#NumPy cheat sheet for #datascience :

*Array Creation*

1. numpy.array() - Create an array from a list or other iterable.
2. numpy.zeros() - Create an array filled with zeros.
3. numpy.ones() - Create an array filled with ones.
4. numpy.empty() - Create an empty array.
5. numpy.arange() - Create an array with evenly spaced values.
6. numpy.linspace() - Create an array with evenly spaced values.

*Array Operations*

1. + - Element-wise addition.
2. - - Element-wise subtraction.
3. * - Element-wise multiplication.
4. / - Element-wise division.
5. ** - Element-wise exponentiation.
6. numpy.sum() - Sum of all elements.
7. numpy.mean() - Mean of all elements.
8. numpy.median() - Median of all elements.
9. numpy.std() - Standard deviation.
10. numpy.var() - Variance.

*Array Indexing*

ادامه در پست بعد👇

#cheat_sheet #Python
🆔 @Python4all_pro

#NumPy cheat sheet for #datascience :

*Array Creation*

1. numpy.array() - Create an array from a list or other iterable.
2. numpy.zeros() - Create an array filled with zeros.
3. numpy.ones() - Create an array filled with ones.
4. numpy.empty() - Create an empty array.
5. numpy.arange() - Create an array with evenly spaced values.
6. numpy.linspace() - Create an array with evenly spaced values.

*Array Operations*

1. + - Element-wise addition.
2. - - Element-wise subtraction.
3. * - Element-wise multiplication.
4. / - Element-wise division.
5. ** - Element-wise exponentiation.
6. numpy.sum() - Sum of all elements.
7. numpy.mean() - Mean of all elements.
8. numpy.median() - Median of all elements.
9. numpy.std() - Standard deviation.
10. numpy.var() - Variance.

*Array Indexing*

1. arr[i] - Access ith element.
2. arr[i:j] - Access slice from ith to jth element.
3. arr[i:j:k] - Access slice with step k.

*Array Reshaping*

1. arr.reshape() - Reshape array.
2. arr.flatten() - Flatten array.
3. arr.ravel() - Flatten array.

*Array Manipulation*

1. numpy.concatenate() - Concatenate arrays.
2. numpy.split() - Split array.
3. numpy.transpose() - Transpose array.
4. numpy.flip() - Flip array.

*Mathematical Functions*

1. numpy.sin() - Sine.
2. numpy.cos() - Cosine.
3. numpy.tan() - Tangent.
4. numpy.exp() - Exponential.
5. numpy.log() - Natural logarithm.

*Statistical Functions*

1. numpy.min() - Minimum value.
2. numpy.max() - Maximum value.
3. numpy.percentile() - Percentile.
4. numpy.quantile() - Quantile.

*Random Number Generation*

1. numpy.random.rand() - Random numbers.
2. numpy.random.normal() - Normal distribution.
3. numpy.random.uniform() - Uniform distribution.

*Linear Algebra*

1. numpy.dot() - Dot product.
2. numpy.matmul() - Matrix multiplication.
3. numpy.linalg.inv() - Matrix inverse.

#cheat_sheet #Python
🆔 @Python4all_pro

Auto copy paste using Python

#Python #DataScience
#MachineLearning #AI


🆔 @Python4all_pro

Download a File


#Python #DataScience
#MachineLearning #AI


🆔 @Python4all_pro

برای آشنایی با الگوریتم های ساده و پیچیده پایتون این ریپو را ببینید هر الگوریتمی بخواهید اینجا هست

https://github.com/TheAlgorithms/Python


#Python #DataScience
#MachineLearning #AI


🆔 @Python4all_pro

Automatically Generate Image CAPTCHAs with Python for Enhanced Security



#Python #DataScience
#MachineLearning #AI


🆔 @Python4all_pro

20 Pandas Functions for 80% of your Data Science Tasks👇

https://levelup.gitconnected.com/20-pandas-functions-for-80-of-your-data-science-tasks-b610c8bfe63c


Maximizing Pandas Efficiency: Top 10 Mistakes to Steer Clear of in Your Code 👇

https://levelup.gitconnected.com/maximizing-pandas-efficiency-top-10-mistakes-to-steer-clear-of-in-your-code-8623aff053cd

#علم_داده #پایتون #Python #DataScience

🆔 @Python4all_pro

Data Analysis with Python - Full Course for Beginners (Numpy, Pandas, Matplotlib, Seaborn)


Learn Data Analysis with Python in this comprehensive tutorial for beginners, with exercises included!
NOTE: Check description for updated Notebook links.

