#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۹: کار با داده‌های جدولی 📊

سلام دوستان! 👋
حالا که با Pandas آشنا شدیم، بیایید یاد بگیریم چطوری روی داده‌های جدولی عملیات مختلف انجام بدیم. این بخش خیلی مهمه چون بیشتر داده‌های دنیای واقعی به شکل جدول هستن. 🗂

---
۱. فیلتر کردن داده‌ها

import pandas as pd

data = {
    "نام": ["علی", "سارا", "نیما", "رضا"],
    "سن": [18, 20, 19, 21],
    "نمره": [15, 19, 17, 20]
}

df = pd.DataFrame(data)

# فیلتر: نمایش فقط کسانی که نمره بالای 17 دارن
print(df[df["نمره"] > 17])

---
۲. مرتب‌سازی داده‌ها

# مرتب‌سازی بر اساس نمره
print(df.sort_values("نمره", ascending=False))

---
۳. انتخاب چند ستون

print(df[["نام", "نمره"]])

---
۴. اضافه کردن ستون جدید

df["وضعیت"] = df["نمره"].apply(lambda x: "قبول ✅" if x >= 18 else "مردود ❌")
print(df)

---

۵. محاسبات گروهی (GroupBy)

مثال: محاسبه میانگین نمره‌ها بر اساس سن 👇

print(df.groupby("سن")["نمره"].mean())

---

۶. پروژه کوچک

جدول نمرات دانش‌آموزان رو مرتب کنیم و وضعیت هر کس رو نشون بدیم:

students = {
    "نام": ["علی", "سارا", "نیما", "رضا"],
    "نمره": [15, 19, 17, 20]
}

df = pd.DataFrame(students)
df["وضعیت"] = df["نمره"].apply(lambda x: "قبول ✅" if x >= 18 else "مردود ❌")
print(df.sort_values("نمره", ascending=False))

📌 خروجی نمونه:

     نام  نمره     وضعیت
3   رضا    20    قبول ✅
1  سارا    19    قبول ✅
2  نیما    17   مردود ❌
0   علی    15   مردود ❌

---

👀 قسمت بعدی: پاک‌سازی و آماده‌سازی داده‌ها 🧹

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۱۰: پاک‌سازی و آماده‌سازی داده‌ها 🧹

سلام دوستان! 👋
داده‌های دنیای واقعی همیشه مرتب نیستن! 😅
گاهی داده‌ها ناقص، تکراری یا اشتباه هستن. برای همین قبل از تحلیل یا یادگیری ماشین، باید داده‌ها رو پاک‌سازی و آماده‌سازی کنیم.

---
۱. شناسایی داده‌های گمشده (NaN)

import pandas as pd
import numpy as np

data = {
    "نام": ["علی", "سارا", "نیما", "رضا"],
    "نمره": [18, np.nan, 15, 20]
}

df = pd.DataFrame(data)
print(df)
print(df.isnull())   # نمایش مقادیر گمشده

---
۲. حذف داده‌های ناقص

df_clean = df.dropna()   # حذف سطرهایی که مقدار گمشده دارن
print(df_clean)

---
۳. جایگزین کردن داده‌های گمشده

df["نمره"].fillna(df["نمره"].mean(), inplace=True)  # جایگزینی با میانگین
print(df)

---
۴. حذف داده‌های تکراری

df = pd.DataFrame({
    "نام": ["علی", "سارا", "علی"],
    "نمره": [18, 19, 18]
})

print("قبل از حذف:\n", df)
df = df.drop_duplicates()
print("بعد از حذف:\n", df)

---
۵. تغییر نام ستون‌ها

df.rename(columns={"نام": "Name", "نمره": "Score"}, inplace=True)
print(df)

---
۶. پروژه کوچک

پاک‌سازی داده‌های ناقص و محاسبه معدل:

data = {
    "نام": ["علی", "سارا", "نیما", "رضا"],
    "ریاضی": [18, np.nan, 15, 20],
    "فیزیک": [17, 19, np.nan, 18]
}

df = pd.DataFrame(data)

# پر کردن مقادیر گمشده با میانگین هر ستون
df = df.fillna(df.mean(numeric_only=True))

# محاسبه معدل
df["معدل"] = df[["ریاضی", "فیزیک"]].mean(axis=1)
print(df)

📌 خروجی نمونه:

     نام   ریاضی  فیزیک   معدل
0   علی   18.0   17.0   17.5
1  سارا   17.7   19.0   18.3
2  نیما   15.0   18.0   16.5
3   رضا   20.0   18.0   19.0

---

👀 قسمت بعدی: تجسم داده‌ها با Matplotlib 🎨

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۱۱: تجسم داده‌ها با Matplotlib 🎨

سلام دوستان! 👋
یکی از بهترین روش‌ها برای درک بهتر داده‌ها، نقاشی کردنشونه! 🎨
کتابخونه‌ی Matplotlib به ما کمک می‌کنه داده‌ها رو به شکل نمودار نشون بدیم.

