anakonda Python ve R programlama dilleri için veri bilimi ve makine öğrenimi platformudur. Projeler oluşturma ve dağıtma sürecini basit, istikrarlı ve sistemler arasında yeniden üretilebilir hale getirmek için tasarlanmıştır ve Linux, Windows ve OSX’te mevcuttur. Anaconda, pandalar, scikit-learn, SciPy, NumPy ve Google’ın makine öğrenimi platformu TensorFlow dahil olmak üzere büyük veri bilimi paketlerini düzenleyen Python tabanlı bir platformdur. Conda (pip benzeri bir kurulum aracı), GUI deneyimi için Anaconda gezgini ve bir IDE için casus yazılım ile birlikte gelir. Python programlama dili için Anaconda, conda ve spyder’ın temelleri hakkında bilgi verir ve kendinizinkini oluşturmaya başlamanız için gereken kavramları size tanıtır. projeler.
Anaconda’yı farklı dağıtımlara ve yerel paket yönetim sistemlerine kurmak için bu sitede birçok harika makale var. Bu nedenle, aşağıda bu çalışmaya bazı bağlantılar sunacağım ve aracın kendisini ele almaya atlayacağım.
Conda’nın temelleri
Conda, Anaconda’nın çekirdeğini oluşturan Anaconda paket yönetimi ve çevre aracıdır. Python, C ve R paket yönetimi ile çalışmak üzere tasarlanmış olması dışında pip’e çok benzer. Conda ayrıca sanal ortamları, hakkında yazdığım virtualenv’e benzer şekilde yönetir. Burada.
Kurulumu Onayla
İlk adım, sisteminizdeki kurulumu ve sürümü onaylamaktır. Aşağıdaki komutlar Anaconda’nın kurulu olup olmadığını kontrol edecek ve sürümü terminale yazdıracaktır.
Aşağıdakine benzer sonuçlar görmelisiniz. Şu anda 4.4.7 sürümü yüklü.
$ conda –versiyon
conda 4.4.7
Sürümü Güncelle
conda, aşağıdaki gibi conda’nın update argümanı kullanılarak güncellenebilir.
$ conda güncelleme conda
Bu komut, conda’yı en güncel sürüme güncelleyecektir.
Devam et ([y]/n)? y
Paketleri İndirme ve Çıkarma
conda 4.4.8: ########################################### ############## | 100%
openssl 1.0.2n: ########################################## ########### | 100%
sertifika 2018.1.18: ########################################## ######## | 100%
ca-sertifikaları 2017.08.26: ######################################## # | 100%
İşlem hazırlanıyor: tamamlandı
İşlem doğrulanıyor: tamamlandı
İşlem yürütülüyor: tamamlandı
version argümanını tekrar çalıştırarak, versiyonumun aracın en yeni sürümü olan 4.4.8’e güncellendiğini görüyoruz.
$ conda –versiyon
conda 4.4.8
Yeni bir Ortam Yaratmak
Yeni bir sanal ortam oluşturmak için aşağıdaki komut dizisini çalıştırırsınız.
$ conda create -n tutorialConda python=3
Yeni ortamınıza kurulan paketleri aşağıda görebilirsiniz.
Paketleri İndirme ve Çıkarma
sertifika 2018.1.18: ########################################## ######## | 100%
sqlite 3.22.0: ########################################## ############ | 100%
tekerlek 0.30.0: ########################################### ############# | 100%
tk 8.6.7: ########################################### ################# | 100%
readline 7.0: ############################################ ########### | 100%
ncurses 6.0: ############################################ ############ | 100%
libcxxabi 4.0.1: ########################################## ########## | 100%
python 3.6.4: ########################################### ############# | 100%
libffi 3.2.1: ########################################## ############# | 100%
setuptools 38.4.0: ########################################## ######## | 100%
libedit 3.1: ############################################ ############ | 100%
xz 5.2.3: ########################################### ################# | 100%
zlib 1.2.11: ########################################## ############## | 100%
pip 9.0.1: ########################################### ################ | 100%
libcxx 4.0.1: ########################################## ############# | 100%
İşlem hazırlanıyor: tamamlandı
İşlem doğrulanıyor: tamamlandı
İşlem yürütülüyor: tamamlandı
#
# Bu ortamı etkinleştirmek için şunu kullanın:
# > kaynak etkinleştirme öğreticisiConda
#
# Etkin bir ortamı devre dışı bırakmak için şunu kullanın:
# > kaynak devre dışı bırak
#
aktivasyon
Virtualenv’e çok benzer şekilde, yeni oluşturduğunuz ortamı etkinleştirmelisiniz. Aşağıdaki komut, ortamınızı Linux’ta etkinleştirecektir.
