Möglichkeit besteht also darin, die Positionen hier anzugeben. Wenn ich also eine Drei-mal-Drei-Form wollte, realisierte ich drei Komma. Was nun tun wird, ist, dass es die Form dieses Ganzen, das hier ist, schnell die Form dieses Ganzen, das hier ist, in ein drei - mal dreidimensionales Array verwandeln wird. Wenn ich also hier die Eingabetaste drücke, können Sie schnell sehen, dass jetzt die Änderung, die Form, auf drei mal drei geändert wurde, oder? Werfen wir also einen Blick auf die Form des hinzugefügten, bevor wir die Funktion umformen verwenden. Wenn ich also eine hinzugefügte Punktform schreibe, sieht man, dass es anfangs neun Komma 0 war und jetzt drei Komma drei sind. Also haben wir die Form oder die Dimension geändert, die um drei mal drei entschieden wurde. Was also passieren wird, ist, dass die Lippen versuchen, dies hierher zu bringen. Jetzt können Sie statt einer Single sehen, es ist jetzt 123. Dann haben wir vier Kämpfer und wir haben 789. Also ein drei-mal-dreidimensionales Array haben wir hier. Und es hat es so geteilt, oder? Was passiert also, wenn ich hier drei Komma zwei schreibe? Lassen Sie uns sehen, ob es dazu in der Lage sein wird. Jetzt werden Sie hier schnell sehen Evaluator sagt, dass wir den Bereich der Größe neun nicht in diese umgestalten können. Was bedeutet, dass Sie, wann immer Sie eine Umformung durchführen möchten, sicherstellen müssen, dass das Produkt dieser beiden, das wir in dieser Shape-Funktion schreiben werden dieser Shape-Funktion der Anzahl von Elemente innerhalb der Einstellung. Was sonst noch? Das wirst du nicht tun können. Alles klar, lasst uns hier nur sechs Elemente einbeziehen. Und jetzt wissen wir, dass das Produkt von drei Komma zwei sechs ist. Wenn ich also Control Enter drücke, können Sie jetzt sehen, dass es hier ein Array mit zwei Elementen erstellt hat und es gibt zwei, und dies ist eine Matrix zwei mal drei. Wir haben zwei Spalten und drei Zeilen. Hier haben wir drei Komma zwei. Und jetzt ändern wir es in zwei Komma drei. Jetzt sehen Sie hier schnell im Peinlichen, dass die Elemente drei sind, aber wir haben hier nur zwei Dimensionen. So können wir diese Elemente eines bestimmten NumPy-Arrays umgestalten , oder? Es ist also eine sehr wichtige Sache, dass Sie dieses Video oft verwenden werden , wenn wir die Analyse durchführen, obwohl Datenvorverarbeitungsaufgaben auch zu einer anderen wichtigen Funktion übergehen , die ich immer wieder sehe. Viele Projekte zu Data Science, die die Elemente durch eins ersetzen. Nehmen wir an, ich möchte alle Elemente von monadisch durch den Wert eins ersetzen . Mal sehen, wie kann, wie ich das machen kann. Zunächst werde ich ein neues Array erstellen. Und anstatt die Elemente manuell zu schreiben, verwende ich einfach diese Arrange-Funktion. Hier erstelle ich ein Array mit, sagen wir, wir haben vier Elemente darin. Was ich jetzt machen werde, ist, dass ich es ersetzen werde. Ich werde versuchen, Ihnen einfach den Wert dieses Bereichs zu zeigen. Sie können sehen, dass dieses Array 0123 hat. Was ich jetzt tun werde, ist, dass ich eine sehr wichtige Funktion verwenden werde , die Np-Punkt-Unterstrich ist , Like Funktion. Hier werde ich es mit der neuen RA versorgen. Ich drücke „Control Enter“. Jetzt können Sie sehen, dass es sie alle durch eins ersetzt hat. Es ist also wichtig, es in vielen Fällen nützlich ist, wenn wir eine Datenkategorisierung durchführen wollen , wir wollen, wir können das mit diesem tun, oder? Es ist also wichtig, dass ein Modus ist, der Nullsee ist. Wenn ich also Nullen hier in Beziehung setze, werden sie alle in Nullen umgewandelt. Sie können hier sehen, dies sind zwei sehr wichtige Funktionen, die ich gesehen habe und die ich persönlich in einigen Projekten verwendet habe. Stellen Sie also sicher, dass Sie sie auch üben. Und ich kann sehen, dass es Nullen und eine Skala hat. Gehen wir nun zum nächsten Teil über , so können wir zwei Arterien genau hier verketten. Ich schreibe hier Verkettung. Alles klar, dafür muss ich mich ansprechen. Lasst uns also noch eine erstellen. Wenn wir einen Undergrad schaffen, ist es hier. Lassen Sie uns also einige der Elemente in diesem Array erstellen, die numpy dot angeordnet sein werden. Und hier, sagen wir, wir wollen Elemente von Tutoren sechs. Hier werde ich ein anderes Array erstellen , das auf verschiedenen sein wird. Das wird von sieben ausgehen. Wir haben diese beiden Atome und wollen sie dann zu einem einzigen Array verketten. Um das zu tun, ist es sehr einfach. Wir können einfach verwenden, sagen wir, wir werden einen anderen Bereich schaffen, der die Mehrheit von A1 und A2 ist. Um das zu tun, haben wir eine sehr einfache Funktion, nämlich die Np-Punkt-Verkettungsfunktion. Hier müssen wir nur diese beiden Arrays angeben. Denken Sie daran, dass dies die Funktion ist und wir möchten A1 und A2 angeben. Der Weg zu tun ist nicht so. Manche Leute mögen das, wie A1, A2. kannst du es nicht machen. Sie müssen dies als Paar endlose kreisförmige Klammern wie diese angeben . Jetzt können wir sehen, dass wir eine Klammer haben , die die gesamte Verkettungsfunktion ist. Diese zweite Klammer gibt A1 und A2 als Spieler an. Nun, wenn ich versuchen werde, so viel hinzuzufügen, können Sie sehen, dass es diese Namensbereiche zeigt, okay, also hier sollte es np.arange sein, nicht im Spitzenkoma. Jetzt können Sie sehen, dass es Sie zu diesen beiden Pfeilen in einem einzigen Array kontaktiert hat . Möglicherweise werden Sie verwendet, Sie werden diese Funktion oft verwenden, nämlich zwei oder mehr Arrays zu kombinieren. So können wir den Verkettungsteil machen. Gehen wir zum gegenteiligen Teil davon über, so können wir die Anzeige aufteilen, sagen wir, ich möchte dieses Modul teilen. Und um das zu tun, werde ich es tun. Lassen Sie uns zuerst eine andere Idee erstellen. Ich nenne es als unbewegte Daddy. Hier verwende ich hier eine sehr einfache Funktion, die verwendet wird, um den Spliting-Teil zu machen, bei dem es sich um einen Np-Punkt-Split handelt. Unterstrichen-Split-Funktion hinzufügen. Hier möchte ich nur die Sterblichkeit angeben. Dann müssen wir angeben, sagen wir drei. Okay, also wollte ich es an der dritten Position teilen. Jetzt werde ich versuchen, diesen unbewegten Daddy auszudrucken. Daddy hatte all diese Elemente, 2345678. Also hier sehen wir es. Der gleiche Name, zusammengeführt, ist nicht der letzte Fall, also war es nicht viel, es war der größte Unterstrich ARR. Es wird dies also bei Bilddaten von der dritten Position aufteilen . So können wir hier sehen, wir haben 23457891011. Und jetzt können Sie sehen , dass drei bedeutet, dass es so ist, teilen Sie es in drei gleiche Teile. Der erste Teil ist drei für den zweiten Teil ist 7891011, oder? Also lasst uns es ändern und mal sehen, was passieren wird. Jetzt können Sie sehen, dass es fällt ein Array mit fünf Elementen und die nächste Ära mit vier Elementen erstellt . Auf diese Weise können wir die RAs in mehrere Bereiche