SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

2 wyniki

Książka

W koszyku

Python w analizie danych : przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska IPython / Wes McKinney ; tłumaczenie: Konrad Matuk. - Gliwice : Wydawnictwo Helion, 2018. - 477 stron : ilustracje, wykresy ; 24 cm.

Autor

McKinney Wes. Matuk Konrad.

Forma i typ

Książki Publikacje dydaktyczne Publikacje fachowe

Odbiorca

Analitycy danych Programiści

Temat

Python (język programowania) Analiza danych

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython.

Wydanie 2. odnosi się do oryginału.

Indeks.

Podręcznik dla analityków danych, którzy pracują w języku Python oraz dla programistów.

1.2. Dlaczego warto korzystać z Pythona w celu przeprowadzenia analizy danych? (16) Python jako spoiwo (16) Rozwiązywanie problemu "dwujęzyczności" (17) Dlaczego nie Python? (17) 1.3. Podstawowe biblioteki Pythona (17) NumPy (18) pandas (18) Matplotlib (19) IPython i Jupyter (19) SciPy (20) Scikit-learn (21) statsmodels (21) 1.4. Instalacja i konfiguracja (22) Windows (22) Apple (OS X, macOS) (23) GNU, Linux (23) Instalowanie i aktualizowanie pakietów Pythona (24) Python 2 i Python 3 (24) Zintegrowane środowiska programistyczne i edytory tekstowe (25) 1.5. Społeczność i konferencje (25) 1.6. Nawigacja po książce (26) Przykłady kodu (27) Przykładowe dane (27) Konwencje importowania (27) Żargon (27) 2. Podstawy Pythona oraz obsługi narzędzi IPython i Jupyter (29) 2.1. Interpreter Pythona (30) 2.2. Podstawy interpretera IPython (31) Uruchamianie powłoki IPython (31) Uruchamianie notatnika Jupyter Notebook (32) Uzupełnianie poleceń (35) Introspekcja (36) Polecenie %run (37) Wykonywanie kodu ze schowka (39) Skróty klawiaturowe działające w terminalu (39) Polecenia magiczne (40) Integracja pakietu matplotlib (42) 2.3. Podstawy Pythona (42) Semantyka języka Python (43) Skalarne typy danych (50) Przepływ sterowania (57) 3. Wbudowane struktury danych, funkcje i pliki (61) 3.1. Struktury danych i sekwencje (61) Krotka (61) Lista (64) Wbudowane funkcje obsługujące sekwencje (68) Słownik (70) Zbiór (73) Lista, słownik i zbiór - składanie (75) 3.2. Funkcje (77) Przestrzenie nazw, zakres i funkcje lokalne (78) Zwracanie wielu wartości (79) Funkcje są obiektami (79) Funkcje anonimowe (lambda) (81) Currying - częściowa aplikacja argumentów (82) Generatory (82) Błędy i obsługa wyjątków (84) 3.3. Pliki i system operacyjny (86) Bajty i kodowanie Unicode w plikach (89) 4. Podstawy biblioteki NumPy: obsługa tablic i wektorów (93) 4.1. NumPy ndarray - wielowymiarowy obiekt tablicowy (95) Tworzenie tablic ndarray (96) Typ danych tablic ndarray (98) Działania matematyczne z tablicami NumPy (100) Podstawy indeksowania i przechwytywania części (101) Indeksowanie i wartości logiczne (105) Indeksowanie specjalne (108) Transponowanie tablic i zamiana osi (109) 4.2. Funkcje uniwersalne - szybkie funkcje wykonywane na poszczególnych elementach tablicy (110) 4.3. Programowanie z użyciem tablic (113) Logiczne operacje warunkowe jako operacje tablicowe (115) Metody matematyczne i statystyczne (116) Metody tablic logicznych (117) Sortowanie (118) Wartości unikalne i operacje logiczne (119) 4.4. Tablice i operacje na plikach (120) 4.5. Algebra liniowa (120) 4.6. Generowanie liczb pseudolosowych (122) 4.7. Przykład: błądzenie losowe (124) Jednoczesne symulowanie wielu błądzeń losowych (125) 5. Rozpoczynamy pracę z biblioteką pandas (127) 5.1. Wprowadzenie do struktur danych biblioteki pandas (127) Obiekt Series (128) Obiekt DataFrame (131) Obiekty index (137) 5.2. Podstawowe funkcjonalności (139) Uaktualnianie indeksu (139) Odrzucanie elementów osi (141) Indeksowanie, wybieranie i filtrowanie (143) Indeksy w postaci liczb całkowitych (147) Działania arytmetyczne i wyrównywanie danych (148) Funkcje apply i map (153) Sortowanie i tworzenie rankingów (154) Indeksy osi ze zduplikowanymi etykietami (157) 5.3. Podsumowywanie i generowanie statystyk opisowych (158) Współczynnik korelacji i kowariancja (161) Unikalne wartości, ich liczba i przynależność (163) 6. Odczyt i zapis danych, formaty plików (167) 6.1. Odczyt i zapis danych w formacie tekstowym (167) Wczytywanie części pliku tekstowego (173) Zapis danych w formacie tekstowym (174) Praca z plikami danych rozgraniczonych (176) Dane w formacie JSON (178) XML i HTML - web scraping (179) 6.2. Formaty danych binarnych (182) Obsługa formatu HDF5 (183) Wczytywanie plików programu Microsoft Excel (185) 6.3. Obsługa interfejsów sieciowych (186) 6.4. Obsługa baz danych (187) 7. Czyszczenie i przygotowywanie danych (189) 7.1. Obsługa brakujących danych (189) Filtrowanie brakujących danych (191) Wypełnianie brakujących danych (193) 7.2. Przekształcanie danych (195) Usuwanie duplikatów (195) Przekształcanie danych przy użyciu funkcji lub mapowania (196) Zastępowanie wartości (197) Zmiana nazw indeksów osi (199) Dyskretyzacja i podział na koszyki (200) Wykrywanie i filtrowanie elementów odstających (202) Permutacje i próbkowanie losowe (203) Przetwarzanie wskaźników i zmiennych zastępczych (204) 7.3. Operacje przeprowadzane na łańcuchach (207) Metody obiektu typu string (207) Wyrażenia regularne (209) Wektoryzacja funkcji łańcuchów w pakiecie pandas (212) 8. Przetwarzanie danych - operacje łączenia, wiązania i przekształcania (217) 8.1. Indeksowanie hierarchiczne (217) Zmiana kolejności i sortowanie poziomów (220) Parametry statystyki opisowej z uwzględnieniem poziomu (220) Indeksowanie z kolumnami ramki danych (221) 8.2. Łączenie zbiorów danych (222) Łączenie ramek danych w stylu łączenia elementów baz danych (222) Łączenie przy użyciu indeksu (227) Konkatenacja wzdłuż osi (230) Łączenie częściowo nakładających się danych (234) 8.3. Zmiana kształtu i operacje osiowe (235) Przekształcenia z indeksowaniem hierarchicznym (236) Przekształcanie z formatu "długiego" na "szeroki" (238) Przekształcanie z formatu "szerokiego" na "długi" (241) 9. Wykresy i wizualizacja danych (245) 9.1. Podstawy obsługi interfejsu pakietu matplotlib (245) Obiekty figure i wykresy składowe (246) Kolory, oznaczenia i style linii (250) Punkty, etykiety i legendy (252) Adnotacje i rysunki (255) Zapisywanie wykresów w postaci plików (257) Konfiguracja pakietu matplotlib (258) 9.2. Generowanie