kaynak etkinleştirme öğreticiConda
Bradleys-Mini:~ BradleyPatton$ kaynağı etkinleştirme öğreticisiConda
(eğiticiConda) Bradleys-Mini:~ BradleyPatton$
Paketleri Yükleme
Conda list komutu, projenizde kurulu olan paketleri listeler. install komutuyla ek paketler ve bunların bağımlılıklarını ekleyebilirsiniz.
# /Users/BradleyPatton/anaconda/envs/tutorialConda’daki ortamdaki paketler:
#
# Ad Sürüm Oluşturma Kanalı
ca-sertifikaları 2017.08.26 ha1e5d58_0
sertifika 2018.1.18 py36_0
libcxx 4.0.1 h579ed51_0
libcxxabi 4.0.1 hebd6815_0
libedit 3.1 hb4e282d_0
libffi 3.2.1 h475c297_4
ncurses 6.0 hd04f020_2
openssl 1.0.2n hdbc3d79_0
pip 9.0.1 py36h1555ced_4
piton 3.6.4 hc167b69_1
okuma satırı 7.0 hc1231fa_4
kurulum araçları 38.4.0 py36_0
sqlite 3.22.0 h3efe00b_0
tk 8.6.7 h35a86e2_3
tekerlek 0.30.0 py36h5eb2c71_1
xz 5.2.3 h0278029_2
zlib 1.2.11 hf3cbc9b_2
Pandaları mevcut ortama kurmak için aşağıdaki kabuk komutunu uygularsınız.
İlgili paketleri ve bağımlılıkları indirecek ve kuracaktır.
Aşağıdaki paketler indirilecektir:
paket | yapı
|
libgfortran-3.0.1 | h93005f0_2 495 KB
pandalar-0.22.0 | py36h0a44026_0 10.0 MB
numpy-1.14.0 | py36h8a80b8c_1 3,9 MB
python-dateutil-2.6.1 | py36h86d2abb_1 238 KB
mkl-2018.0.1 | hfbd8650_4 155.1 MB
pytz-2017.3 | py36hf0bf824_0 210 KB
altı-1.11.0 | py36h0e22d5e_1 21 KB
intel-openmp-2018.0.0 | h8158457_8 493 KB
Toplam: 170,3 MB
Aşağıdaki YENİ paketler KURULACAKTIR:
intel-openmp: 2018.0.0-h8158457_8
libgfortran: 3.0.1-h93005f0_2
mkl: 2018.0.1-hfbd8650_4
numpy: 1.14.0-py36h8a80b8c_1
pandalar: 0.22.0-py36h0a44026_0
python-dateutil: 2.6.1-py36h86d2abb_1
pytz: 2017.3-py36hf0bf824_0
altı: 1.11.0-py36h0e22d5e_1
List komutunu tekrar çalıştırarak sanal ortamımıza yeni paketlerin kurulduğunu görüyoruz.
