اپلیکیشن اندرویدی فلش‌کارت آموزشی پردازش داده‌های جدولی با Pandas

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش داده‌های جدولی با Pandas

موضوع کلی: علوم داده و تحلیل هوشمند

موضوع میانی: تحلیل آماری و پردازش داده‌های ساختاریافته با پایتون

📋 سرفصل‌های دوره

• 1. آشنایی با کتابخانه Pandas و نصب آن
• 2. ساختن Dataframe از دیکشنری‌ها و لیست‌ها
• 3. خواندن داده‌ها از فایل‌های CSV
• 4. خواندن داده‌ها از فایل‌های Excel
• 5. بررسی و نمایش ساختار داده‌ها در Pandas
• 6. انتخاب و دسترسی به ستون‌های Dataframe
• 7. انتخاب و دسترسی به ردیف‌های Dataframe
• 8. فیلتر کردن داده‌ها بر اساس شرایط مختلف
• 9. مرتب‌سازی داده‌ها بر اساس یک یا چند ستون
• 10. اضافه کردن ستون جدید به Dataframe
• 11. حذف ستون‌ها و ردیف‌ها از Dataframe
• 12. تغییر نام ستون‌ها در Dataframe
• 13. مقادیر گمشده (NaN) و روش‌های برخورد با آن‌ها
• 14. جایگزینی مقادیر گمشده با مقادیر مشخص
• 15. حذف ردیف‌هایی که حاوی مقادیر گمشده هستند
• 16. تغییر نوع داده‌های ستون‌ها
• 17. عملیات ریاضی روی ستون‌های Dataframe
• 18. اعمال توابع سفارشی بر روی ستون‌ها
• 19. گروه‌بندی داده‌ها با استفاده از groupby()
• 20. محاسبه شاخص‌های آماری توصیفی (میانگین، میانه، انحراف معیار)
• 21. استفاده از توابع تجمیعی (aggregate functions)
• 22. ادغام (merge) دو Dataframe بر اساس ستون‌های مشترک
• 23. الحاق (concatenate) دو Dataframe به صورت عمودی یا افقی
• 24. Pivot کردن Dataframe
• 25. Unpivot کردن Dataframe
• 26. تغییر شکل Dataframe با استفاده از stack و unstack
• 27. کار با داده‌های سری زمانی (Time Series)
• 28. ایجاد اندیس زمانی (DatetimeIndex)
• 29. استخراج اطلاعات از اندیس زمانی
• 30. تغییر بازه زمانی داده‌ها
• 31. نمایش داده‌های سری زمانی
• 32. خواندن و نوشتن داده‌ها در پایگاه داده SQL
• 33. خواندن داده‌ها از فایل‌های JSON
• 34. خواندن داده‌ها از فایل‌های HTML
• 35. پاکسازی و آماده‌سازی داده‌ها (Data Cleaning)
• 36. استانداردسازی داده‌ها (Data Standardization)
• 37. نرمال‌سازی داده‌ها (Data Normalization)
• 38. تبدیل داده‌های دسته‌ای (Categorical Data) به عددی
• 39. تحلیل داده‌های متنی با Pandas
• 40. استفاده از Pandas برای تحلیل داده‌های بزرگ (Big Data)
• 41. بهینه‌سازی عملکرد Pandas با استفاده از vectorized operations
• 42. ایجاد گزارش‌های خلاصه با استفاده از Pandas
• 43. تجسم داده‌ها با استفاده از Pandas و Matplotlib
• 44. آشنایی با کتابخانه Seaborn برای تجسم داده‌ها
• 45. ذخیره Dataframe در فرمت‌های مختلف (CSV, Excel, JSON)