aufteilen , oder? Lassen Sie uns nun zu einem anderen wichtigen Teil übergehen, der darin besteht die Suche innerhalb eines bestimmten an ihm durchzuführen. Verwenden dieser NumPy-Bibliothek. Wir möchten nach einigen Elementen suchen. Nehmen wir zuerst ein Beispiel. Nennen wir es wie in diesem. Ich gehe nur von hier aus zum ersten Beispiel. Das hier. Als nächstes erstelle und füge ein mit einigen Zufallszahlen hinzu. Ich verwende hier nur beliebige Zufallszahlen. Und sagen wir, ich wollte nach 87 in diesem hinzugefügten suchen , nämlich der Knoten , den es bei 0123 ist. Es ist an dritter Stelle und wir wollen danach suchen. Die Vorgehensweise ist also sehr einfach. Ich werde zuerst ein Element x erstellen, das tatsächlich die Position der 87. Elemente erhält. Wir haben also eine seltsame Funktion , die verwendet wird, um den Suchteil auszuführen. Also np dot, wo die Funktion zwei Parameter erhält. funktioniert nur ein Parameter. E ist gleich zwei gleich zwei. Ich muss das Element angeben, das 87 ist. Was es jetzt tun wird, ist, dass es nach 87 in diesem gibt, bei einem welches E hier ist, oder? Wenn ich also versuche, x zu drucken, sehen Sie hier, dass es die Suche zeigt. Und jetzt heißt es an einer dritten Position und der Datentyp des Elements ist Ganzzahl 64. Sie können hier sehen, dass es tatsächlich auf der dritten Position war. Dies ist also der erste, tut mir leid, die 0te Position. Und erste, zweite, dritte Position. Es hat uns also die Position gegeben. Und Sie können sehen, dass die Suche in diesem Fall der Förderer ist, da wir Eris verwenden . Lassen Sie uns nun zu einem anderen wichtigen Teil übergehen , der das Sortieren ist. Gegebenes Array. Das Sortieren ist ebenfalls wichtig. Sortieren Sie als Nächstes nur diese ERD. Sie können sehen, dass diese Anzeige nicht sortiert ist. Versuchen wir das zu sortieren. Ich schreibe Brent. Und P-Punkt-Sortierfunktion. Und innerhalb dieses Sortiercontrollers geben Sie hier E an. Sie können sehen, dass dies die sortierten Daten in aufsteigender Reihenfolge sind, oder? Sie können also anfangs sehen , dass es nicht sortiert war. Und jetzt ist das bei einem sortiert. So sehr einfache, einfache Funktionen, diese Utility-Funktionen helfen Ihnen tatsächlich sehr bei der Datenvorverarbeitung. zu praktizieren ist sehr wichtig. Und wenn Sie immer mehr Produkte machen, werden Sie sich mit all diesen vertraut machen. Und Sie werden all diese Funktionen hier gut in den Griff bekommen, oder? Okay, also lass uns zu einem anderen übergehen. Und dieser ist oberes dreieckig. Jetzt ist diese Funktion, ich habe sie in vielen Projekten gesehen. Wie erstelle ich ein VR-Dreiecke. Und es ist ein sehr wichtiges Konzept. Konzentrieren Sie sich also hier auf diesen Teil, denn es ist wirklich wichtig zu verstehen, warum es wichtig ist, PR-Dreiecke zu erstellen . Nehmen wir an, ich erstelle hier ein Array. Ich nenne es als Addition. Nennen wir es als 0. Hier verwende ich np dot. Nehmen wir e als Beispiel. Wir werden e benutzen, was hier ist. Um ein PR-Dreiecke zu erstellen. Das werde ich, ich werde nur b dot u drucken, was eine kurze Form von oberem Dreieck oder Tri ist, bedeutet Dreieck, du meinst oben. Np Punkt dreieckig U bedeutet also, dass es ein oberes Dreieck der gegebenen Matrix erzeugt. Lassen Sie uns dafür eine dreidimensionale Matrix erstellen. Ich werde schnell eine dreidimensionale Matrix erstellen. Alles was wir oben bereits eine dreidimensionale Matrix erstellt haben. Als wir den Umformungsteil gemacht haben, haben wir diesen auch geschaffen. Lasst uns einfach noch einmal erstellen. Hier. Ich werde B dot orange verwenden, und ich werde Elemente von Weiß eins bis neun einschließen. Und ich werde es schnell drei mal drei Mal drei Mal umformen. Und schauen wir uns das an, bei einer 0. Der erste Nexi, ob es richtig ist oder nicht, heißt es, es sollte einer sein, der Martin heißt. Wir haben das, du kannst sehen , dass dies der Addie ist. Wir haben 123456789. Eine Drei-mal-Drei-Matrix, Sie als Drei-mal-Drei-Matrix betrachten können. Dann wollen wir ein oberes Dreieck erzeugen. Was wir tun können, ist, schauen wir uns an, wie die RA ändern wird, wenn wir das obere Dreieck genau hier anwenden. Pieps-Dreieck. Also werde ich die np dot u-Funktion drucken. Hier. Ich werde es speziell tun, ich werde hier nur zwei Parameter angeben. Der erste Parameter wird das Array sein, in dem das obere Dreieck und das zweite Element 0 ist. Ich werde dir sagen, was genau dieses zweite Element sein kann. Ändere diesen Wert wirklich. Es kann tatsächlich 0 minus 11 sein. Wir werden die Werte sehen, wie sich dies ändert, wenn wir den zweiten Parameter als 0 anwenden, dann minus eins und dann eins. Drücken wir also Control Enter , um die Ausgabe hier zu sehen. Sie können sehen, als ich 0 angegeben habe, es hat ein oberes Dreieck erstellt. Also war das anfangs RID. Und jetzt, nachdem Sie ein Dreieck erstellt haben, können Sie alle Elemente darüber hinaus sehen. Sie können sehen, dass dies die diagonalen Elemente sind, 159 Millimeter. Und jetzt sieht man, dass es dieses Dreieck tatsächlich bildet. 123569 bildet hier eigentlich ein Dreieck, das Sie hier sehen können. Und diese Elemente sind 0 geworden, oder? Sobald sie also 0 geworden sind, haben wir hier ein oberes Dreieck. Ändern wir diesen Wert nun von 0 auf eins. Mal sehen, was sich hier ändern wird, oder? Jetzt können Sie hier sehen, wenn wir eins schreiben, wird es auch die diagonalen Elemente enthalten. Es wird also ein oberes Dreieck erzeugen. Sie können sehen, dass zwei Drei-Sechstel diesem Dreieck beteiligt sind. Diese Elemente sind 0 geworden. Wenn ich das auf minus eins ändere, drücke ich die Eingabetaste. Jetzt können Sie sehen, dass V0 ein oberes Dreieck gekauft hat, aber nur das letzte Element ist 0, oder? Also alle Elemente über diesem Naught 0. Auf diese Weise können wir ein Bot-Dreiecke erstellen und Sie werden sehen, wie wichtig es ist , diese zu erstellen. Dreiecke innerhalb von, wenn wir mit den Aufgaben zur Datenvorverarbeitung beginnen. Sie werden eine Menge dieser Funktionsstörungen trocken sehen , die Sie auch in vielen Projekten verwendet haben. Jetzt haben Sie eine gute Vorstellung davon wie genau diese Funktion das hinzugefügte ändern wird. Was ich jetzt tun werde , ist, dass wir jetzt zur letzten Funktion übergehen, die darin besteht, den Datentyp des Hinzufügens der Elemente des Arrays zu ändern . In Ordnung, dafür werde ich einen weiteren Zusatz von 23 erstellen. Und hier werde ich np.edu benutzen. Lassen Sie uns Elemente erstellen, die automatisch schwebende Werte haben, was 2.11.2 ist. Und geben wir ihm einen Backenzahn, der, mal sehen, Drei-Punkt-Eins ist. Jetzt haben wir alle dieses NumPy-Array. Was ich tun werde, ist, dass ich den Typ dieser Seite ausdrucke. Zuerst werde ich ein neues Array erstellen. Hier. Ich werde IRR als Dank-Funktion verwenden. Ich schreibe hier rein. Was nun passieren wird, ist, dass es ein neues Array erstellt, das