Data Analysis has been around for a long time, but up until a few years ago, it was practiced using closed, expensive and limited tools like Excel or Tableau. Python, SQL and other open libraries have changed Data Analysis forever.

In this tutorial you'll learn the whole process of Data Analysis: reading data from multiple sources (CSVs, SQL, Excel, etc), processing them using NumPy and Pandas, visualize them using Matplotlib and Seaborn and clean and process it to create reports.
Additionally, we've included a thorough Jupyter Notebook tutorial, and a quick Python reference to refresh your programming skills.

https://www.youtube.com/watch?v=r-uOLxNrNk8&t=683s

#علم_داده #پایتون #Python #DataScience

🆔 @Python4all_pro

۱۵ چیت شیت machine learning و Data Science


https://blog.dailydoseofds.com/p/15-dsml-cheat-sheets



#cheat_sheet #Python #DataScience #MachineLearning

🆔 @Python4all_pro

۱۰ پکیج کاربردی پایتون برای دیتا ساینس 🐍

این پکیج‌ها واقعاً کاربردی‌ان! 👇

۱. 🧹 Cleanlab
کاربرد: شناسایی و اصلاح خطاهای برچسب در دیتاست‌ها

اگه دیتاست داری با label های اشتباه، این کتابخونه کمکت می‌کنه پیدا کنی کدوم داده‌ها label اشتباه دارن. این خیلی مهمه چون داده‌های با label اشتباه مدلت رو خراب می‌کنن.

from cleanlab.classification import CleanLearning
from sklearn.linear_model import LogisticRegression

cl = CleanLearning(LogisticRegression())
cl.fit(X_train, y_train)
labels_issue = cl.get_label_issues()

چرا استفاده کنیم؟
• بهبود کیفیت داده‌ی آموزشی
• افزایش دقت مدل
• شناسایی outlier ها

GitHub

۲. 🏃 LazyPredict
کاربرد: مقایسه سریع چندین مدل ML

با چند خط کد، کلی مدل مختلف رو همزمان آموزش می‌دی و نتایج رو مقایسه می‌کنی. عالی برای اینکه سریع بفهمی کدوم مدل برای مسئله‌ت بهتره.

from lazypredict.Supervised import LazyClassifier

clf = LazyClassifier()
models = clf.fit(X_train, X_test, y_train, y_test)
print(models)

خروجی:

Model              | Accuracy | Time
-------------------+----------+-----
RandomForest       | 0.95     | 0.5s
LogisticRegression | 0.92     | 0.2s
SVM                | 0.89     | 0.8s

GitHub

۳. 🔍 Lux
کاربرد: تحلیل خودکار داده و پیشنهاد نمودار

Lux دیتات رو تحلیل می‌کنه و نمودارهای پیشنهادی می‌سازه. دیگه نیازی نیست دستی نمودار بسازی!

import lux
df  # فقط همینو بنویسی کافیه!

ویژگی‌ها:
• تحلیل خودکار
• پیشنهاد نمودار
• شناسایی الگوها
GitHub

۴. 🌲 PyForest
کاربرد: Import کردن همه کتابخانه‌ها با یه خط

دیگه نیازی نیست تک تک import کنی. با یه خط همه چیز رو وارد کن!

from pyforest import *

چی import میشه؟
• Pandas, NumPy
• Sklearn, XGBoost
• Matplotlib, Seaborn
• و خیلیای دیگه!
GitHub

۵. 📊 PivotTableJS
کاربرد: Pivot Table در Jupyter

مثل اکسل میتونی pivot بزنی، فیلتر کنی و خلاصه‌سازی کنی — بدون کدنویسی!

