تا اینجا می بینم دارید به سوالات به درستی جواب می دید، ایول!!

حالا کد های پایین رو ببینید، میاد و تعداد کارکتر هایی که تایپ شون اون چیزی هست که مد نظرمونه(ascii_letters) رو بر می گردونه.

import string

s = "Salam man be hame"
# Counting the number of ASCII letters in the string
count = sum(1 for char in s if char in string.ascii_letters)
print(count)  

@python_with_mohammad

حالا بریم سراغ نکته بعدی
توی این کد شما کارکتر های ASCII letters رو از استرینگ تون استخراج می کنید.

import string

s = "abc123XYZ!"
# Extracting only ASCII letters from the string
letters_only = ''.join(char for char in s if char in string.ascii_letters)
print(letters_only)

توی سایر گزینه ها یه سری گزینه دیگه بودن که اینجا تعریفشون می کنم براتون.

اولیش : punctuation
که شامل کارکتر های اینطوریه: ()*&^%$#@!×؟><{}"\

دومیش هم : digits
که اینم همونطور که از اسمش بر میاد شامل اعداده : 0123456789

اگر کاربرد خلاقانه ای از این متد هایی که امشب راجع بهشون صحبت کردیم تو ذهنت بود، کدش رو بنویس و برام بفرست که توی کانال برای سایر دوستان هم به اشتراک بزارم☺️

@mohammad_j_p_1

به فال اعتقادی دارید؟

بریم با هم یه کد بنویسم که بتونه فال بگیره.

کد:

import pandas as pd
import random

# ایجاد یک دیتافریم 
data = {
    "event": [
        "یک دوست قدیمی بهت پیام می‌ده ",
        "یه غذای خوشمزه نصیبت می‌شه ",
        "یه ایده ناب به ذهنت می‌رسه! ",
        "امروز کلی کار انجام می‌دی و حس خوبی داری ",
        "یه اتفاق عجیب ولی بامزه برات می‌افته! ",
        "یه پول غیرمنتظره گیرت میاد ",
        "یه نفر مخفیانه بهت علاقه داره ",
        "امروز گیتار تمرین می‌کنی و کلی حال می‌کنی ",
        "یه باگ پیدا می‌کنی ولی به طرز عجیبی درست می‌شه ",
        "یه جمله انگیزشی می‌بینی که روزتو می‌سازه ",
    ]
}

df = pd.DataFrame(data)

# انتخاب یک رویداد به‌صورت تصادفی
lucky_event = random.choice(df["event"])

print(" فال روز شما:")
print(f" {lucky_event} ")

بریم به سراغ اولین خط کدمون:

import pandas as pd

اینجا ما اومدیم و یه کتابخونه پایتون رو خوندیم. همیشه می تونیم وقتی یه کتابخونه رو ایمپورت می کنیم یه اسم هم براش انتخاب کنیم که بعدا توی پروژه و کد هامون از اون اسم براش استفاده کنیم.

مثلا اینجا کتابخونه pandas رو ایمپورت کردیم ولی یه نام هم براش مشخص کردیم و از این به بعد هر جا بنویسیم pd پایتون می فهمه ما منظورمون کتابخونه pandas هست.

حالا اگه اینجا رو ببینی:

df = pd.DataFrame(data)

متوجه می شی که دیگه ما توی کد هامون pandas نمی نویسیم. همون pd رو می نویسیم و کارمون راه می افته.

@python_with_mohammad

اول اینکه Pandas چیه؟
تصور کن:
تو مدیر یه باغ وحش عجیب و غریب هستی که توش کلی حیوانات خاص داری! 🦁🐼🦄
می‌خوای اطلاعات این حیوونا رو مدیریت کنی، بفهمی کدوماشون خوشحال‌ترن، چند تا مهمون روزانه دارن، و حتی اینکه کدوم غذا رو بیشتر دوست دارن!

📊 اینجاست که Pandas میاد وسط و همه‌ی این کارها رو راحت می‌کنه! 📊
Pandas یه کتابخونه‌ی پایتونه که برای کار با داده‌های جدولی، مثل اکسل و CSV ساخته شده.



🐼 اولین قدم: نصب Pandas
قبل از اینکه شروع کنیم، باید Pandas رو نصب کنیم. یه ترمینال باز کن و اینو تایپ کن:

pip install pandas

همین! الان پانداس نصب شده.



بریم سراغ اول تمرین : اولین باغ‌وحش دیتافریمی ما!

✅ مأموریت:
یک DataFrame بساز که اطلاعات چند حیوان باغ‌وحشت رو نگه داره!