jedoch alle Werte davon zu drei hinzugefügt hat. Es wird es tatsächlich in Ihren Teil umwandeln. Werfen wir einen Blick darauf, wie genau unser neuer Adam aussehen wird. So wird der neue Audi all diese Elemente haben, aber nur den ganzzahligen Teil dieser Elemente. Hier können Sie also sehen, wie sich der Datentyp ändert, und jetzt hat er 123 und diese Dezimalteile ignoriert. Auf diese Weise können Sie diese im Inneren ändern. Wenn Sie den Datentyp der Elemente ändern möchten, können Sie dies tatsächlich tun und Sie werden bei der Vorverarbeitung von Daten sehr auf diese Schwierigkeit stoßen . Manchmal braucht man keine Float-Werte. Sie konvertieren sie also der Einfachheit halber, 5. Numpy in Python: In diesen CDs haben wir in diesem Kurs bereits NumPy-Arrays behandelt. Wir haben also einige der sehr wichtigen Funktionen behandelt , die wir bei Nicht-Käufern erfüllen können. Und in diesem Video werden wir alle numerischen mathematischen Operationen von NumPy behandeln , die unterstützt werden, und wir können sie auf Dina Biotas ausführen. Dies sind also einige der grundlegenden und einige der sehr wichtigen Funktionen, die Sie während Ihrer Data-Science-Karriere nutzen werden . Fangen wir jetzt damit an. Zuallererst werde ich hier numpy als np liquid importieren. Und hier erstelle ich eine Matrix , die np.array sein wird. Hier erstellen wir hier nur drei Elemente , nämlich 123456789. Hier siehst du, dass ich eine Matrix erstellt habe. Lassen Sie uns schnell prüfen , ob wir es richtig definiert haben , indem wir dies ausdrucken. Also hier siehst du, dass ich diese Matrix erstellt habe , die diese neun Elemente enthält, oder? Was ich jetzt machen werde, ist, dass ich hier einige der mathematischen Operationen an dieser Matrix ausführen werde. Zum Beispiel Punkt-Produkt, Standardabweichung, Mittelwert und alle statistischen Funktionen auch. Fangen wir mit einigen der grundlegenden an. Der erste hier ist also zwei. Berechne das maximale Moment, das ein sehr wichtiges Bit ist, das tatsächlich das maximale Element in dieser ganzen Matrix ergibt. Ich werde ausdrucken, benutze die np dot max-Funktion, die uns tatsächlich das maximale Element dieser Matrix gibt. Sie können sehen, dass wenn ich Control Enter drücke, sehen können Sie sehen, dass neun das maximale Element in dieser ganzen Matrix ist . Was ich hier machen werde, ist Angenommen, wir wollen herausfinden, was das maximale Element in dieser Achse ist, was genau hier das Gesetz ist. Was ich tun kann, ist, dass ich tatsächlich die Achse hier angeben kann die Achse hier angeben behauptet, dass Access gleich 0 ist, wenn ich Control Enter drücke. Jetzt können Sie sehen, dass die Achse 0789 das maximale Element ist. können wir also auch tun. Wenn ich also hier einen schreibe und Enter kontrolliere, kannst du sehen, dass es 369 sein wird. also den Zugriff ändern, können Sie das maximale Element entsprechend dem Zugriff zurückgeben das maximale Element entsprechend dem , der Zeilen und Spalten ist. nächste Teil, der ähnlich ist, besteht darin, das minimale Element zu berechnen. Und dafür haben wir auch die gleiche Technik, die np dot Hauptfunktion verwendet. Und hier kann ich einfach die Matrix angeben. Und Sie können sehen, dass das Minimum, das minimale Element dieser Matrix eins ist, und genau das druckt es hier. Ebenso können wir hier auch die Achse bei 01 angeben. Lassen Sie uns nun jedoch zu einigen anderen Funktionen übergehen. Dies sind eigentlich die statistischen Funktionen. Im Grunde habe ich diese Themen der Statistik im Grunde genommen noch nicht angesprochen , was bedeutet Standardabweichung, Abweichung bedeutet. Dies sind einige der sehr wichtigen Themen , die in der Data Science behandelt werden müssen. Was ich hier mache, ist in diesem Tutorial, ich zeige nur, wie man sie benutzt. Und im nächsten Video werde ich alle wichtigen Konzepte dieser Statistiken wie Varianz, Mittelwert, Standardabweichung vermitteln dieser Statistiken wie . Und auf diese Weise können Sie besser verstehen, wie diese Funktionen in der Data Science nützlich sind. Beginnen wir also mit dem sehr grundlegenden, nämlich den Mittelwert des gegebenen Eddie zu berechnen. Nehmen wir an, wir bekommen hier diese Matrix, die diese ist, ich möchte den Mittelwert berechnen. Mittelwert ist im Grunde durchschnittlich. Was ich also tun kann, ist, dass ich den Mittelwert ausdrucken möchte . Dafür verwende ich einfach die np dot Mean Funktion und muss sie nur mit der Matrix versorgen. Und Sie können hier sehen , dass es fünf als Mittelwert zurückgibt , weil es tatsächlich der Durchschnitt aller Elemente ist . Wir werden mehr als diese Dinge besprechen, nämlich die Konzepte der Statistik im nächsten Tutorial ausführlich. Lassen Sie uns also zu einem anderen Statistikkonzept übergehen , bei dem es sich um Varianz handelt. Abweichung. Lassen Sie uns einfach alle in dieser einzelnen Zelle hier abdecken. Abweichung und Standardabweichung. Dies sind die beiden Dinge, die sehr wichtig sind und in der Data Science weit verbreitet sind, da diese tatsächlich sehr nützlich sind, um einige der wichtigen Methoden der Datenvorverarbeitung durchzuführen . Auch hier können wir den Mittelwert ausdrucken. Und wenn wir die Varianz malen wollen, kann ich sie einfach mit dieser liefern. Sie können also sehen, dass die Varianz dieser gegebenen Matrix 6,66 beträgt. Wenn ich die Standardabweichung möchte, kann ich dies auch tun, indem ich np dot SDD verwende, was eine Standardabweichung ist. Und ich werde es einfach mit der Matrix hier anwenden. Sie können sehen, ob ich Control Enter drücke, das gibt mir die Standardabweichung. Wir werden diese drei wichtigen Konzepte untersuchen, und es gibt ein weiteres wichtiges Konzept, das eine Normalverteilung ist. werden wir auch studieren. Lassen Sie uns zu einigen der linearen Algebra-Themen übergehen. Dass dies einige mathematische Konzepte sind, nämlich das Punktprodukt und die Multiplikation und Addition von Matrizen. Also lasst uns diese Gesundheit durchführen. Die erste Methode, die wir durchführen werden, besteht darin, die Transponierung einer Matrix zu berechnen. Im Grunde genommen erfordert dieser Kurs , dass Sie über Grundkenntnisse der Mathematik verfügen , nämlich Matrizen und Determinanten. Mal sehen, wie wir die Transponierung einer Matrix berechnen können . Dafür ist es sehr einfach. Ich kann einfach Matrix-Punkt-Kapital T. schreiben Wenn ich Control Enter drücken werde. Jetzt können Sie sehen, dass dies die Transponierung einer Matrix ist. Im Wesentlichen sieht man also , dass die Rollen hier zu Spalten geworden sind. Also war 123 tatsächlich eine Reihe in der Matrix hier. Dann wollen wir durch Armbrüste berechnen und Gesetz werden. Sie können sehen, dass es jetzt die Spalte 123 ist. So können wir die Transponierung einer Matrix berechnen. Lassen Sie uns fortfahren, wie die Determinante einer Matrix berechnet wird. Dies sind alle Konzepte von Grundkonzepten der linearen