$ conda listesi
# /Users/BradleyPatton/anaconda/envs/tutorialConda’daki ortamdaki paketler:
#
# Ad Sürüm Oluşturma Kanalı
ca-sertifikaları 2017.08.26 ha1e5d58_0
sertifika 2018.1.18 py36_0
intel-openmp 2018.0.0 h8158457_8
libcxx 4.0.1 h579ed51_0
libcxxabi 4.0.1 hebd6815_0
libedit 3.1 hb4e282d_0
libffi 3.2.1 h475c297_4
libgfortran 3.0.1 h93005f0_2
mkl 2018.0.1 hfbd8650_4
ncurses 6.0 hd04f020_2
numpy 1.14.0 py36h8a80b8c_1
openssl 1.0.2n hdbc3d79_0
pandalar 0.22.0 py36h0a44026_0
pip 9.0.1 py36h1555ced_4
piton 3.6.4 hc167b69_1
python-dateutil 2.6.1 py36h86d2abb_1
pytz 2017.3 py36hf0bf824_0
okuma satırı 7.0 hc1231fa_4
kurulum araçları 38.4.0 py36_0
altı 1.11.0 py36h0e22d5e_1
sqlite 3.22.0 h3efe00b_0
tk 8.6.7 h35a86e2_3
tekerlek 0.30.0 py36h5eb2c71_1
xz 5.2.3 h0278029_2
zlib 1.2.11 hf3cbc9b_2
Anaconda deposunun parçası olmayan paketler için tipik pip komutlarını kullanabilirsiniz. Çoğu Python kullanıcısı komutlara aşina olacağından burada buna değinmeyeceğim.
Anakonda Gezgini
Anaconda, geliştirme için hayatı kolaylaştıran GUI tabanlı bir navigasyon uygulaması içerir. Önceden yüklenmiş projeler olarak spyder IDE ve jupyter notebook’u içerir. Bu, GUI masaüstü ortamınızdan bir projeyi hızlı bir şekilde başlatmanıza olanak tanır.
Navigatörden yeni oluşturduğumuz ortamımızdan çalışmaya başlamak için sol taraftaki araç çubuğu altından ortamımızı seçmeliyiz.
Daha sonra kullanmak istediğimiz araçları kurmamız gerekiyor. Benim için bu, yani casus IDE. Veri bilimi çalışmamın çoğunu burada yapıyorum ve bana göre bu verimli ve üretken bir Python IDE’si. Spyder için dock kutucuğundaki yükleme düğmesine tıklamanız yeterlidir. Gezgin gerisini halleder.
Kurulduktan sonra IDE’yi aynı dock döşemesinden açabilirsiniz. Bu, spyder’ı masaüstü ortamınızdan başlatır.
örümcek
spyder, Anaconda için varsayılan IDE’dir ve Python’daki hem standart hem de veri bilimi projeleri için güçlüdür. Spyder IDE, entegre bir IPython not defterine, bir kod düzenleyici penceresine ve konsol penceresine sahiptir.
Spyder ayrıca standart hata ayıklama yetenekleri ve bir şeyler tam olarak planlandığı gibi gitmediğinde yardımcı olmak için değişken bir gezgin içerir.
Örnek olarak, gelecekteki hisse senedi fiyatlarını tahmin etmek için rastgele forrest regresyonunu kullanan küçük bir SKLearn uygulamasını ekledim. Aracın kullanışlılığını göstermek için bazı IPython Notebook çıktılarını da ekledim.
Veri bilimini keşfetmeye devam etmek istiyorsanız, aşağıda yazdığım başka derslerim var. Bunların çoğu Anaconda’nın yardımıyla yazılmıştır ve spyder abnd ortamda sorunsuz çalışmalıdır.
- pandas-read_csv-eğiticisi
- pandalar-veri-çerçevesi-eğiticisi
- psycopg2-eğitici
- Kwant
içe aktarmak pandalar olarak pd
itibaren pandas_dataokuyucu içe aktarmak veri
içe aktarmak dizi olarak np
içe aktarmak talib olarak ta
itibaren sklearn.çapraz doğrulamaiçe aktarmak train_test_split
itibaren sklearn.lineer_modeliçe aktarmak DoğrusalRegresyon
itibaren sklearn.metrikleriçe aktarmak ortalama_kare_hatası
itibaren sklearn.toplulukiçe aktarmak RastgeleOrmanRegresör
itibaren sklearn.metrikleriçe aktarmak ortalama_kare_hatası
tanım get_data(semboller, Başlangıç tarihi, bitiş tarihi,sembol):
panel = veri.Veri Okuyucu(semboller,‘yahoo’, Başlangıç tarihi, bitiş tarihi)
df = panel[‘Kapat’]
Yazdır(df.kafa(5))
Yazdır(df.kuyruk(5))
Yazdır df.yer[“2017-12-12”]
Yazdır df.yer[“2017-12-12”,sembol]
Yazdır df.yer[: ,sembol]
df.dolgu(1.0)
df[“RSI”]= ta.RSI(np.dizi(df.iloc[:,0]))
df[“SMA”]= ta.SMA(np.dizi(df.iloc[:,0]))
df[“BANDSU”]= ta.BBANDS(np.dizi(df.iloc[:,0]))[0]
df[“BBANDSL”]= ta.BBANDS(np.dizi(df.iloc[:,0]))[1]
df[“RSI”]= df[“RSI”].vardiya(–2)
df[“SMA”]= df[“SMA”].vardiya(–2)
df[“BANDSU”]= df[“BANDSU”].vardiya(–2)
df[“BBANDSL”]= df[“BBANDSL”].vardiya(–2)
df = df.dolgu(0)
Yazdır df
tren = df.örneklem(frak=0.8, rastgele_durum=1)
Ölçek= df.yer[~df.dizin.içinde(tren.dizin)]
Yazdır(tren.şekil)
Yazdır(Ölçek.şekil)