wykresów za pomocą pakietów pandas i seaborn (259) Wykresy liniowe (259) Wykresy słupkowe (262) Histogramy i wykresy gęstości (266) Wykresy punktowe (268) Wykresy panelowe i dane kategoryczne (269) 9.3. Inne narzędzia przeznaczone do wizualizacji danych w Pythonie (272) 10. Agregacja danych i operacje wykonywane na grupach (273) 10.1. Mechanika interfejsu groupby (274) Iteracja po grupach (277) Wybieranie kolumny lub podzbioru kolumn (278) Grupowanie przy użyciu słowników i serii (279) Grupowanie przy użyciu funkcji (280) Grupowanie przy użyciu poziomów indeksu (280) 10.2. Agregacja danych (281) Przetwarzanie kolumna po kolumnie i stosowanie wielu funkcji (282) Zwracanie zagregowanych danych bez indeksów wierszy (285) 10.3. Metoda apply - ogólne zastosowanie techniki dziel-zastosuj-połącz (286) Usuwanie kluczy grup (288) Kwantyle i analiza koszykowa (288) Przykład: wypełnianie brakujących wartości przy użyciu wartości charakterystycznych dla grupy (290) Przykład: losowe generowanie próbek i permutacja (292) Przykład: średnie ważone grup i współczynnik korelacji (293) Przykład: regresja liniowa grup (295) 10.4. Tabele przestawne i krzyżowe (295) Tabele krzyżowe (298) 11. Szeregi czasowe (301) 11.1. Typy danych i narzędzia przeznaczone do obsługi daty i czasu (302) Konwersja pomiędzy obiektami string i datetime (303) 11.2. Podstawy szeregów czasowych (305) Indeksowanie i wybieranie (306) Szeregi czasowe z duplikatami indeksów (309) 11.3. Zakresy dat, częstotliwości i przesunięcia (310) Generowanie zakresów dat (310) Częstotliwości i przesunięcia daty (313) Przesuwanie daty (314) 11.4. Obsługa strefy czasowej (317) Lokalizacja i konwersja stref czasowych (317) Operacje z udziałem obiektów Timestamp o wyznaczonej strefie czasowej (319) Operacje pomiędzy różnymi strefami czasowymi (320) 11.5. Okresy i przeprowadzanie na nich operacji matematycznych (321) Konwersja częstotliwości łańcuchów (322) Kwartalne częstotliwości okresów (323) Konwersja znaczników czasu na okresy (i z powrotem) (325) Tworzenie obiektów PeriodIndex na podstawie tablic (326) 11.6. Zmiana rozdzielczości i konwersja częstotliwości (328) Zmniejszanie częstotliwości (329) Zwiększanie rozdzielczości i interpolacja (332) Zmiana rozdzielczości z okresami (333) 11.7. Funkcje ruchomego okna (334) Funkcje ważone wykładniczo (337) Binarne funkcje ruchomego okna (338) Funkcje ruchomego okna definiowane przez użytkownika (340) 12. Zaawansowane funkcje biblioteki pandas (341) 12.1. Dane kategoryczne (341) Kontekst i motywacja (341) Typ Categorical w bibliotece pandas (343) Obliczenia na obiektach typu Categorical (345) Metody obiektu kategorycznego (347) 12.2. Zaawansowane operacje grupowania (349) Transformacje grup i "nieobudowane" operacje grupowania (349) Zmiana rozdzielczości czasu przeprowadzana przy użyciu grup (353) 12.3. Techniki łączenia metod w łańcuch (354) Metoda pipe (355) 13. Wprowadzenie do bibliotek modelujących (357) 13.1. Łączenie pandas z kodem modelu (357) 13.2. Tworzenie opisów modeli przy użyciu biblioteki Patsy (360) Przekształcenia danych za pomocą formuł Patsy (362) Patsy i dane kategoryczne (363) 13.3. Wprowadzenie do biblioteki statsmodels (366) Szacowanie modeli liniowych (366) Szacowanie procesów szeregów czasowych (369) 13.4. Wprowadzenie do pakietu scikit-learn (369) 13.5. Dalszy rozwój (373) 14. Przykłady analizy danych (375) 14.1. Dane USA.gov serwisu Bitly (375) Liczenie stref czasowych w czystym Pythonie (376) Liczenie stref czasowych przy użyciu pakietu pandas (378) 14.2. Zbiór danych MovieLens 1M (384) Wyznaczenie rozbieżności ocen (388) 14.3. Imiona nadawane dzieciom w USA w latach 1880 - 2010 (389) Analiza trendów imion (394) 14.4. Baza danych USDA Food (402) 14.5. Baza danych 2012 Federal Election Commission (406) Statystyki datków z podziałem na wykonywany zawód i pracodawcę (409) Podział kwot datków na koszyki (411) Statystyki datków z podziałem na poszczególne stany (413) A. Zaawansowane zagadnienia związane z biblioteką NumPy (415) A.1. Szczegóły budowy obiektu ndarray (415) Hierarchia typów danych NumPy (416) A.2. Zaawansowane operacje tablicowe (417) Zmiana wymiarów tablic (417) Kolejności charakterystyczne dla języków C i Fortran (419) Łączenie i dzielenie tablic (420) Powtarzanie elementów - funkcje tile i repeat (422) Alternatywy indeksowania specjalnego - metody take i put (423) A.3. Rozgłaszanie (424) Rozgłaszanie wzdłuż innych osi (426) Przypisywanie wartości elementom tablicy poprzez rozgłaszanie (428) A.4. Zaawansowane zastosowania funkcji uniwersalnych (429) Metody instancji funkcji uniwersalnych (429) Pisanie nowych funkcji uniwersalnych w Pythonie (431) A.5. Tablice o złożonej strukturze (432) Zagnieżdżone typy danych i pola wielowymiarowe (433) Do czego przydają się tablice o złożonej strukturze? (434) A.6. Jeszcze coś o sortowaniu (434) Sortowanie pośrednie - metody argsort i lexsort (435) Alternatywne algorytmy sortowania (436) Częściowe sortowanie tablic (437) Wyszukiwanie elementów w posortowanej tablicy za pomocą metody numpy.searchsorted (438) A.7. Pisanie szybkich funkcji NumPy za pomocą pakietu Numba (439) Tworzenie obiektów numpy.ufunc za pomocą pakietu Numba (440) A.8. Zaawansowane tablicowe operacje wejścia i wyjścia (441) Pliki mapowane w pamięci (441) HDF5 i inne możliwości zapisu tablic (442) A.9. Jak zachować wysoką wydajność? (442) Dlaczego warto korzystać z sąsiadujących ze sobą obszarów pamięci? (443) B. Dodatkowe informacje dotyczące systemu IPython (445) B.1. Korzystanie z historii poleceń (445) Przeszukiwanie i korzystanie z historii poleceń (445) Zmienne wejściowe i wyjściowe (446) B.2. Interakcja z systemem operacyjnym (447) Polecenia powłoki systemowej i aliasy (447) System tworzenia skrótów do katalogów (448) B.3. Narzędzia programistyczne (449) Interaktywny debuger (449) Pomiar czasu - funkcje %time i %timeit (453) Podstawowe profilowanie - funkcje %prun i %run-p (455) Profilowanie funkcji linia po linii (457) B.4. Wskazówki dotyczące produktywnego tworzenia kodu w środowisku IPython (458) Przeładowywanie modułów (459) Wskazówki dotyczące projektowania kodu (460) B.5. Zaawansowane funkcje środowiska IPython (461) Co zrobić, aby własne klasy były przyjazne dla systemu IPython? (461) Profile i konfiguracja (462)

Sygnatura czytelni BWEAiI: XII Ł 97

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 146163 N (1 egz.)

Książka

W koszyku

Python w analizie danych : przetwarzanie danych za pomocą pakietów pandas i NumPy oraz środowiska Jupyter / Wes McKinney ; przekład: Andrzej Watrak. - Gliwice : Helion, copyright 2023. - 500, [4] strony : ilustracje, wykresy ; 24 cm.

Autor

McKinney Wes. Watrak Andrzej.

Forma i typ

Książki Publikacje dydaktyczne Publikacje fachowe

Odbiorca

Analitycy danych Programiści

Temat

Analiza danych Programowanie (informatyka) Przetwarzanie danych Python (język programowania)

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Wydanie 3. odnosi się do oryginału. Na stronie tytułowej i okładce także nazwa wydawcy oryginału: O'Reilly. W książce także ISBN oryginału.

Dla analityków zamierzających zacząć pracę w Pythonie oraz programistów Pythona chcących zająć się analizą danych i obliczeniami naukowymi.

Python jako spoiwo NumPy pandas Matplotlib IPython i Jupyter SciPy Scikit-learn statsmodels Instalacja i konfiguracja Windows GNU, Linux macOS Zintegrowane środowiska programistyczne i edytory tekstowe Społeczność i konferencje Przykłady kodu Przykładowe dane Konwencje importowania Podstawy Pythona oraz obsługi narzędzi IPython i Jupyter Interpreter Pythona Uruchamianie powłoki IPython Uruchamianie notatnika Jupyter Notebook Uzupełnianie poleceń Introspekcja Semantyka języka Python Skalarne typy danych Przepływ sterowania 3. Wbudowane struktury danych, funkcje i pliki 3.1. Struktury danych i sekwencje Krotka Lista Słownik Zbiór Wbudowane funkcje obsługujące sekwencje Przestrzenie nazw, zakres i funkcje lokalne Zwracanie wielu wartości Funkcje są obiektami Funkcje anonimowe (lambda) Generatory Błędy i obsługa wyjątków Pliki i system operacyjny Bajty i kodowanie Unicode w plikach . Podstawy biblioteki NumPy: obsługa tablic i wektorów NumPy ndarray - wielowymiarowy obiekt tablicowy Typ danych tablic ndarray Działania matematyczne z tablicami NumPy Podstawy indeksowania i przechwytywania części Indeksowanie i wartości logiczne Indeksowanie specjalne Transponowanie tablic i zamiana osi Generowanie liczb pseudolosowych Funkcje uniwersalne - szybkie funkcje wykonywane na poszczególnych elementach tablicy Programowanie z użyciem tablic Logiczne operacje warunkowe jako operacje tablicowe Metody matematyczne i statystyczne Metody tablic logicznych Sortowanie Wartości unikalne i operacje logiczne Tablice i operacje na plikach Algebra liniowa Przykład: błądzenie losowe Jednoczesne symulowanie wielu błądzeń losowych Rozpoczynamy pracę z biblioteką pandas Wprowadzenie do struktur danych biblioteki pandas Obiekt Series Obiekt DataFrame Obiekty index Podstawowe funkcjonalności Uaktualnianie indeksu Odrzucanie elementów osi Indeksowanie, wybieranie i filtrowanie Działania arytmetyczne i wyrównywanie danych Funkcje apply i map Sortowanie i tworzenie rankingów Indeksy osi ze zduplikowanymi etykietami Podsumowywanie i generowanie statystyk opisowych Współczynnik korelacji i kowariancja Unikalne wartości, ich liczba i przynależność Odczyt i zapis danych, formaty plików Odczyt i zapis danych w formacie tekstowym Wczytywanie części pliku tekstowego Zapis danych w formacie tekstowym Praca z plikami danych rozgraniczonych Dane w formacie JSON XML i HTML - web scraping Formaty danych binarnych Wczytywanie plików programu Microsoft Excel Obsługa formatu HDF5 Obsługa interfejsów sieciowych Obsługa baz danych Czyszczenie i przygotowywanie danych Obsługa brakujących danych Filtrowanie brakujących danych Wypełnianie brakujących danych Przekształcanie danych Usuwanie duplikatów Przekształcanie danych przy użyciu funkcji lub mapowania Zastępowanie wartości Zmiana nazw indeksów osi Dyskretyzacja i podział na koszyki Wykrywanie i filtrowanie elementów odstających Permutacje i próbkowanie losowe Przetwarzanie wskaźników i zmiennych zastępczych Rozszerzone typy danych Operacje przeprowadzane na łańcuchach Metody obiektu typu string Wyrażenia regularne Funkcje tekstowe w pakiecie pandas Dane kategoryczne Kontekst i motywacja Rozszerzony typ Categorical w bibliotece pandas Obliczenia na obiektach typu Categorical Metody obiektu kategorycznego Przetwarzanie danych - operacje łączenia, wiązania i przekształcania Indeksowanie hierarchiczne Zmiana kolejności i sortowanie poziomów Parametry statystyki opisowej z uwzględnieniem poziomu Indeksowanie z kolumnami ramki danych Łączenie zbiorów danych Łączenie ramek danych w stylu łączenia elementów baz danych Łączenie przy użyciu indeksu Konkatenacja wzdłuż osi Łączenie częściowo nakładających się danych Zmiana kształtu i operacje osiowe Przekształcenia z indeksowaniem hierarchicznym

Przekształcanie z formatu "długiego" na "szeroki" Przekształcanie z formatu "szerokiego" na "długi" Wykresy i wizualizacja danych Podstawy obsługi interfejsu pakietu matplotlib Obiekty figure i wykresy składowe Kolory, oznaczenia i style linii Punkty, etykiety i legendy Adnotacje i rysunki Zapisywanie wykresów w postaci plików Konfiguracja pakietu matplotlib Generowanie wykresów za pomocą pakietów pandas i seaborn Wykresy liniowe Wykresy słupkowe Histogramy i wykresy gęstości Wykresy punktowe Wykresy panelowe i dane kategoryczne Inne narzędzia przeznaczone do wizualizacji danych w Pythonie. Agregacja danych i operacje wykonywane na grupach Mechanika interfejsu groupby Iteracja po grupach Wybieranie kolumny lub podzbioru kolumn Grupowanie przy użyciu słowników i serii Grupowanie przy użyciu funkcji Grupowanie przy użyciu poziomów indeksu Agregacja danych Przetwarzanie kolumna po kolumnie i stosowanie wielu funkcji Zwracanie zagregowanych danych bez indeksów wierszy Metoda apply - ogólne zastosowanie techniki dziel-zastosuj-połącz Usuwanie kluczy grup Kwantyle i analiza koszykowa Przykład: wypełnianie brakujących wartości przy użyciu wartości charakterystycznych dla grupy Przykład: losowe generowanie próbek i permutacja Przykład: średnie ważone grup i współczynnik korelacji Przykład: regresja liniowa grup Transformacje grup i "nieobudowane" operacje grupowania Tabele przestawne i krzyżowe Szeregi czasowe Typy danych i narzędzia przeznaczone do obsługi daty i czasu Konwersja pomiędzy obiektami string i datetime Podstawy szeregów czasowych Indeksowanie i wybieranie Szeregi czasowe z duplikatami indeksów Zakresy dat, częstotliwości i przesunięcia Obsługa strefy czasowej Lokalizacja i konwersja stref czasowych Operacje z udziałem obiektów Timestamp o wyznaczonej strefie czasowej Operacje pomiędzy różnymi strefami czasowymi Okresy i przeprowadzanie na nich operacji matematycznych Konwersja częstotliwości łańcuchów Kwartalne częstotliwości okresów Konwersja znaczników czasu na okresy (i z powrotem) Tworzenie obiektów PeriodIndex na podstawie tablic Zmiana rozdzielczości i konwersja częstotliwości Zmniejszanie częstotliwości Zwiększanie rozdzielczości i interpolacja Zmiana rozdzielczości z okresami Grupowa zmiana częstotliwości Funkcje ruchomego okna Funkcje ważone wykładniczo Binarne funkcje ruchomego okna Funkcje ruchomego okna definiowane przez użytkownika Wprowadzenie do bibliotek modelujących Łączenie pandas z kodem modelu Tworzenie opisów modeli przy użyciu biblioteki Patsy Przekształcenia danych za pomocą formuł Patsy Patsy i dane kategoryczne Wprowadzenie do biblioteki statsmodels Szacowanie modeli liniowych Szacowanie procesów szeregów czasowych Wprowadzenie do pakietu scikit-learn Przykłady analizy danych Dane USA.gov serwisu Bitly Liczenie stref czasowych w czystym Pythonie Liczenie stref czasowych przy użyciu pakietu pandas Zbiór danych MovieLens 1M Wyznaczenie rozbieżności ocen Imiona nadawane dzieciom w USA w latach 1880 - 2010 Analiza trendów imion Baza danych USDA Food Baza danych 2012 Federal Election Commission Statystyki datków z podziałem na wykonywany zawód i pracodawcę Podział kwot datków na koszyki Statystyki datków z podziałem na poszczególne stany Zaawansowane zagadnienia związane z biblioteką NumPy Szczegóły budowy obiektu ndarray Hierarchia typów danych NumPy Zaawansowane operacje tablicowe Zmiana wymiarów tablic Kolejności charakterystyczne dla języków C i Fortran Łączenie i dzielenie tablic Powtarzanie elementów - funkcje tile i repeat Alternatywy indeksowania specjalnego - metody take i put Rozgłaszanie wzdłuż innych osi Przypisywanie wartości elementom tablicy poprzez rozgłaszanie Zaawansowane zastosowania funkcji uniwersalnych Metody instancji funkcji uniwersalnych Pisanie nowych funkcji uniwersalnych w Pythonie Tablice o złożonej strukturze Zagnieżdżone typy danych i pola wielowymiarowe Do czego przydają się tablice o złożonej strukturze? Sortowanie pośrednie - metody argsort i lexsort Alternatywne algorytmy sortowania Częściowe sortowanie tablic Wyszukiwanie elementów w posortowanej tablicy za pomocą metody numpy.searchsorted Pisanie szybkich funkcji NumPy za pomocą pakietu Numba Tworzenie obiektów numpy.ufunc za pomocą pakietu Numba Zaawansowane tablicowe operacje wejścia i wyjścia Pliki mapowane w pamięci HDF5 i inne możliwości zapisu tablic Polecenie %run Uruchamianie kodu zapisanego w schowku Korzystanie z historii poleceń Przeszukiwanie i korzystanie z historii poleceń Zmienne wejściowe i wyjściowe Interakcja z systemem operacyjnym Polecenia powłoki systemowej i aliasy System tworzenia skrótów do katalogów Narzędzia programistyczne Interaktywny debuger Pomiar czasu - funkcje %time i %timeit Podstawowe profilowanie - funkcje %prun i %run-p Profilowanie funkcji linia po linii Wskazówki dotyczące produktywnego tworzenia kodu w środowisku IPython Przeładowywanie modułów Wskazówki dotyczące projektowania kodu. Zaawansowane funkcje środowiska IPython

Sygnatura czytelni BWEAiI: XII Ł 229

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 154692 N (1 egz.)