Algebra. Und dies ist die einzige Mathematik , die in Data Science erforderlich ist , nämlich Statistik, Wahrscheinlichkeit und lineare Algebra. Auch wenn Sie die Grundlagen dieser Konzepte kennen , können Sie loslegen. Mal sehen, wie wir die Determinante dieser Matrix berechnen können . Dafür verwenden wir hier die NumPy Library mit dieser Funktion. Also np dot LIN LG Funktion, die eigentlich eine Eigenschaft in Reihenfolge ist. Und dann werden wir DEP verwenden, um die Determinante dieser Matrix zu berechnen . Sie können sehen, dass die Determinante dieser Matrix dieser Hügel ist, np Punkt LIBNAME dot db. In Ordnung, also lasst uns weitermachen , wie man den Rang einer Matrix berechnet. Grundsätzlich wird der Rang als n minus eins berechnet, wobei n für das Ende steht, im Grunde für die Anzahl der Dimensionen steht. In Ordnung, fügt hinzu, Sie können sehen, dass dieser Bereich Theta-Emission war. Wenn ich also den Rang berechnen wollte, kann ich einfach tun, dass ich wieder die lineare NP-Punkt-Algebra verwenden muss. Dot LAN LG steht hier für lineare Algebra. Und da wir die linearen Algebra-Funktionen verwenden und hier bin ich genau wie Matrix-Unterstrich-Rang. Hier. Ich werde es mit der Matrix oder dem Dachboden versorgen. Hier kann man sehen, dass es aber der Rang dieser Matrix ist, oder? So können Sie den Rang dieser Matrizen berechnen. Wir wollen also auch zu einigen anderen wichtigen Funktionen übergehen. Werfen wir einen Blick darauf, wie die Eigenwerte und Eigenvektoren berechnet werden. Eigenwerte und Eigenvektoren sind ebenfalls wichtig. Hier werden Sie diese Funktionen häufiger in der Datenvorverarbeitungsaufgabe verwenden . Mal sehen, wie wir die Eigenwerte berechnen können. Grundsätzlich nehmen wir an, wir haben eine quadratische Matrix ein Wenn ich multipliziere, wenn ich ein Punktprodukt mit v mache , ist das gleich k, was die Eigenvektoren sind. Und wieder Punktprodukt mit v, das sind die Eigenwerte. Im Grunde genommen besteht der Zweck von Eigenvektoren darin, die Form der quadratischen Matrix und nicht die Richtung tatsächlich zu erhöhen . Also hier kann ich das sogar schreiben, dann wirst du es anwenden. Lineare Transformation. Eigenvektoren ändern sich, ändern die Form der NANDA-Richtung der Matrix. Okay, lasst uns sehen, wie wir diese beiden Werte berechnen können. Auch hier werden wir die Eigenwerte und Vektoren dieser Matrix berechnen , die wir in diesem gesamten Programm verwenden. Die erste Sache ist, wenn Sie die Eigenwerte berechnen möchten , definieren Sie hier zuerst Variablen. Definieren wir zwei Variablen, die Eigenwerte und Eigenvektoren sind. Wir haben eine Funktion, die beide zurückgibt, nämlich np dot linearer Algebra-Punkt Eigenvektor EEG, und wendet es mit dem Mutex an. Welche Funktion gibt die Eigenwerte und Eigenvektoren zurück und was wird hier gespeichert, oder? Versuchen wir also, diese Werte zu sehen, indem wir diese Werte hier ausdrucken , nämlich Eigenwerte. Und hier drucke ich die Eigenvektoren. Wenn ich Control Enter drücke, sehen Sie, dass dies die Eigenwerte sind. Dieses Loch, das Sie sehen können, ist ein Eigenvektor. Lassen Sie uns zu weiteren Funktionen übergehen. Mal sehen, wie wir können. Berechnen Sie das Punktprodukt. Dot-Produkt ist ebenfalls sehr wichtig. Mal sehen, wie wir das machen können. Zuallererst muss ich hier zwei Matrizen erstellen. Lassen Sie uns eine sehr einfache Matrix erstellen, 123. Und ich werde eine weitere Matrix erstellen, die Matrix zwei ist. Und das wird Werte für V6 haben. Jetzt möchte ich das Punktprodukt berechnen. Wenn ich also das Punktprodukt berechnen wollte, werde ich es tun. Zuallererst wird dies ein np-Punkt-Array sein. Dies wird auch nicht periodisch erfolgen. In Ordnung, wenn ich das jetzt ausdrucken wollte, muss ich die NP-Punkt-Punktfunktion verwenden. Also wird es hier eine dunkle Funktion haben. Und ich muss nur diese beiden Matrizen in dem Argument angeben diese beiden Matrizen in , das Matrix eins ist, Matrix Q. Sie können hier sehen, dass das Punktprodukt 3232 das Punktprodukt dieser beiden Matrizen hat . Denken Sie daran, dass Sie bei der Berechnung des Dotnet-Punkt-Produkts zuerst die linearen Algebra-Konzepte verstehen müssen die linearen Algebra-Konzepte wie Sie das Punktprodukt berechnen und wie Sie tatsächlich sicherstellen können, dass die Zeilen die Spalten dieser beiden stimmen überein oder nicht, oder? Dann können wir das Punktprodukt berechnen. Lassen Sie uns weitermachen, wie man zwei Arrays hinzufügt, was die Hinzufügung dieser Vektoren ist. Stimmt's? Also werden wir diese beiden Matrix eins nehmen , nur Matrix zwei. Wenn ich also die Druckmatrix eins mit der Funktion add schreibe eins mit der Funktion add und wir die Matrix eins hinzufügen möchten, Matrix zwei. Sie können sehen, dass wenn ich versuche, sie hinzuzufügen, ihre Werte die entsprechenden Werte sind , die hinzugefügt werden und in einem anderen Vektor gespeichert werden. Es ist um 79, also eins plus vier ist fünf, dann ist es die F7, dann haben wir neun. Wenn Sie die Subtraktion durchführen möchten, müssen Sie den gleichen Schritt ausführen. Sie müssen die NumPy np Dot-Produktfunktion drucken. Auch hier Lieferanten mit diesen beiden Werten, die Matrix eins sind. Matrix zwei. Sehen Sie noch einmal, wenn ich sie subtrahiere, gibt mir eins minus vier minus drei bis minus Pi minus drei. Und ähnlich minus V hier. So können wir die Subtraktion berechnen. Und mal sehen, wie wir die Multiplikation machen können. Dies ist Multiplikation, nicht das Punktprodukt. Also schreibe ich hier , dass dies nicht das Punktprodukt ist. Dies ist die Matrixmultiplikation. Sie werden hier sehen, was der Unterschied zwischen ihnen ist. Dafür werde ich das verwenden, dass wir zwei Matrizen multiplizieren können , indem ich einfach einen Status wie diesen verwende , und es wird diese beiden multiplizieren. Vier multipliziert mit eins sind vier, dann zehn, dann 181018 Jahre. Die Antwort hier. Dies ist also eigentlich die Multiplikation zweier Matrizen, die sich von dem Punktprodukt gegen Sie unterscheidet. Dieses Punkt-Produkt war eigentlich 32. Jetzt werden wir auch zu einigen anderen Funktionen übergehen. Hier fange ich damit an, wie man die Umkehrung einer Matrix berechnet. Um die Umkehrung einer Matrix zu berechnen, müssen wir erneut die lineare Algebra-Funktion verwenden. Und ich ende wir Funktion ist da. Ich muss es nur mit der Matrix versorgen. Wenn ich Control Enter drücke, können Sie sehen, dass es bewegt wird berechnen Sie einfach die Umkehrung dieser Matrix. Dies ist also die Verwendung der inversen INV-Funktion hier, die zur linearen Algebra-Eigenschaft gehört. Jetzt werden wir sehen, wie Zufallswerte generiert werden, was wiederum ein sehr wichtiges Konzept ist, wie wir mit NumPy Zufallswerte generieren können. Dafür erstelle ich ein sehr einfaches Programm, ein sehr einfaches Programm das tatsächlich fünf Zufallswerte herausfindet. Hier schreibe ich hier einen