# Veri çerçevesinden tüm sütunları alın.
sütunlar = df.sütunlar.Listeye()
Yazdır sütunlar
# Tahmin edeceğimiz değişkeni kaydedin.
hedef =sembol
# Model sınıfını başlat.
model = RastgeleOrmanRegresör(n_tahminciler=100, min_samples_leaf=10, rastgele_durum=1)
# Modeli eğitim verilerine uydurun.
modeli.Uygun(tren[sütunlar], tren[hedef])
# Test seti için tahminlerimizi oluşturun.
tahminler = modeli.tahmin etmek(Ölçek[sütunlar])
Yazdır“önceden”
Yazdır tahminler
#df2 = pd. DataFrame (veri=tahminler[:])
#df2 yazdır
#df = pd.concat([test, df2], eksen=1)
# Test tahminlerimiz ile gerçek değerler arasındaki hatayı hesaplayın.
Yazdır“mean_kare_hatası:” + cadde(ortalama_kare_hatası(tahminler,Ölçek[hedef]))
geri dönmek df
tanım normalize_data(df):
geri dönmek df / df.iloc[0,:]
tanım arsa_verileri(df, Başlık=“Stok fiyatları”):
balta = df.arsa(Başlık=Başlık,yazı Boyutu =2)
baltaset_xlabel(“Tarih”)
baltaset_ylabel(“Fiyat”)
arsa.göstermek()
tanım öğretici_run():
#Sembol seç
sembol=“EGRX”
semboller =[sembol]
#veri al
df = get_data(semboller,‘2005-01-03’,‘2017-12-31’,sembol)
normalize_data(df)
arsa_verileri(df)
Eğer __isim__ ==“__ana__”:
öğretici_run()
İsim: EGRX, Uzunluk: 979, dtype: float64
EGRX RSI SMA BBANDSU BBANDSL
Tarih
2017-12-29 53.419998 0.000000 0.000000 0.000000 0.000000
2017-12-28 54.740002 0.000000 0.000000 0.000000 0.000000
2017-12-27 54.160000 0.000000 0.000000 55.271265 54.289999
Çözüm
Anaconda, Python’da veri bilimi ve makine öğrenimi için harika bir ortamdır. Güçlü, istikrarlı ve tekrarlanabilir bir veri bilimi platformu için birlikte çalışmak üzere tasarlanmış bir dizi derlenmiş paketle birlikte gelir. Bu, bir geliştiricinin içeriğini dağıtmasına ve makineler ve işletim sistemleri arasında aynı sonuçları üretmesini sağlamasına olanak tanır. Kolayca projeler oluşturmanıza ve ortamlar arasında geçiş yapmanıza olanak tanıyan Navigator gibi hayatı kolaylaştıran yerleşik araçlarla birlikte gelir. Algoritmalar geliştirmek ve finansal analiz için projeler oluşturmak için benim tercihim. Hatta çevreye aşina olduğum için Python projelerimin çoğunda kullandığımı bile görüyorum. Python ve veri bilimine başlamak istiyorsanız Anaconda iyi bir seçimdir.
Diğer gönderilerimize göz at
[wpcin-random-posts]
İlk Yorumu Siz Yapın