Category: လမ်းညွှန်

စာရင်းအင်း နယ်ပယ်သည် အချက်အလက်စုဆောင်းခြင်း၊ ခွဲခြမ်းစိတ်ဖြာခြင်း၊ အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းနှင့် တင်ပြခြင်းနှင့် သက်ဆိုင်သည်။ စာရင်းကိုင်နယ်ပယ်တွင်၊ စာရင်းဇယားများသည် အောက်ပါအကြောင်းများကြောင့် အရေးကြီးသည်- အကြောင်းရင်း 1 : စာရင်းကိုင်များသည် လုပ်ငန်းဝင်ငွေ၊ အသုံးစရိတ်များနှင့် အမြတ်များဆိုင်ရာ အချက်အလက်များကို အကျဉ်းချုပ်ရန် သရုပ်ဖော်ကိန်းဂဏန်းများကို အသုံးပြုပါသည်။ အကြောင်းရင်း 2- စာရင်းကိုင်များသည် လုပ်ငန်းဝင်ငွေနှင့် အသုံးစရိတ်များနှင့်ဆက်စပ်သော ခေတ်ရေစီးကြောင်းများကို မြင်သာစေရန်အတွက် လိုင်းဇယားများ၊ အကွက်ကွက်များ၊ အပိုင်းအစများနှင့် အခြားဇယားများကို အသုံးပြုပါသည်။ အကြောင်းရင်း 3- စာရင်းကိုင်များသည် ကုမ္ပဏီများ၏ အနာဂတ် ၀င်ငွေ၊ အသုံးစရိတ်များနှင့်...

တန်ဖိုးတစ်ခု၏ ရာခိုင်နှုန်းအဆင့်သည် ပေးထားသည့်တန်ဖိုးထက် အတန်းနှင့် ညီမျှသော သို့မဟုတ် နိမ့်သော ဒေတာအတွဲတစ်ခုရှိ တန်ဖိုးများ၏ ရာခိုင်နှုန်းကို ပြောပြသည်။ ပန်ဒါများတွင် ရာခိုင်နှုန်းအလိုက်အဆင့်ကို တွက်ချက်ရန် အောက်ပါနည်းလမ်းများကို သင်သုံးနိုင်သည်။ နည်းလမ်း 1- ကော်လံအတွက် ရာခိုင်နှုန်းအဆင့်ကို တွက်ချက်ပါ။ df[' percent_rank '] = df[' some_column ']. rank (pct= True ) နည်းလမ်း 2- အုပ်စုအလိုက် ရာခိုင်နှုန်းအဆင့်ကို တွက်ချက်ပါ။ df[' percent_rank '] =...

အပိုင်းခွဲများအတွင်း ပန်ဒါ DataFrames များစွာကို ချရန် အောက်ပါ အခြေခံ အထားအသိုကို အသုံးပြုနိုင်သည်။ import matplotlib. pyplot as plt #define subplot layout fig, axes = plt. subplots (nrows= 2 , ncols= 2 ) #add DataFrames to subplots df1. plot (ax=axes[0,0]) df2. plot (ax=axes[0,1]) df3. plot (ax=axes[1,0])...

pandas DataFrame အတွင်းရှိ variable များအတွက် descriptive statistics ကိုဖန်တီးရန် describe() လုပ်ဆောင်ချက်ကို သင်အသုံးပြုနိုင်ပါသည်။ ပန်ဒါရှိ groupby() လုပ်ဆောင်ချက်ဖြင့် describe() လုပ်ဆောင်ချက်ကို အသုံးပြုရန် အောက်ပါအခြေခံ syntax ကို သင်အသုံးပြုနိုင်သည်- df. groupby (' group_var ')[' values_var ']. describe () အောက်ဖော်ပြပါ ဥပမာသည် ဤ syntax ကို လက်တွေ့တွင် မည်သို့အသုံးပြုရမည်ကို ပြသထားသည်။ ဥပမာ- Pandas ရှိ...

3D pandas DataFrame ကို လျင်မြန်စွာ ဖန်တီးရန် xarray module ကို သင် အသုံးပြုနိုင်ပါသည်။ ဤသင်ခန်းစာတွင် xarray module လုပ်ဆောင်ချက်များကို အသုံးပြု၍ အောက်ပါ pandas 3D DataFrame ဖန်တီးနည်းကို ရှင်းပြထားသည်။ product_A product_B product_C year quarter 2021 Q1 1.624345 0.319039 50 Q2 -0.611756 0.319039 50 Q3 -0.528172 0.319039 50 Q4...

