این یک برنامه ساده به نام مدیریت مالی شخصی است که به کاربران امکان می‌دهد درآمدها و هزینه‌های خود را ثبت و مدیریت کنند.
این برنامه از کتابخانه‌های pandas برای مدیریت داده‌ها و matplotlib برای ایجاد گزارش‌های تصویری استفاده می‌کند. در ادامه، توضیحات مربوط به کد آورده شده است:👇

#matplotlib | #pandas | learnpythonicy

✔️ تحلیل داده‌های فروش با Pandas

چرا این کد کاربردی‌ست؟
- آنالیز سریع فروش با محاسبه درآمد کل
- شناسایی پرفروش‌ترین محصولات با مرتب‌سازی
- قالب حرفه‌ای برای گزارش‌گیری

کاربردهای عملی:
1. گزارش‌گیری ماهانه فروش
2. تحلیل عملکرد محصولات
3. پیش‌بینی موجودی انبار

#pandas | @learnpythonicy

> *برای ذخیره خروجی به Excel: df.to_excel('sales_report.xlsx')*

✔️ طبقه‌بندي سرطان پستان با PCA و رگرسیون لجستیک

این کد در دو مرحله، طبقه‌بندی روی داده‌های سرطان پستان را انجام می‌دهد:

⤵️ مرحله اول
1. داده‌های سرطان پستان از sklearn بارگیری می‌شود.
2. داده‌ها به مجموعه‌های آموزش و آزمون تقسیم می‌شوند.
3. یک مدل رگرسیون لجستیک آموزش داده می‌شود.
4. دقت مدل روی داده‌های آموزش و آزمون محاسبه و چاپ می‌شود.

⤵️ مرحله دوم
1. همان داده‌ها با StandardScaler نرمال‌سازی می‌شوند.
2. با استفاده از PCA بعد داده‌ها به 2 مولفه اصلی کاهش می‌یابد.
3. مجدداً داده‌ها تقسیم و مدل رگرسیون لجستیک آموزش داده می‌شود.
4. دقت مدل جدید محاسبه و چاپ می‌شود.

هدف مقایسه عملکرد مدل قبل و بعد از کاهش ابعاد با PCA است. این کد معمولاً برای نمایش تأثیر پیش‌پردازش داده و کاهش ابعاد بر عملکرد مدل‌های یادگیری ماشین استفاده می‌شود.

👇کد در کامنت

#pandas | #sklearn | #load_breast_cancer | @LearnPythonIcy

✔️ پیش‌بینی قیمت خانه با استفاده از رگرسیون خطی در پایتون

در این پروژه:
🌻 داده‌های مربوط به متراژ، تعداد اتاق، پارکینگ، انباری، آسانسور و آدرس بررسی شده
🌻 داده‌ها پیش‌پردازش شدن
🌻 مدل آموزش دیده و ارزیابی شده (با MSE و R²)

👈 یه مثال ساده و کاربردی برای یادگیری رگرسیون در یادگیری ماشین

📎 سورس کامل پروژه در گیت‌هاب:
https://github.com/ArefehKabiri/housePrice/tree/main

#sklearn | #pandas | #LinearRegression | @LearnPythonIcy

✔️ اگه تازه‌کاری تو یادگیری ماشین یا می‌خوای Logistic Regression رو عملی یاد بگیری، این پروژه رو از دست نده.

🌼 دیتا پیش‌پردازش شده
🌼 مدل آموزش دیده
🌼 نتایج ارزیابی شده

📎 سورس کامل پروژه در گیت‌هاب:
https://github.com/ArefehKabiri/titanicLogisticRegression/tree/main

#sklearn | #pandas | #LogisticRegression | @LearnPythonIcy

✔️ خلاصه‌ای از مهم‌ترین دستورات Pandas برای شروع تحلیل داده.
با یادگیری این‌ها، اولین قدم جدی‌تان در Data Analysis برداشته می‌شود. 🚀

#pandas | #Cheat_Sheet

☀️@LearnPythonIcy

✔️ مدیریت فایل‌ها در پایتون با ۷ روش حرفه‌ای!

برای کار با فایل‌ها در پایتون، این تکنیک‌های کاربردی را امتحان کنید:

1️⃣ باز کردن و خواندن فایل

with open('file.txt', 'r') as f:
    content = f.read()
print(content)

2️⃣ نوشتن در فایل

with open('file.txt', 'w') as f:
    f.write("سلام دنیا!")

3️⃣ افزودن به فایل

with open('file.txt', 'a') as f:
    f.write("\nخط جدید")

4️⃣ خواندن خط به خط

with open('file.txt', 'r') as f:
    for line in f:
        print(line.strip())

5️⃣ بررسی وجود فایل

import os
print(os.path.exists('file.txt'))  # True یا False

6️⃣ حذف فایل

import os
os.remove('file.txt')

7️⃣ مدیریت مسیرها با pathlib

from pathlib import Path
path = Path('file.txt')
print(path.exists())
print(path.read_text())

🗝 روش ویژه: خواندن و نوشتن فایل‌های CSV با pandas

import pandas as pd
df = pd.read_csv('data.csv')
print(df.head())
df.to_csv('output.csv', index=False)

نکات طلایی

* همیشه از with برای مدیریت فایل استفاده کنید
* برای مسیرهای پیچیده از pathlib کمک بگیرید
* برای داده‌های جدولی از pandas بهره ببرید

#PythonMagic | #FileHandling | #pathlib | #pandas | @learnpythonic

> *برای ذخیره‌سازی، تحلیل داده و اتوماسیون کاربرد دارد*

بر اساس فایل sales_raw.csv، جواب چالش به این شکل میشود:
🐍 Day 18.
Data Cleaning & Data Preparation Result
📂 Dataset Analysis
ابتدا فایل sales_raw.csv با استفاده از Pandas خوانده شد.

import pandas as pd

df = pd.read_csv("sales_raw.csv")

Dataset Size:

Original rows: 15,150
Columns: 9

🔍 Data Quality Check
1. Missing Values
بررسی مقادیر خالی:

Region: 2510
Price: 23

2. Duplicate Rows
تعداد ردیف‌های تکراری:

Duplicate rows: 150

3. Data Type Check
قبل از پاکسازی:

Date      object
Price     float64
Quantity  int64
Revenue   int64

ستون Date نیاز به تبدیل به فرمت استاندارد تاریخ داشت.
🧹 Data Cleaning Process
حذف داده‌های تکراری:

df = df.drop_duplicates()

نتیجه:

Removed duplicates: 150 rows

تبدیل تاریخ:

df["Date"] = pd.to_datetime(
    df["Date"],
    errors="coerce"
)

تاریخ‌های نامعتبر:

Invalid dates: 10

حذف رکوردهای ناقص:
رکوردهایی که اطلاعات ضروری مثل:
Price
Region
Date
را نداشتند حذف شدند.
ساخت ستون Revenue:

df["Revenue"] = df["Quantity"] * df["Price"]

✅ Final Result
قبل از پاکسازی:

Rows: 15,150

بعد از پاکسازی:

Clean rows: 12,482

Missing values:

0

Duplicate rows:

0

💡 Key Learning
داده خام همیشه قابل استفاده برای Machine Learning نیست.
قبل از ساخت هر مدل AI باید:
Collect → Clean → Prepare → Train
را انجام دهیم.
یک مدل قوی با داده ضعیف نمی‌تواند نتیجه خوبی بدهد.

#Pandas #DataCleaning #DataScience #MachineLearning

✅ پاسخ چالش روز نوزدهم آماده شد!

در این تمرین با استفاده از Pandas، دیتاست فروش را تحلیل کردیم و موارد زیر را به دست آوردیم:

🔹 پرفروش‌ترین محصول
🔹 بهترین منطقه از نظر فروش
🔹 ماه با بیشترین درآمد
🔹 میانگین ارزش سفارش‌ها
🔹 نرخ رشد فروش ماهانه

در بخش Bonus نیز نمودارهای روند فروش، مقایسه دسته‌بندی محصولات و عملکرد مناطق با Plotly رسم شده‌اند. 📊

📎 فایل کامل پاسخ و کد اجرایی در ادامه ارسال شده است.

https://t.me/learnpythonicy

#DataAnalysis #Pandas #EDA

🔥 چالش ۳۰ روزه Python for AI
#Day20
🎯 موضوع: ساخت داشبورد فروش با Streamlit
📝 صورت مسئله:
در چالش امروز باید نتایج تحلیل داده‌های فروش را به یک داشبورد تعاملی تبدیل کنید.
از فایل زیر استفاده کنید: sales_cleaned.csv

این فایل خروجی چالش روز هجدهم است و شامل اطلاعات سفارش‌ها، محصولات، مشتریان، مناطق و درآمد فروش است.
برنامه شما باید با استفاده از Streamlit یک داشبورد فروش بسازد.

📌 بخش اول: KPI Cards
در بالای داشبورد شاخص‌های زیر را نمایش دهید:
✅ Total Revenue
مجموع درآمد فروش
✅ Total Orders
تعداد کل سفارش‌ها
✅ Total Customers
تعداد مشتریان منحصربه‌فرد
✅ Sales Growth
درصد رشد فروش نسبت به ماه قبل

📌 بخش دوم: نمودارها
داشبورد باید نمودارهای زیر را داشته باشد:
📈 Monthly Revenue
نمایش روند درآمد ماهانه
📊 Top Products
نمایش محصولات برتر بر اساس درآمد یا تعداد فروش
🌍 Region Performance
مقایسه درآمد مناطق مختلف
🗂 Category Comparison
مقایسه دسته‌بندی محصولات
📌 بخش سوم: فیلترهای تعاملی
کاربر بتواند اطلاعات داشبورد را بر اساس موارد زیر فیلتر کند:
✅ بازه زمانی
✅ منطقه
✅ دسته‌بندی محصول
با تغییر فیلترها، شاخص‌ها و نمودارها نیز باید به‌روزرسانی شوند.

🎯 Bonus Challenge
موارد زیر را نیز به داشبورد اضافه کنید:
⭐️ نمایش پرفروش‌ترین محصول
⭐️ نمایش بهترین منطقه
⭐️ نمایش Average Order Value
⭐️ امکان دانلود داده‌های فیلترشده به‌صورت CSV
⭐️ طراحی حرفه‌ای داشبورد با ستون‌بندی و رنگ‌بندی مناسب

📁 نام پیشنهادی فایل:
Day20_Sales_Dashboard.py
▶️ اجرای برنامه:
streamlit run Day20_Sales_Dashboard.py
📋 هدف امروز:
تبدیل تحلیل داده به یک برنامه تعاملی و قابل استفاده؛ مهارتی که در پروژه‌های واقعی Data Science و ساخت Portfolio بسیار مهم است.

راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot

🔥 عضویت در چالش:
https://t.me/learnpythonicy
#Python #Streamlit #DataScience #Dashboard #Pandas #Plotly #PythonForAI #Day20