Kommentar. Lassen Sie mich die Fünf-Neuntel für Werte zwischen eins und zehn berechnen . Wenn ich fünf Zufallswerte zwischen eins und zehn berechnen wollte , schauen wir uns an, wie wir das machen können. Ich verwende die NP-Dot-Zufallsfunktion. Und, UND, und hier muss ich es mit drei Variablen liefern. Sie werden von 0 auf 11 gehen und ich will fünf Werte. Es wird also so sein. Sie können hier sehen, dass die fünf Zufallswerte von eins bis 10110 bis sechs durch diese Werte berechnet die fünf Zufallswerte von eins bis werden, und 011 sind davon ausgeschlossen. So können Sie also berechnen , dass dieser bekannte Wert ist. Eine interessante Sache hier ist, wenn Sie erneut die Eingabetaste drücken, werden diese Zufallswerte und dies wird sich ständig ändern. Um diese Konstante so zu gestalten, als ob Sie nicht möchten, dass sich die Zufallswerte jedes Mal ändern, können Sie eine sehr wichtige Sache verwenden die als Seed bekannt ist. Dafür können Sie die Funktion np dot random.seed verwenden. Hier. Sie können es mit einem versorgen, bei dem Sie die Größe nicht ändern möchten. Wenn ich also Control Enter drücke, ich immer wieder die Eingabetaste. Dieser Wert wird sich nicht ändern. Dies wird aufgrund dieser Obergrenze, die wir hier gemacht haben, konstant werden. Lasst uns nun zu einer anderen wichtigen Sache übergehen. Nehmen wir an, wir möchten aus der Normalverteilung einige Zufallswerte erzeugen . Normalverteilung ist ein weiteres wichtiges Konzept der Data Science, da es zum Status, den Statistiken und der Wahrscheinlichkeit gehört. Also werden wir das auch im nächsten Tutorial besprechen , dass ich diese Konzepte zur Statistik behandeln werde . Das x plus c, wie wir die Werte aus der Normalverteilung abrufen können . Dafür können wir tatsächlich die NP-Dot-Zufallspunkt-Normalfunktion verwenden . Und dann muss ich ihm einfach nur einen Wert geben. Geben wir ihm also einen Wert 1, der tatsächlich gemein sein wird. Also müssen wir ihm drei Parameter angeben. Der erste wird der Mittelwert sein, der zweite wird die Standardabweichung sein. Und die dritte sind die Zahlen, die Sie generieren möchten. 1 ist der Mittelwert, dann müssen wir 10 und Standardabweichung. Und die Nummer, die ich tun wollte, dann drücke ich Control Enter. Es nimmt diese zehn Zahlen automatisch aus der Normalverteilung des Mittelwerts des gegebenen Mittelwerts und der Standardabweichung auf. Im Grunde genommen sind dies alle wichtigen Funktionen dieser NumPy Bibliothek. Wir werden mehr von ihnen in der Säure aufdecken. Wir werden in diesem Kurs weitermachen. Das ist also im Grunde nicht das, was dieser faktorielle Abbruch beobachtet. 6. Statistiken für Datenwissenschaften!: Lassen Sie uns nun zum ersten Thema übergehen, das wir studieren werden , was ein Mittel ist. Wir haben Mittelwert, Standardabweichung, Waschverteilung und Varianz. Wir werden diese sehr wichtigen Themen behandeln und diese sind Menschen, die ihnen in Daten gegenüberstehen. Danke vielmals. Beginnen wir mit dem Mittelwert und versuchen wir zu verstehen, was die Bedeutung des Seins hat. Hier habe ich eine Grafik für ein Beispiel gezeichnet. Betrachten wir also ein sehr einfaches Beispiel. Betrachten wir, dass es ein Smartphone-Unternehmen gibt und dass das Unternehmen tatsächlich die Smartphones verkauft. Und aus schlechten Daten habe ich sieben Tage des Verkaufs abgeholt. Hier sehen Sie , dass ich in den Daten diese sieben Punkte darin habe. 151030 fünfundzwanzig, fünfundzwanzig, fünfundzwanzig. In diesem Diagramm sehen Sie auf dieser Achse habe ich die Tagesnummer, die 1234567 ist. Für wen haben wir diese Anzahl von Handys verkauft. Sie können am ersten Tag sehen, 15, ich werde am zweiten Tag Telefone verkauft und die Anzahl der Telefone wurde verkauft. Und ähnlich wurden für den dritten Tag 30 Nummer verkauft. Und so habe ich diese Standpunkte gezeichnet, diese blauen Punkte, die die Daten darstellen. Jetzt schauen wir uns an, wie man den Mittelwert berechnet. Mittelwert ist eigentlich der Durchschnitt dieser Werte. Wir können meinen berechnen, indem wir sie einfach starten und durch ID und Anzahl der Datenpunkte teilen , die wir haben, was in unserem Fall sieben sind. Hier sehen Sie, dass Sie bei der Berechnung 150 mal sieben erhalten , was 18,57 ist. Sie können hier eine rote Linie sehen , die dieses Diagramm durchläuft. Hier sehen Sie, dass dies absolut präsentierend ist, was 18,57 ist, und Sie können sehen, dass es zwischen 1520 liegt. Versuchen wir jetzt zu verstehen, was gemein ist. Die Bedeutung des Mittelwerts ist sehr einfach und gibt uns den Durchschnitt des Tagesdurchschnitts der letzten sieben Tage. Dies bedeutet, dass es tatsächlich 18,57 ist. Nehmen wir an, es ist ein absoluter Wert von 18. Es bedeutet tatsächlich, dass in den letzten sieben Tagen durchschnittlich 18 Telefone jeden Tag verkauft wurden . Dies ist eine sehr wichtige Information, denn manchmal ist das Unternehmen nicht daran interessiert, was passiert, wie viel Knochen an einem einzigen Tag verkauft werden, was sie wollten, sie wollten berechne den Mittelwert, den Durchschnitt. Hier sehen Sie, dass der Durchschnitt 18 beträgt. Wir können also sagen, dass durchschnittlich 18 Telefone in nur einer Woche jeden Tag verkauft wurden . Aber wenn Sie sich hier ansehen würden, gibt es eine interessante Information , die in diesem Diagramm fehlt. Dies bedeutet tatsächlich irreführend. Der Grund, warum es irreführend ist, ist, dass wir einem Datenpunkt ausgehen, der weit von dieser Linie entfernt ist, die weit von diesem Mittel entfernt ist. Was bedeutet, dass der Mittelwert höher wird, wenn ich den Mittelwert jetzt berechne. Dieser Wert von Fleisch wird zunehmen, und wenn er zunehmen wird, war der Intellektuelle ein Wert, der, nehmen wir an, dass der Wert auf 30 steigt. So wird es zeigen, dass praktisch jeden Tag total telefoniert, was überhaupt nicht stimmt. Ein Datenpunkt wird den Mittelwert tatsächlich falsch interpretieren. Da der Mittelwert falsch interpretiert wird, gibt es uns eine falsche und irreführende Information an das Unternehmen, dass jeden Tag 18 vierziger Jahre verkauft wurden, was nicht stimmte, weil es tatsächlich durchschnittlich war. Es war also wahr, dass du nicht virtuell angezogen hast. Wenn Sie sehen können, dass wenn wir solche Datenpunkte haben , die tatsächlich Anomalien in den Daten sind , dies tatsächlich falsch interpretieren kann und irreführend ist. Um diese irreführende Tatsache zu vermeiden, können wir diese Informationen tatsächlich verbessern. Wir können es viel mehr als verdünnend machen. Ich füge die Standardabweichung hinzu. Lassen Sie uns versuchen, ganz einfach gewollt zu verstehen, was ist eigentlich Standardabweichung? Standardabweichung ist also eigentlich die Entfernung und Entfernung ist eigentlich nur die Abweichung. Es ist eine Entfernung davon, wie weit die Punkte vom Mittelwert entfernt sind. Man sieht, dass man in den grünen Atomen sehen kann, dass dies die Entfernung ist, dieser Punkt stammt. Der Mittelwert. Die Standardabweichung sagt uns tatsächlich, wie weit alle diese Datenpunkte vom Mittelwert entfernt sind. Der Grund, warum wir dies tun, ist zu verstehen wie sehr diese Datenpunkte näher am Mittelwert liegen. Wenn ich sage, dass in den letzten sieben Tagen jeden Tag 18 Telefone verkauft werden . Und die Standardabweichung ist ebenfalls geringer. Bei dieser Standardabweichung ist geringer, bedeutet dies, dass die Entfernungen geringer sind. Dies bedeutet, dass die Datenpunkte näher am Durchschnitt liegen. Das wird eine gute Information sein. Wenn die Standardabweichung jedoch hoch ist, bedeutet dies, dass diese Punkte tatsächlich vom Mittelwert entfernt sind. Wenn sie vom Mittelwert entfernt sind, bedeutet das , dass sie vom Mittelwert abweichen. Und das könnte dem Unternehmen sagen , dass der Durchschnitt tatsächlich so schwarz war. Die Punkte, die tatsächlich eine große Abweichung haben würden , ist eine interessante Information , die dieser hinzugefügt werden kann. Lassen Sie uns verstehen, wie die Standardabweichung berechnet wird. Es ist sehr einfach. Wir müssen nur diese grünen Entfernungen berechnen. Sie können sehen, dass ich, wenn ich diese grüne Distanz bekommen wollte , nur diesen Wert von fünf mit dem Mittelwert subtrahieren muss. Wenn ich 18 von fünf subtrahiere, bekomme ich diese Region. Was ich tun werde, ist, dass ich für alle von ihnen rechnen werde. Und da es zwar nicht negativ ist, wollen wir das nicht, sind wir nicht an negativen Werten interessiert da die Standardabweichung tatsächlich eine Größe davon ist tatsächlich eine Größe davon wie viel diese Datenpunkte sind sind weg vom Mittelwert. Wir nehmen die Quadrate dieser Entfernungen. Da wir wollen, stellt die Standardabweichung die Abweichung aller Punkte dar, die wir zusammenfassen, und wir werden sie so anzeigen. Und der Zähler. Wiederum, siehe 130 mal sieben, ich habe es von hier genommen, was der Mittelwert ist. Verwenden Sie keinen Indian Point 57, da die Berechnungen zu einem Großteil ihrer Haare werden. Wenn Sie 130 mal sieben verwenden, müssen Sie es nur von 15 subtrahieren. Sie können in die Ferne gehen und wir werden all diese Entfernungen so eingrenzen. Und dann addieren wir sie. Und schließlich werden wir es durch die Anzahl der Datenpunkte teilen , die wir haben. Wir haben sieben Datenpunkte zur Berechnung. Wenn Sie diesen ganzen Wert berechnen, erhalten Sie einen Wert von 69,357, der hier ist. Da wir das Quadrat dieser Zahlen gemacht haben, müssen wir das benachrichtigen. Dafür werden wir die Quadratwurzel benutzen. Nachdem ich die Quadratwurzel erhalten habe, erhalte ich diesen Wert , der 8,32 ist, und das ist eigentlich die Standardabweichung. 8.32 ist die Standardabweichung dieses Graphen. Versuchen wir zu verstehen, was diese Informationen sind und wie sie die Informationen verbessern werden. Also 8.32, was haben wir vorgestellt? Ist das bedeutet, dass 1818 Telefone in den letzten sieben Tagen durchschnittlich jeden Tag verkauft wurden . Aber es gab eine Abweichung von acht Punkten. Ich schreibe hier plus acht Punkte. Eigentlich waren das 8,32. Ich muss schreiben, dass es eine Abweichung von 8,32 gab, oder wir können sagen, dass es eine Abweichung von acht Knochen gab. Da diese Abweichung plus acht und minus acht oder so sein kann , muss ich sie plus minus acht schreiben. Stimmt's? Das sind keine sehr guten Informationen. Aus diesen Informationen wird eine Person wissen, dass ja, 18 Telefone verkauft wurden durchschnittlich 18 Telefone verkauft wurden und die Standardabweichung acht betrug, oder? Es gab also keinen Anstieg und Rückgang Verkäufe an einem einzigen Tag, oder? Wenn also die Standardabweichung niedriger ist, ist dies das Gute, weil dies bedeutet, dass diese Werte tatsächlich näher an dieser Linie liegen, nämlich der roten Linie, die der Mittelwert ist. Und wenn sie näher sind, bedeutet das, dass der Wert , den wir hier erhalten tatsächlich nahe am Durchschnitt liegt. Und die Informationen werden viel besser sein, weil 18 Punkte verkauft werden könnten und es gibt minus dxy ein oder zwei Zellen, was egal ist. So berechnen wir die Standardabweichung. Und das ist die Bedeutung der Standardabweichung, weil sie diese Informationen vervollständigt und zu diesen Informationen hinzufügt , dass es eine Erhöhung oder Dekrement dieses großen Wertes geben wird eine Erhöhung oder Dekrement innerhalb dieses Durchschnitts werden durchschnittlich 18 Volt jeden Tag verkauft, aber es könnte zu einem Anstieg oder Grad von maximal acht Punkten kommen. Lasst uns nun zum zweiten übergehen. Die dritte, nämlich die Varianz. Jetzt haben wir hier die Quadratwurzel dieses Wertes hierher migriert . Wenn Sie dies nicht haben, wird dieser Wert als Varianz bezeichnet. Hier sieht man also, dass dies Lydier sind. 69.387 sind also Millionen. Was bedeutet „Abweichung“? Diese Varianz ist auch die Summe der Entfernungen aller dieser Datenpunkte vom Mittelwert. Was passiert also, wenn die Varianz geringer ist? Lasst uns also verstehen , was passiert wenn Abweichung Lektion ist. Wir wollen auch verstehen, was dieser Wert bedeutet? Was passiert, wenn die Varianz hoch ist? Wenn die Varianz geringer ist? Wenn es niedriger ist, bedeutet dies, dass die Entfernungen dieses Punktes vom Mittelwert tatsächlich niedriger sind. Weil niedriger es bedeutet, dass diese Punkte sehr nahe am Mittelwert liegen. Sie sind näher am Mittelwert. Hier kann ich schreiben, dass die Messwerte gesenkt werden. Es bedeutet, dass die Punkte mir nahe liegen. Das ist Distanz. Wenn es niedriger ist, bedeutet dies, dass sie dem Mittelwert sehr nahe kommen. Was passiert, wenn die Varianz hoch ist? Wenn die Varianz hoch ist, ist es grundsätzlich aufgrund dieser Entfernungen sehr hoch. Diese Unterschiede waren sehr hoch. Wenn diese Entfernungen also sehr hoch sind, bedeutet dies, dass die Punkte sehr weit von diesem Mittel entfernt sind. Wir haben hier den Mittelwert und die Punkte sind verstreut. Ihr Startup bedeutet, dass es weit davon entfernt ist. Lassen Sie uns nun sehen, wie wir diese beiden wichtigen Dinge über Varianz nutzen können , um sie tatsächlich in Data Science oder Machine Learning anzuwenden. Im maschinellen Lernen gibt es ein Konzept, das als Clustering bekannt ist. Und um zu gruppieren, was wir tun, ist, dass wir versuchen, Gruppen innerhalb einer Daten zu bilden. Was ich hier machen werde, ist, dass ich hier eine sehr einfache Grafik zeichnen werde. Betrachten wir, dass wir hier diese Punkte haben , die schwarz markiert sind. Und dann haben wir diese Gedanken. Micelle war vielleicht fällig, oder? Wir haben also diesen ganzen Datensatz, aber wir haben Margaret in zwei verschiedenen Gruppen oder Clustern. Was ich tun kann, ist, dass die Varianz gesenkt wird. Das bedeutet, dass die Werte näher liegen. Die Varianz ist hoch, dann bedeutet dies, dass die Werte weit vom Mittelwert entfernt sind. Um innerhalb unserer Daten Cluster oder Gruppen