az ရမှတ်မှ ဖြစ်နိုင်ခြေကို ရှာဖွေရန် အလွယ်ဆုံးနည်းလမ်းမှာ z ဇယား ရှိ z ရမှတ်နှင့် ကိုက်ညီသော ဖြစ်နိုင်ခြေကို ရိုးရိုးရှင်းရှင်း ရှာဖွေရန်ဖြစ်သည် ။ ဤသင်ခန်းစာတွင် အောက်ပါဖြစ်နိုင်ခြေများကို ရှာဖွေရန် z ဇယားကို အသုံးပြုပုံကို ရှင်းပြထားသည်။ တန်ဖိုးသည် အချို့ z-score အောက်ရှိ ဖြစ်နိုင်ခြေ။ တန်ဖိုးသည် အချို့ z-score ထက် ပိုများသည်ဖြစ်နိုင်ခြေ။ အချို့သော z-ရမှတ်နှစ်ခုကြားတွင် တန်ဖိုးတစ်ခု ကျရောက်နိုင်ခြေ။ သွားကြရအောင်! ဥပမာ 1- အချို့သော Z...

ပျမ်းမျှ သည် ဒေတာအစုတစ်ခုရှိ ပျမ်းမျှတန်ဖိုးကို ကိုယ်စားပြုသည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။ နမူနာဆိုလို = Σx i /n ရွှေ- ∑- “ပေါင်း” ဟူသော သင်္ကေတ၊ x i : ဒေတာအစုံရှိ i th observation n- ဒေတာအတွဲတွင် ကြည့်ရှုမှုစုစုပေါင်း စံသွေဖည်မှုသည် ဆိုလိုရင်းနှင့် ဆက်စပ်သော ဒေတာအတွဲတစ်ခုတွင် တန်ဖိုးများ ဖြန့်ဖြူးမှုကို ကိုယ်စားပြုသည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။ နမူနာစံသွေဖည်ခြင်း = √ Σ(x i...

machine learning တွင် အသုံးအများဆုံး အစုလိုက်အပြုံလိုက် အယ်လဂိုရီသမ်များထဲမှ တစ်ခုကို k-means အစုအဝေးပြုလုပ်ခြင်း ဟုခေါ်သည်။ K ဆိုသည်မှာ အစုအဝေးတစ်ခုစီကို K အစုအဝေးတစ်ခုသို့ ဒေတာအတွဲတစ်ခုမှ စူးစမ်းလေ့လာမှုတစ်ခုစီကို ထားရှိပေးသည့် နည်းလမ်းတစ်ခုဖြစ်သည်။ အဆုံးပန်းတိုင်မှာ အစုအဝေးတစ်ခုစီရှိ ရှုမြင်သုံးသပ်ချက်များသည် တစ်ခုနှင့်တစ်ခု အလွန်တူညီပြီး ကွဲပြားသောအစုအဝေးများတွင် လေ့လာမှုများသည် တစ်ခုနှင့်တစ်ခု အလွန်ကွာခြားသော်လည်း K အစုအဝေးများ ရှိရန်ဖြစ်သည်။ လက်တွေ့တွင်၊ ကျွန်ုပ်တို့သည် K-Means အစုအဝေးပြုလုပ်ရန် အောက်ပါအဆင့်များကို အသုံးပြုသည်- 1. K အတွက် တန်ဖိုးတစ်ခုကို...

Pandas query() လုပ်ဆောင်ချက်တွင် LIKE (SQL နှင့် ဆင်တူသည်) ကို အသုံးပြုရန် အောက်ပါနည်းလမ်းများကို အသုံးပြု၍ သီးခြားပုံစံတစ်ခုပါရှိသော အတန်းများကို ရှာဖွေနိုင်သည်- နည်းလမ်း 1- ပုံစံတစ်ခုပါရှိသော အတန်းများကို ရှာပါ။ df. query (' my_column.str.contains("pattern1") ') နည်းလမ်း 2- ပုံစံများစွာထဲမှ တစ်ခုပါရှိသော အတန်းများကို ရှာပါ။ df. query (' my_column.str.contains("pattern1|pattern2") ') အောက်ဖော်ပြပါနမူနာများသည် အောက်ပါ pandas DataFrame ဖြင့် လက်တွေ့တွင်...

Pandas DataFrame တွင် ကော်လံတန်ဖိုးများ ဖြန့်ချီရန် အောက်ပါနည်းလမ်းများကို သင်အသုံးပြုနိုင်ပါသည်။ Method 1: ကော်လံတစ်ခုတွင် တန်ဖိုးများ ဖြန့်ဖြူးမှုကို ကြံစည်ပါ။ df[' my_column ']. plot (kind=' kde ') Method 2: ကော်လံတစ်ခုတွင် တန်ဖိုးများ ဖြန့်ဖြူးမှုကို အခြားကော်လံဖြင့် အုပ်စုဖွဲ့ပါ။ df. groupby (' group_column ')[' values_column ']. plot (kind=' kde ') အောက်ဖော်ပြပါနမူနာများသည် အောက်ပါ pandas...