🔧 چطور انجامش بدیم؟

import pandas as pd

# ساختن دیتا برای باغ‌وحش عجیب ما!
data = {
    "حیوان": ["پاندا", "شیر", "لاک‌پشت", "فیل", "میمون"],
    "قدرت (از ۱۰)": [8, 9, 3, 10, 6],
    "سرعت (کیلومتر بر ساعت)": [30, 50, 1, 25, 60],
    "غذای مورد علاقه": ["بامبو", "گوشت", "کاهو", "میوه", "موز"]
}

# تبدیل به DataFrame
zoo_df = pd.DataFrame(data)

# نمایش داده‌ها
print(zoo_df)

@python_with_mohammad

اولین متدی که راجع به پانداس یاد گرفتی DataFrame هست. چی کار می کنه؟
ساختار های مختلف رو تبدیل به دیتافرم می کنه.
اگه لیست ، دیکشنری یا هر چیز دیگه ای داشته باشی با یه خط کد تبدیل می شه به یه جدول.
این جدول همون دیتافریم ماست.

📊 بریم سراغ تمرین دوم : فیلتر کردن داده‌ها!

✅ مأموریت:
می‌خوایم ببینیم کدوم حیوان از همه سریع‌تره! 🏎💨

🔧 چطور انجامش بدیم؟

# پیدا کردن سریع‌ترین حیوان
fastest_animal = zoo_df[zoo_df["سرعت (کیلومتر بر ساعت)"] == zoo_df["سرعت (کیلومتر بر ساعت)"].max()]

print("🚀 سریع‌ترین حیوان:")
print(fastest_animal)

📉 کمی ریاضی بیشتر و تحلیل داده‌ها!

✅ مأموریت:
ببینیم میانگین سرعت حیوانات باغ‌وحش چقدره!

🔧 چطور انجامش بدیم؟

# محاسبه میانگین سرعت حیوانات
avg_speed = zoo_df["سرعت (کیلومتر بر ساعت)"].mean()
print(f"📊 میانگین سرعت حیوانات: {avg_speed:.2f} کیلومتر بر ساعت")

حالا بریم سراغ ترکیب کتابخونه پانداس و مت پلات لیب إ

✅ مأموریت:
یک نمودار بکشیم که نشون بده کدوم حیوان چقدر سریع یا قوی هست!

🔧 چطور انجامش بدیم؟

import matplotlib.pyplot as plt

# رسم نمودار سرعت حیوانات
plt.bar(zoo_df["حیوان"], zoo_df["سرعت (کیلومتر بر ساعت)"], color="orange")
plt.xlabel("حیوان")
plt.ylabel("سرعت (کیلومتر بر ساعت)")
plt.title("🚀 مقایسه سرعت حیوانات")
plt.show()

حالا برگردیم به سراغ تمرین اصلی مون.
df["event"]
کاری که می کنه اینه که میاد و یک ستون از جدولی که داریم رو انتخاب میکنه.
اسم ستون رو هم با " " مشخص می کنیم.

جلسه اول از فصل Pandas توی دوره جامع آموزش برنامه نویسی و پایتون

سوالی داشتید در خدمتتونم🫶

@mohammad_j_p_1

خیلی دوست دارم هر شب بتونم یه مبحث رو توی کانال به صورت پست به پست توضیح بدم، اما خستگی بیمارستان و نوشتن کتاب و ویدیو های آموزشی اکثر اوقات مانع می شه.

اما زمانی که پاسخ دهی تون رو می بینم ، ذوق می کنم و خستگیم در می ره.

تصویر بالا مربوط به کتاب پردازش داده های عددی هست که وقتی تموم شد کامل معرفی می کنم بهتون.

بریم سراغ موضوع امشب

تفاوت `is` و `==` در پایتون!


🔹 در پایتون، == مقدار دو متغیر را مقایسه می‌کند، اما is بررسی می‌کند که آیا دو متغیر به یک شیء یکسان در حافظه اشاره دارند یا نه!

a = [1, 2, 3]
b = [1, 2, 3]

print(a == b)  # خروجی: True
print(a is b)  # خروجی: False

🔸 چرا؟ چون a و b مقدار یکسانی دارند اما دو لیست جداگانه در حافظه‌اند!

حالا اگر نکته بالا رو با دقت خوندی و متوجه شدی بیا پایین و این کد رو بخون و بگو که کد زیر چه خروجی‌ای دارد؟

x = (1, 2, 3)
y = (1, 2, 3)

print(x is y)

در رابط با این کد ، اگر شما این تاپل ها رو تو پایتون بنویسید و اجرا کنید می بینید خروجی True می شه، چرا؟

پایتون در واقع برای شیءهای immutable مثل tuple‌ها، در بعضی شرایط حافظه اشتراکی استفاده می‌کنه.

وقتی دو متغیر به tuple مشابه اشاره کنند، ممکنه در حافظه یکسان ذخیره بشن، و به همین دلیل x is y می‌تونه True بشه.

پس در این مورد خروجی صحیح True خواهد بود، چون پایتون بهینه‌سازی انجام داده و از حافظه اشتراکی استفاده کرده!