دوره مقدمه‌ای بر کتابخانه Pandas برای تحلیل داده در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر کتابخانه Pandas برای تحلیل داده در پایتون

موضوع کلی: علوم کامپیوتر و تحلیل داده

موضوع میانی: ابزارهای تحلیل داده با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده با پایتون
• 2. نصب و راه‌اندازی محیط تحلیل داده
• 3. آشنایی با ساختارهای داده در پایتون
• 4. مفهوم سری (Series) در Pandas
• 5. ساخت سری از لیست‌ها و آرایه‌ها
• 6. شاخص‌گذاری و انتخاب داده در سری
• 7. عملیات ریاضی روی سری
• 8. آشنایی با دیتافریم (DataFrame)
• 9. ساخت دیتافریم از دیکشنری‌ها
• 10. ساخت دیتافریم از لیست دیکشنری‌ها
• 11. ساخت دیتافریم از آرایه‌های NumPy
• 12. شاخص‌گذاری و انتخاب ستون در دیتافریم
• 13. انتخاب سطر در دیتافریم
• 14. انتخاب همزمان سطر و ستون
• 15. فیلتر کردن داده‌ها در دیتافریم
• 16. شرایط منطقی برای فیلتر کردن
• 17. استفاده از عملگرهای منطقی در فیلتر
• 18. انتخاب داده بر اساس برچسب (Label)
• 19. انتخاب داده بر اساس موقعیت (Position)
• 20. عملیات پایه روی دیتافریم
• 21. جمع و میانگین ستون‌ها
• 22. حداقل و حداکثر مقادیر
• 23. مدیریت مقادیر گمشده (Missing Values)
• 24. شناسایی مقادیر گمشده
• 25. حذف مقادیر گمشده
• 26. جایگزینی مقادیر گمشده
• 27. پر کردن مقادیر گمشده با میانگین
• 28. پر کردن مقادیر گمشده با مقدار ثابت
• 29. بارگذاری داده‌ها از فایل‌های CSV
• 30. بارگذاری داده‌ها از فایل‌های Excel
• 31. ذخیره‌سازی داده‌ها در فایل CSV
• 32. ذخیره‌سازی داده‌ها در فایل Excel
• 33. مقدمه‌ای بر عملیات تجمیع (Aggregation)
• 34. محاسبه مجموع هر گروه
• 35. محاسبه میانگین هر گروه
• 36. محاسبه تعداد هر گروه
• 37. توابع تجمیع سفارشی
• 38. مرتب‌سازی داده‌ها در دیتافریم
• 39. مرتب‌سازی بر اساس مقادیر
• 40. مرتب‌سازی بر اساس شاخص
• 41. توابع String در Pandas
• 42. عملیات روی رشته‌ها
• 43. جستجو و جایگزینی در رشته‌ها
• 44. کار با تاریخ و زمان
• 45. تبدیل به نوع داده تاریخ و زمان
• 46. استخراج اجزای تاریخ و زمان
• 47. محاسبات زمانی
• 48. مقدمه‌ای بر ادغام (Merge) دیتافریم‌ها
• 49. ادغام داخلی (Inner Merge)
• 50. ادغام خارجی (Outer Merge)
• 51. ادغام سمت چپ (Left Merge)
• 52. ادغام سمت راست (Right Merge)
• 53. الحاق (Concatenate) دیتافریم‌ها
• 54. الحاق سطری
• 55. الحاق ستونی
• 56. توابع کاربردی NumPy در Pandas
• 57. استفاده از توابع ریاضی NumPy
• 58. عملیات برداری با NumPy
• 59. مقدمه‌ای بر Plotting با Matplotlib
• 60. رسم نمودار خطی
• 61. رسم نمودار میله‌ای
• 62. رسم نمودار پراکندگی
• 63. تنظیمات اولیه نمودار
• 64. کار با داده‌های واقعی (مثال عملی)
• 65. تحلیل داده‌های فروش
• 66. تحلیل داده‌های مشتریان
• 67. تحلیل داده‌های مالی (چارچوب مجاز)
• 68. مقدمه‌ای بر تحلیل سری‌های زمانی
• 69. کار با داده‌های آب و هوایی
• 70. کار با داده‌های اقتصادی (چارچوب مجاز)
• 71. استفاده از GroupBy برای تحلیل عمیق‌تر
• 72. تجمیع‌های چندگانه با GroupBy
• 73. کار با توابع Apply
• 74. اعمال توابع سفارشی روی گروه‌ها
• 75. مقدمه‌ای بر Pivot Tables
• 76. ساخت Pivot Table ساده
• 77. تنظیمات پیشرفته Pivot Table
• 78. کار با داده‌های متنی (محدود)
• 79. پردازش اولیه متن (چارچوب مجاز)
• 80. فیلتر کردن داده‌های متنی
• 81. مقدمه‌ای بر بهینه‌سازی عملکرد
• 82. نکات کلیدی برای سرعت بالا
• 83. استفاده از Indexing بهینه
• 84. کار با انواع داده مناسب
• 85. مقدمه‌ای بر Data Wrangling
• 86. پاکسازی داده‌ها
• 87. استانداردسازی داده‌ها
• 88. تبدیل داده‌ها
• 89. مقدمه‌ای بر Data Visualization (با ابزارهای مجاز)
• 90. نمودارهای آماری مناسب
• 91. تفسیر نمودارها
• 92. جمع‌بندی و گام‌های بعدی
• 93. تمرینات عملی پیشرفته
• 94. پروژه‌های کوچک تحلیل داده
• 95. کار با کتابخانه‌های مرتبط (محدود)
• 96. نکات پایانی برای تحلیل‌گر داده