zu bilden, gibt es zwei Bedingungen. Die erste Bedingung ist, dass die Datenelemente innerhalb einer Gruppe , wenn Sie diese Gruppe betrachten, innerhalb der Gruppe näher beieinander liegen sollten. Sie müssen näher beieinander sein. Und wie können wir sicherstellen, dass sie näher beieinander liegen, indem die Varianz berechnen , die sie näher sind. Wenn Sie dies sehen, müssen wir, wenn wir diese Schleife erstellen möchten, sicherstellen, dass diese Elemente sehr nahe beieinander liegen. Dies war die erste Bedingung, dass die Elemente, die Elemente einer Gruppe innerhalb einer Gruppe näher sein sollten. Dies war die erste Bedingung. Wir wissen, dass wir dafür den Alias verwenden können. Es gibt auch eine zweite Bedingung. Die zweite Bedingung besagt, dass wenn Sie Gruppen bilden möchten, zuerst darin bestand, sicherzustellen, dass die Elemente einer Gruppe nahe beieinander liegen. Zweitens sollte sichergestellt werden , dass die Werte dieser Gruppe und dieser Gruppe weit voneinander entfernt sind. In Ordnung, diese Werte sollten also weit voneinander entfernt sein. Und es ist sinnvoll , weil wir sicherstellen wollten , dass die Gruppen näher sind. Sie wussten nicht, dass innerhalb einer Gruppe der Datenpunkt näher sein sollte. Daher bilden sie einen Cluster. Aber wir wollen auch sicherstellen , dass sie weit voneinander entfernt sind, dann können wir nur zwischen diesen beiden Gruppen unterscheiden. Wir können dieses Varianzkonzept verwenden, um diese Gruppierung innerhalb eines Datensatzes sicherzustellen. Und das ist sehr wichtig und es wird nur verstanden werden , wenn Sie wissen, wie die Varianz, wenn Sie die Varianz erhöhen, weit vom Mittelwert entfernt sein wird und die Punkte weit voneinander entfernt sind. Das ist eine Sache. Lassen Sie mich nun zum letzten und sehr wichtigen Konzept übergehen, das als normale und Gaußsche Verteilung bekannt ist . Dafür werde ich dieses Diagramm zuerst hier entfernen. Okay, also lasst uns versuchen zu verstehen, was die normale Gaußsche Verteilung ist. Bevor wir dies verstehen, müssen wir verstehen, was die Verteilung bedeutet. sehr einfaches Beispiel für den Vertrieb ist, sagen wir , ich habe zehn Pralinen und es gibt Funktionen. Und was ich tun kann ist, dass ich diese 10 Dollar tatsächlich an sie verteilen kann . Und das wird eigentlich als Distribution bezeichnet. Dies ist die einfache englische Bedeutung der Verteilung, genauso wie hier. Auch im Vertrieb haben wir versucht, das x zu verteilen, das sind die Eingaben. Machen Sie etwas Umlagerung. Wir rufen als y zu den Outputs auf. Im Bereich. Nehmen wir an, wir haben einen Bereich von 0 zu eins. Ich habe diese Datenpunkte und verteile diese Datenpunkte innerhalb dieser Bereiche, indem ich diese Datenpunkte innerhalb dieser Bereiche sie plotte, oder? Dafür brauche ich eine Funktion f von x, die das tatsächlich umgekehrt ist. Und es wird sicherstellen, dass diese Eingaben zwischen diesen beiden liegen , nämlich dieser Bereich. Dies ist nur ein Beispiel, um zu erklären, was Verteilung ist. Wenn wir also die Elemente verteilen wollen, verwenden wir verschiedene Arten von Distributionen. Wenn die Ausgabe, die der Bereich ist, wenn es sich um die Provabilität handelt, als Wahrscheinlichkeitsverteilung bezeichnet wird. Lasst uns jetzt verstehen, was eine Gaußsche Verteilung ist. Gaußsche Verteilung wird auch als Normalverteilung bezeichnet. Und wir müssen es tatsächlich anhand eines Graphen verstehen. Dieser Graph hat bei, dass ich zeichnen werde, ist eigentlich eine Darstellung dieser Funktion hier , die ich dort habe. Sie können sehen, dass dieses f von x eins geteilt durch alles, unter der Wurzel von zwei Pi e auf die Leistung minus die Hälfte, x minus Mittelwert und Standardabweichung ganzes Quadrat erhöht . Dies ist also eine Funktion, die die Warnverteilung darstellt. Und hier sehen Sie dieses Symbol, das Rho ist. Dies stellt die Standardabweichung dar. Dieser Wert, der mu ist, repräsentiert den Mittelwert. Hier haben wir die Standardabweichung und hier haben wir den Mittelwert. Wenn wir also Mittel- und Standardabweichung haben, können wir die Gaußsche Verteilung verwenden. Dieses x hier repräsentiert die Datenpunkte, die wir haben. Wenn ich also die Datenpunkte hier an das x gebe, wird es mir geben und es wird die Eingabe tatsächlich über einen bestimmten Bereich verteilen. Was auch immer der Wert ist , den mir diese Funktion f x geben wird, ich werde ihn plotten. Und hippe Hände, es ist eigentlich in einem Bereich, den wir es als Outputs nennen, oder? Lasst uns nun verstehen, welche Schritte zum Erstellen des Graphen der Normalverteilung sind, der das Diagramm dieser Funktion ist. Der erste Schritt besteht darin, tatsächlich einen Wert zu markieren, der sich in der Mitte dieser Achse befindet. Und dieser Wert wird der Mittelwert sein. So ist 18,57 der Mittelwert. Der Einfachheit halber gebe ich nachmittags nur den absoluten Wert an. Das ist eigentlich der Mittelwert hier. Ich werde Mu benutzen, um das zu vertreten, richtig? Der zweite Schritt besteht darin, hier mehr Marker zu erstellen, indem die Standardabweichung addiert und subtrahiert wird. Wie kann ich das machen? Die Standardabweichung beträgt 8,32. Und wieder nehme ich den absoluten Wert von acht an. Wenn ich es dazu hinzufüge. Hier bekomme ich wann D6. Wenn ich acht davon subtrahiere, bekomme ich einen Wert von zehn. Diese ist eigentlich die Standardabweichung, die durch Rho repräsentiert wird. Und Rho ist gleich acht. In unserem Fall nehme ich den absoluten Wert. Dies ist der erste Schritt. Dies wird eigentlich als das erste bezeichnet. Eine Standardabweichung. Der dritte Schritt besteht nun darin, die Gesamt - und die zweite Standardabweichung zu berechnen . Und es ist auch einfach. Wir müssen nur die Standardabweichung zu dieser Zahl hinzufügen . 26 plus acht sind tatsächlich gleich 34. Hier haben wir eine NAD und ich muss das Gleiche hier machen. Ich muss den Wert von acht von diesen zehn subtrahieren, und dann wird der Wert fällig sein. Also weiter, wir können es in dieser Grafik so machen. Dies war die erste Standardabweichung. Man sieht, dass diese hier die erste Standardabweichung war. Dieser ist der zweite. Ebenso können wir hier viel mehr Standardabweichungen erzeugen viel mehr Standardabweichungen , indem wir einfach die Standardabweichung zum Mittelwert hinzufügen. stellt sich also die Frage, was versuchen wir mit diesem Diagramm zu machen? Was ist das Motiv dieses Graphen und was werden wir in der Data Science verwenden . Gehen wir nun zu unserem Beispiel zurück. In unserem Beispiel haben wir festgestellt , dass die Anzahl der Verkäufe im Durchschnitt 18 betrug und es zu einem Anstieg oder Dekrement von acht Mobiltelefonen kam . Hier. Wenn ich versuche, dies zu zeichnen, wenn Sie hier sehen können, haben wir eine gemeine und Standardabweichung. Was wir tun wollen, ist zu analysieren, dass, wenn die Standardabweichung zunehmen wird, wenn die