from pivottablejs import pivot_ui
pivot_ui(df)

GitHub

۶. ✏️ Drawdata
کاربرد: کشیدن دستی دیتاست

میتونی با موس داده‌های دوبعدی بکشی و دیتاست بسازی! عالی برای درک بهتر الگوریتم‌های ML.

from drawdata import draw_scatter
draw_scatter()

GitHub

7. ⚫ Black
کاربرد: فرمت‌بندی خودکار کد

کد رو مرتب و استاندارد می‌کنه. دیگه نگران style نباش!

black myfile.py

قبل:

def   hello(  ):
        print(  "hello"  )

بعد:

def hello():
    print("hello")

GitHub

8. 🤖 PyCaret
کاربرد: AutoML ساده

کل روند ML رو اتومات می‌کنه — از انتخاب مدل تا تیونینگ!

from pycaret.classification import *

clf = setup(data, target='target')
best_model = compare_models()
final_model = tune_model(best_model)

GitHub

9. ⚡ PyTorch Lightning
کاربرد: ساده‌سازی آموزش PyTorch

کدهای تکراری رو حذف می‌کنه و تمرکزت رو میذاری روی تحقیق!

import pytorch_lightning as pl

class MyModel(pl.LightningModule):
    def training_step(self, batch, batch_idx):
        # training logic
        ...

GitHub

10. 🌐 Reflex
کاربرد: تبدیل مدل ML به وب‌اپ

هر مدلی رو میتونی تو یه دقیقه تبدیل به وب‌اپ کنی!

import reflex as rx

def index():
    return rx.vstack(
        rx.input(value="Enter text"),
        rx.button("Predict"),
    )

app = rx.App()
app.compile()

GitHub


📊 جدول خلاصه:

پکیج             | کاربرد       | نصب                            
-----------------+--------------+--------------------------------
**Cleanlab**     | اصلاح label  | `pip install cleanlab`         
**LazyPredict**  | مقایسه مدل   | `pip install lazypredict`      
**Lux**          | تحلیل خودکار | `pip install lux-api`          
**PyForest**     | import سریع  | `pip install pyforest`         
**PivotTableJS** | pivot table  | `pip install pivottablejs`     
**Drawdata**     | کشیدن داده   | `pip install drawdata`         
**Black**        | فرمت کد      | `pip install black`            
**PyCaret**      | AutoML       | `pip install pycaret`          
**Lightning**    | PyTorch      | `pip install pytorch-lightning`
**Reflex**       | وب‌اپ        | `pip install reflex`           

#علم_داده #DataScience #پایتون


🆔 @python4all_pro

لینک کانال در بله👇👇
https://ble.ir/Python4all_pro

🤖 یه دستیار هوشمند برای هر دیتا ساینسی!
اگه توی دیتا ساینس کار می‌کنی و خسته‌ای از کارهای تکراری، این ابزار میتونه زندگیتو تغییر بده!

🎯 داستان چیه؟
یه تیم کامل از AI Agents که کارهای خسته‌کننده رو ازت می‌گیرن:

• پاکسازی داده — دیگه دستی تمیز نمی‌کنی
• آماده‌سازی دیتاست — خودکار
• ساخت مدل — با یه دستور
• تحلیل و نتیجه‌گیری — سریع و دقیق

⚡ چرا این ابزار خاصه؟
۱. سرعت بالا
۱۰ برابر سریع‌تر از روش دستی!

۲. حریم خصوصی
با Ollama کار می‌کنه → دیتات روی سرور خارجی نمیره

۳. همه‌کاره
از پاکسازی تا مدل‌سازی — همه یه جا

👨‍💻 برای چه کسایی مناسبه؟
• مبتدی‌هایی که تازه شروع کردن
• حرفه‌ای‌هایی که وقتشون Valuableه
• تیم‌هایی که می‌خوان سریع‌تر کار کنن

🔗 مشاهده در GitHub

#AI #DataScience #یادگیری_ماشین #Ollama



🆔 @python4all_pro

لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro