شروع کار با پایتون برای علم داده

نصب پایتون و کتابخانه‌های علم داده (NumPy، pandas، matplotlib)، آشنایی با Jupyter Notebook و آماده‌سازی محیط کار

آماده‌سازی محیط کار علم داده

برای شروع علم داده به سه چیز نیاز دارید: پایتون، کتابخانه‌های داده و یک محیط کدنویسی. در این مبحث همه را راه‌اندازی می‌کنیم.

گام ۱: نصب پایتون

از سایت رسمی python.org آخرین نسخه پایتون (۳.x) را دانلود و نصب کنید. هنگام نصب در ویندوز، حتماً گزینه Add Python to PATH را فعال کنید. برای اطمینان از نصب، در ترمینال بنویسید:

python --version

گام ۲: نصب کتابخانه‌های علم داده

سه کتابخانه اصلی که در کل این دوره استفاده می‌کنیم:

هر سه را با یک دستور نصب کنید:

pip install numpy pandas matplotlib

گام ۳: محیط کدنویسی — Jupyter Notebook

Jupyter Notebook محیط محبوب دانشمندان داده است؛ چون اجازه می‌دهد کد را تکه‌تکه اجرا کنید، خروجی را بلافاصله ببینید و کنارش یادداشت بنویسید. نصب آن:

pip install notebook
jupyter notebook

پس از اجرا، در مرورگر محیطی باز می‌شود که می‌توانید فایل‌های .ipynb بسازید و در آن‌ها کد بنویسید.

نکته: اگر نمی‌خواهید چیزی نصب کنید، Google Colab یک Jupyter ابری رایگان است که همه کتابخانه‌های داده از قبل روی آن نصب شده است.

گام ۴: تست نصب — اولین کد علم داده

برای اطمینان از درستی نصب، این کد را اجرا کنید:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

print(np.__version__)
print(pd.__version__)

اگر شماره نسخه‌ها چاپ شد، همه‌چیز آماده است!

آشنایی سریع با NumPy و pandas

NumPy با آرایه (array) کار می‌کند که شبیه لیست پایتون است اما بسیار سریع‌تر:

import numpy as np

prices = np.array([100, 250, 80, 320])
print(prices.mean())   # میانگین
print(prices.max())    # بیشترین

pandas با DataFrame کار می‌کند؛ یعنی جدولی از سطرها و ستون‌ها، درست مثل اکسل:

import pandas as pd

df = pd.DataFrame({
    "name": ["Ali", "Sara", "Reza"],
    "score": [18, 18, 15]
})
print(df)

ساختار پوشه پیشنهادی پروژه

برای پروژه‌های علم داده، پوشه‌ای منظم بسازید:

my-project/
├── data/        ← فایل‌های داده (csv و ...)
├── notebooks/   ← فایل‌های Jupyter
└── output/      ← نمودارها و نتایج

مقایسه محیط‌های کدنویسی

محیطمزیتمناسب برای
Jupyter Notebookاجرای تکه‌ای کد + یادداشتکاوش و تحلیل داده
VS Codeادیتور قدرتمند + افزونه Jupyterپروژه‌های بزرگ‌تر
Google Colabبدون نصب + GPU رایگانشروع سریع و یادگیری عمیق
هشدار: اگر هنگام import خطای ModuleNotFoundError گرفتید، یعنی کتابخانه نصب نشده است. دوباره pip install را اجرا کنید و مطمئن شوید pip مربوط به همان پایتون است که استفاده می‌کنید.

جمع‌بندی

این مبحث بخشی از دوره آموزش کامل علم داده است.

ابزارهای مرتبط