Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Python kao najbolji alat za Data Scientist-a #002
1. Python kao najbolji alat
za Data Scientist-a
http://datahacker.rs/blog-002-podaci-u-pythonu-biblioteka-
numpy/
2. datahacker.rs
Python vs. R
dataHacker : Python
Zašto Python?
▪ Python je popularniji od R-a
▪ Python je lider u Data Science-u i Machine Learning-u
▪ Pogledaj samo trend na donjoj slici
http://datahacker.rs/
3. datahacker.rs
Anaconda
Hajde da počnemo...
Preporučujemo da koristiš Anacondu, koju možeš preuzeti sa
sledećeg linka: https://www.anaconda.com/download/
Anaconda ima više od 6 miliona korisnika i sadrži 250 popularnih
Data Science paketa.
Zašto Anaconda?
Klikom na dugme
“Launch”, otvara
se Jupyter Notebook.
>> čita se “džupiter”
jupyter
5. datahacker.rs
Python biblioteke za
Data Science
1. NumPy (“Nam-paj”) Numerical Python - Visoko
optimizovan za rad sa numeričkim vektorima /
nizovima i matricama. http://www.numpy.org/
2. SciPy (“Sci-paj”) Science Python - Koristi NumPy
nizove i omogućava brza numerička izvršavanja
algoritama. https://www.scipy.org/scipylib/
3. Matplotlib – najpopularnija biblioteka za
vizualizaciju podataka, crtanje kvalitetnih grafikona
i dijagrama u Python-u. https://matplotlib.org/
9. datahacker.rs
Uvod u NumPy
Atributi niza
Nakon generisanja niza, možemo proveriti njegove atribute.
▪ ndim - dimenzija niza
▪ shape - oblik niza
▪ size - veličina niza
Rezultat dimenzije niza je 1, kao što smo i očekivali obzirom da se radi o
vektoru. Oblik niza je 6 i veličina niza je 6.
10. datahacker.rs
Uvod u NumPy
Preoblikovanje niza
reshape() metoda pravi matricu od niza. Od prethodno kreiranog 1D niza (6, ), možemo kreirati
matricu, tj. 2D.
Sada već znamo kako se proveravaju atributi, tako da možemo proverti atribute
naše matrice.
13. datahacker.rs
Uvod u NumPy
Plotovanje
Za kraj uvodnog dela o nizovima možemo nacrtati jednu jednostavnu funkciju. Za tu funkciju
koristićemo standardnu biblioteku matplotlib.
1. U ovom primeru kreiraćemo vremensku osu, kao promenljivu t. Prvo ćemo je inicijalzirati
kao numpy niz od 0 do 999, a tip elementa je float.
2. Ukoliko podelimo svaki od ovih brojeva sa 1000, dobićemo fino uzorkovanu osu od 0 do 1.
3. Za ovu vremensku osu, kreiramo i kosinusnu funkciju. Uz pomoć element-
wise procesiranja, svaki element niza t, automatski će biti iskorišćen za generisanje
vrednosti nove funkcije (niza) x.