Standardabweichung zunehmen wird, wie stark sie sich auf die Punkte auswirken wird. die Auswirkung auf diese Datenpunkte aus, wenn ich die Standardabweichung erhöht Wie wirkt sich die Auswirkung auf diese Datenpunkte aus, wenn ich die Standardabweichung erhöht? Werden sie dem gemeinen näher kommen oder sie werden weit vom Mittelwert entfernt sein. Was wir tun, ist, dass wir das tatsächlich planen. Wir nehmen den Mittelwert und nehmen die Standardabweichung und diese Punkte, die wir dieser Funktion zur Verfügung gestellt haben. Und es wird beobachtet, dass Sie, wenn Sie diese Funktion angeben , ein Diagramm wie dieses erhalten. Der vierte Schritt besteht darin, den Graphen dafür tatsächlich zu zeichnen. Dies ist die Y-Achse. Diese Y-Achse repräsentiert einen niedrigen und einen hohen Wert. Hier sehen wir also eine weniger wahrscheinliche Situation. Und hier sehen wir eine hochwahrscheinliche Situation. Im Grunde bedeutet es also , dass, wenn der Wert dieser Funktion fx Höhe ist, wenn er höher ist, dies bedeutet, dass der Punkt sehr wahrscheinlich näher am Mittelwert liegt. Der springende Punkt ist also, dass wir sicherstellen wollen, dass wir aus diesem Diagramm verstehen wollen, wie die Datenpunkte vom Mittelwert abweichen. Kommen sie dem Mittelwert näher oder gehen sie weit zum Mittelwert für diese Grafik, wird es helfen. Zeichnen wir nun diese Grafik. 18 ist also der Mittelwert. Also ziehe ich hier einfach eine gepunktete Linie. Wenn Sie nun versuchen, dieses Diagramm zu zeichnen, ist dies die erste Abweichung. Also ziehe ich hier eine weitere gepunktete Linie wie diese. Dies war also unsere erste Standardabweichung und das ist der Mittelwert. Versuchen wir nun, die Kohorteneffekte zu durchziehen , die hier sind. Es wird beobachtet, dass ein glockenförmiges Golf beobachtet wird . Es geht so. Wenn es die erste Standardabweichung berührt, beginnt sie zu steigen. Dein Schnee steigt so an. Und wenn es den Mittelwert erreicht, beginnt es so zu sinken. Und dann wird es so geschwärzt. Dies wird hier als glockenförmige Kurve bezeichnet, und dies ist das Ziel von f von x, was diese Funktion ist. Mal sehen, was die wichtigen Fakten zu diesem Zeug sind. Es wird beobachtet, dass, wenn Sie diese Eingaben, den Mittelwert und die Standardabweichung liefern , wenn wir diese Kurve erhalten, absorbiert wird, dass 34% aller Datenpunkte darin liegen werden wenn wir diese Kurve erhalten, absorbiert wird, dass 34% aller Datenpunkte darin liegen werden Region, die ich hier markiere. 34% werden sie und 34% der Linie in dieser anderen Hälfte liegen. Insgesamt werden 68% aller Datenpunkte innerhalb dieser ersten Standardabweichung liegen. Was heißt das? Das heißt, wenn ich diesen Wert von zehn nehme, bedeutet dies, dass, wenn die Anzahl der Verkäufe zwischen zehn und 26 lag, tatsächlich 68% Punkte vorhanden sind, die näher am Mittelwert liegen. Lassen Sie uns nun versuchen zu verstehen, was passieren wird , wenn ich hier einen Wert nehme, nehmen wir hier einen Wert an, der auf dem Mittelwert liegt. Der Wert liegt auf dem Mittelwert. Werfen wir einen Blick auf diese Formel. Wenn es 91 ist, hat der Mittelwert einen Wert, der dem Mittelwert entspricht, was 18,57 ist. Dieser Wert liegt hier bei 18,57 minus 18,57. Dies wird tatsächlich 0 werden. Und da es minus halb multipliziert mit 0 gibt, wird es 0 sein. Und dann haben wir hier auf die Macht 0 angehoben. Dieser ganze Wert ist gleich 0. E, die auf die Macht 0 angehoben wird, ist gleich eins. Was wir bekommen, ist nur fx gleich eins unter Root von zwei Pi, dann ist der Wert des Datenpunkts tatsächlich gleich dem Mittelwert. Der Wert von eins nach zwei Pi habe ich bereits berechnet. Es ist tatsächlich gleich 0,4, was hier eine Einschränkung ist. Ich kann hier tatsächlich schreiben, dass die Funktion f von x gleich 0,4 geteilt durch Standardabweichung ist. Sie können als Standardabweichung sehen. Und Sie können sehen, obwohl Funktionseffekte umgekehrt proportional zueinander sind. Da sind sie umgekehrt proportional zueinander. Der Wert der Standardabweichung wird steigen. Der Wert der Standardabweichung erhöht den Wert der Ethik, den wir abschließen werden. Sie können aus der Kurve sehen, wenn die Standardabweichung zunimmt der Graph sinkt. Dies ist hier ein wichtiger Punkt , dass wenn die Standardabweichung, die grundsätzlich sinnvoll ist, weil Standardabweichung tatsächlich der Abstand des Punktes vom Mittelwert ist. Sie werden diese Distanz erhöhen, dann wird es weniger wahrscheinlich, dass der Punkt näher am Mittelwert liegt. Das ist also, dass meine Dysfunktion einen niedrigeren Wert hat. Nehmen wir an, lasst uns versuchen, einen weiteren Graphen zu verstehen, was hier eine andere Sache ist, die sehr interessant ist. Nehmen wir also an, dass wir stattdessen eine Standardabweichung von zwei haben. Statt acht habe ich also eine Standardabweichung von zwei. Nehmen wir einfach an, dass der Wert zwei war. In diesem Fall. Wenn es zwei sind, wissen wir, dass es kleiner ist als dieser Fall. Das bedeutet, dass die Punkte viel näher am Mittelwert liegen. Versuchen wir also, dies in diesem Diagramm und Lexi darzustellen, ob unsere Logik , dass die Punkte näher am Mittelwert liegen, in der Grafik zutreffend ist oder nicht. Wir wissen, dass das Diagramm unter Zeichnungsschritten einfach ist. Wir müssen die Standardabweichung zum Mittelwert hinzufügen. Also hier werden 18 plus zwei 2018 minus zwei werden 16. Wenn ich jetzt zeichnen möchte, wird das Diagramm so aussehen und der Graph wird flach sein. Aber wenn es die volle Standardabweichung erreicht, nimmt er so zu. Aber jetzt ist die Frage, wird es tiefer gehen oder wird es höher gehen? Dieser Code, wird er tiefer gehen? Und dann runter? Oder wird es höher gehen? Und weiß es dann nicht? Die Antwort auf diese Frage ist die Logik selbst. Es gibt zwei Logiken , die dies erklären. Der erste ist, dass 68% der Punkte, die beobachtet werden , die es hier belegen wird. Wenn Sie dies also verkleinern würden, müssen Sie natürlich die Kurve erhöhen, um diese 68% -Werte zu berücksichtigen. Dies ist die erste Logik , auf die Sie schließen können. Die wichtigste Logik des gesunden Menschenverstandes ist, dass Sie, wenn Sie die Standardabweichung verringern, Grad die Standardabweichung haben. Das bedeutet, dass die Punkte näher am Mittelwert liegen. Wenn sie dem Mittelwert schon näher sind , werden sie höher werden. Es ist sehr wahrscheinlich. Es wird hervorgehoben, dass die Punkte näher am Mittelwert liegen. Dieser Wert wird so werden und er wird wieder sinken, die erste Standardabweichung, und wieder wird er flach werden. Hier geht es um diese wichtigen Themen und Sie werden diese wichtigen Konzepte im maschinellen Lernen verwenden. Sie werden Varianz und maschinelles Lernen verwenden , um die Gruppen verstreut sind. Sie werden Ihre Süßigkeiten-Regularisierung verwenden auch das Problem der Überanpassung untersucht. Im Grunde ist das alles für dieses Video. Danke fürs Zuschauen.