---
۱. نصب و import

pip install matplotlib

import matplotlib.pyplot as plt

---
۲. رسم نمودار خطی (Line Plot)

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y)
plt.title("نمودار خطی 📈")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()

---
۳. رسم نمودار ستونی (Bar Chart)

names = ["علی", "سارا", "نیما", "رضا"]
scores = [18, 20, 15, 19]

plt.bar(names, scores, color="skyblue")
plt.title("نمرات دانش‌آموزان 📊")
plt.show()

---
۴. رسم نمودار دایره‌ای (Pie Chart)

labels = ["ریاضی", "فیزیک", "شیمی"]
values = [30, 45, 25]

plt.pie(values, labels=labels, autopct="%1.1f%%")
plt.title("درصد نمرات 🥧")
plt.show()

---
۵. چند نمودار در یک شکل

import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

plt.plot(x, y1, label="sin(x)")
plt.plot(x, y2, label="cos(x)")
plt.legend()
plt.title("مقایسه سینوس و کسینوس 🔄")
plt.show()

---
۶. پروژه کوچک

نمودار معدل دانش‌آموزان:

import pandas as pd
import matplotlib.pyplot as plt

data = {"نام": ["علی", "سارا", "نیما"], "معدل": [17.5, 19, 16]}
df = pd.DataFrame(data)

plt.bar(df["نام"], df["معدل"], color="green")
plt.title("معدل دانش‌آموزان 📚")
plt.ylabel("معدل")
plt.show()

---

👀 قسمت بعدی: پروژه عملی پردازش داده 📑 (جمع‌بندی فاز ۲)

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۱۲: پروژه عملی پردازش داده 📑

سلام دوستان! 👋
تو این قسمت می‌خوایم همه چیزهایی که تو فاز ۲ یاد گرفتیم (NumPy، Pandas، Matplotlib) رو ترکیب کنیم و یک پروژه کامل انجام بدیم. 🎯

---

🎓 پروژه: تحلیل نمرات یک کلاس

۱. آماده‌سازی داده‌ها

فرض کنید یک فایل CSV به اسم grades.csv داریم:

نام,ریاضی,فیزیک,شیمی
علی,18,17,16
سارا,20,19,18
نیما,15,14,13
رضا,19,20,18

---
۲. خواندن داده‌ها با Pandas

import pandas as pd

df = pd.read_csv("grades.csv")
print(df)

---
۳. پاک‌سازی داده‌ها

مثلاً اگر مقادیر گمشده باشه، پرشون می‌کنیم:

df = df.fillna(df.mean(numeric_only=True))

---
۴. محاسبه معدل هر دانش‌آموز

df["معدل"] = df[["ریاضی", "فیزیک", "شیمی"]].mean(axis=1)
print(df)

---
۵. تحلیل داده‌ها

* پیدا کردن بالاترین و پایین‌ترین معدل:

print("بیشترین معدل:", df["معدل"].max())
print("کمترین معدل:", df["معدل"].min())

* میانگین کل کلاس:

print("میانگین کلاس:", df["معدل"].mean())

---
۶. تجسم داده‌ها با Matplotlib

import matplotlib.pyplot as plt

plt.bar(df["نام"], df["معدل"], color="orange")
plt.title("معدل دانش‌آموزان کلاس 📊")
plt.ylabel("معدل")
plt.show()

📌 خروجی: نمودار ستونی معدل هر دانش‌آموز

---

۷. نتیجه‌گیری

* یاد گرفتیم داده‌ها رو بخونیم، پاک‌سازی کنیم، تحلیل کنیم و تجسم کنیم ✅
* این‌ها پایه‌ی اصلی کارهای هوش مصنوعی و یادگیری ماشین هستن. 🤖
* در فاز بعدی می‌ریم سراغ مبانی یادگیری ماشین (Machine Learning) ✨

---

👀 قسمت بعدی (شروع فاز ۳): مقدمه‌ای بر یادگیری ماشین 🤖

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge