[فارسی]

01 مقدمه
01-01 معرفی دوره
01-02 ساختار و طرح کلی دوره
01-03 معرفی پروژه دوره
01-04 تعیین انتظارات
01-05 نصب و راه اندازی Jupyter

02 NumPy Primer
02-01 پانداها و معرفی NumPy
02-02 آرایه های NumPy و ویژگی های آرایه
02-03 چالش: اصول اولیه آرایه
02-04 راه حل: اصول آرایه
02-05 ایجاد آرایه
02-06 تولید اعداد تصادفی
02-07 چالش: ایجاد آرایه
02-08 راه حل: ایجاد آرایه
02-09 نمایه سازی و برش آرایه ها
02-10 چالش: نمایه سازی و برش آرایه ها
02-11 راه حل: نمایه سازی و برش آرایه ها
02-12 عملیات آرایه
02-13 چالش: عملیات آرایه
02-14 راه حل: عملیات آرایه
02-15 فیلتر کردن آرایه ها و تغییر مقادیر آرایه
02-16 تابع Where().
02-17 چالش: فیلتر کردن و اصلاح آرایه ها
02-18 راه حل: فیلتر کردن و اصلاح آرایه ها
02-19 تجمع آرایه
02-20 توابع آرایه
02-21 مرتب سازی آرایه ها
02-22 چالش: تجمیع و مرتب سازی
02-23 راه حل: تجمع و مرتب سازی
02-24 برداری
02-25 پخش
چالش 02-26: جمع کردن همه چیز
02-27 راه حل: همه را جمع کنید
02-28 غذای اصلی

03 سری پانداها
مبانی سری 03-01
03-02 پانداها انواع داده و تبدیل نوع
03-03 چالش: انواع داده ها و تبدیل نوع
03-04 راه حل: انواع داده ها و تبدیل نوع
03-05 فهرست سری و شاخص های سفارشی
03-06 دسترسی .iloc
03-07 دسترسی .loc
03-08 مقادیر شاخص تکراری و تنظیم مجدد شاخص
03-09 چالش: دسترسی به داده ها و تنظیم مجدد شاخص
03-10 راه حل: دسترسی به داده ها و تنظیم مجدد شاخص
03-11 فیلترینگ سری و تست های منطقی
03-12 سری مرتب سازی
03-13 چالش: مرتب سازی و فیلتر کردن سری
03-14 راه حل: مرتب سازی و فیلتر کردن سری
03-15 عملیات سری عددی
03-16 عملیات سری متنی
03-17 چالش: عملیات سری
03-18 راه حل: عملیات سری
03-19 تجمع سری عددی
03-20 تجمیع سری های دسته بندی
03-21 چالش: تجمع سری
03-22 راه حل: تجمیع سری
03-23 ​​نمایش داده های از دست رفته در پانداها
03-24 شناسایی داده های از دست رفته
03-25 رفع داده های از دست رفته
03-26 چالش: داده های از دست رفته
03-27 راه حل: داده های از دست رفته
03-28 اعمال توابع سفارشی در سری
پانداهای 03-29 Where() در مقابل NumPy Where()
چالش 03-30: application() و Where()
03-31 راه حل: application() و where()
03-32 غذای اصلی

04 مقدمه ای بر DataFrames
04-01 اصول اولیه DataFrame
04-02 ایجاد یک DataFrame
چالش 04-03: مبانی DataFrame
04-04 راه حل: مبانی DataFrame
04-05 کاوش قاب های داده: سر، دم، و نمونه
04-06 بررسی DataFrames: اطلاعات و توصیف
04-07 چالش: کاوش در یک DataFrame
04-08 راه حل: کاوش در یک DataFrame
04-09 دسترسی به ستون های DataFrame
04-10 دسترسی به داده های DataFrame با .iloc و .loc
04-11 چالش: دسترسی به داده های DataFrame
04-12 راه حل: دسترسی به داده های DataFrame
04-13 رها کردن ستون ها و ردیف ها
04-14 شناسایی و حذف موارد تکراری
04-15 چالش: حذف داده ها
04-16 راه حل: حذف داده ها
04-17 داده های از دست رفته
04-18 چالش: داده های از دست رفته
04-19 راه حل: داده های از دست رفته
04-20 فیلتر کردن دیتا فریم ها
نکته حرفه ای 04-21: متد query().
چالش 04-22: فیلتر کردن DataFrames
04-23 راه حل: فیلتر کردن DataFrames
04-24 مرتب سازی DataFrames
چالش 04-25: مرتب سازی DataFrames
04-26 راه حل: مرتب سازی DataFrames
04-27 تغییر نام و ترتیب مجدد ستون ها
04-28 چالش: تغییر نام و ترتیب مجدد ستون ها
04-29 راه حل: تغییر نام و ترتیب مجدد ستون ها
04-30 ایجاد ستون حسابی و بولی
04-31 چالش: ستون های حسابی و بولی
04-32 راه حل: ستون های حسابی و بولی
نکته حرفه ای 04-33: ستون های شرطی پیشرفته با select()
04-34 چالش: تابع select().
04-35 راه حل: تابع select().
04-36 متد map().
نکته حرفه ای 04-37: ایجاد چندین ستون با assign()
چالش 04-38: map() و assign()
04-39 راه حل: map() و assign()
04-40 نوع داده طبقه بندی شده
04-41 تبدیل نوع
نکته حرفه ای 04-42: استفاده از حافظه و انواع داده
نکته حرفه ای 04-43: حذف انواع داده های عددی
04-44 چالش: انواع داده DataFrame
04-45 راه حل: انواع داده DataFrame
04-46 غذای اصلی

05 تجمیع و تغییر شکل DataFrames
05-01 تجمعات اساسی
05-02 متد groupby().
چالش 05-03: groupby()
05-04 راه حل: groupby()
05-05 گروه بندی بر اساس چندین ستون
چالش 05-06: گروه بندی بر اساس چندین ستون
05-07 راه حل: گروه بندی بر اساس چندین ستون
05-08 MultiIdex DataFrames
05-09 اصلاح چند ایندکس
چالش 05-10: DataFrames MultiIdex
05-11 راه حل: MultiIndex DataFrames
05-12 متد agg() و aggregations نامگذاری شده است
05-13 چالش: متد agg().
05-14 راه حل: متد agg().
نکته حرفه ای 05-15: تبدیل DataFrames
چالش 05-16: تبدیل یک DataFrame
05-17 راه حل: تبدیل یک DataFrame
05-18 میزهای محوری در پانداها
05-19 جداول محوری تجمع چندگانه
نکته حرفه ای 05-20: نقشه های حرارتی جدول محوری
05-21 ذوب داده فریم
چالش 05-22: pivot() و melt()
05-23 راه حل: pivot() و melt()
05-24 غذای اصلی

06 تجسم داده های پایه
06-01 Matplotlib API و متد plot().
06-02 چالش: نمودار خط اصلی
06-03 راه حل: نمودار خط اصلی
06-04 عناوین نمودار
06-05 رنگ نمودار
06-06 سبک های خط
06-07 افسانه های نمودار و خطوط شبکه
06-08 سبک های نمودار
چالش 06-09: نمودار خطی تلطیف شده
06-10 راه حل: نمودار خطی تلطیف شده
06-11 قطعات فرعی و اندازه شکل
06-12 چالش: طرح های فرعی
06-13 راه حل: طرح های فرعی
06-14 نمودار میله ای
06-15 نمودارهای میله ای گروه بندی شده و انباشته شده
چالش 06-16: نمودار میله ای
06-17 راه حل: نمودار میله ای
نمودارهای دایره ای و پراکنده 06-18
چالش 06-19: نمودارهای پراکنده
06-20 راه حل: Scatterplots
06-21 هیستوگرام
06-22 چالش: هیستوگرام
06-23 راه حل: هیستوگرام
06-24 ذخیره قطعات و اکتشاف بیشتر
06-25 غذای اصلی

07 پروژه میانه دوره
07-01 معرفی پروژه میان دوره
07-02 راه حل: پروژه میان دوره

08 تجزیه و تحلیل تاریخ و زمان
08-01 بار در پایتون و پانداها
08-02 تبدیل به زمان تاریخ
08-03 تاریخ های قالب بندی
08-04 قسمت های تاریخ و زمان
چالش 08-05: اصول اولیه تاریخ پانداها
08-06 راه حل: اصول اولیه تاریخ پانداها
08-07 دلتاهای زمانی و حسابی
08-08 چالش: دلتاهای زمانی
08-09 راه حل: دلتاهای زمانی
08-10 شاخص های سری زمانی
08-11 داده های سری زمانی از دست رفته است
چالش 08-12: داده های سری زمانی از دست رفته است
08-13 راه حل: داده های سری زمانی از دست رفته است
08-14 تغییر سری زمانی
نکته حرفه ای 08-15: diff()
چالش 08-16: shift() و diff()
08-17 راه حل: shift() و diff()
08-18 تجمیع و نمونه گیری مجدد
08-19 چالش: نمونه گیری مجدد
08-20 راه حل: نمونه برداری مجدد
08-21 تجمعات نورد
08-22 چالش: تجمعات در حال چرخش
08-23 راه حل: تجمعات نورد
08-24 غذای اصلی

09 واردات و صادرات داده ها
09-01 پیش پردازش با read_csv()
09-02 انتخاب ستون
09-03 انتخاب ردیف و مقادیر از دست رفته
09-04 تجزیه تاریخ ها و انواع داده ها
نکته حرفه ای 09-05: مبدل ها
09-06 چالش: وارد کردن داده ها
09-07 راه حل: وارد کردن داده ها
09-08 وارد کردن از متن و فایل های اکسل
09-09 صادرات به فایل های مسطح
چالش 09-10: واردات و صادرات داده های اکسل
09-11 راه حل: واردات و صادرات داده های اکسل
09-12 کار با پایگاه های داده SQL
09-13 سایر فرمت های فایل پشتیبانی شده
09-14 غذای اصلی

10 پیوستن به DataFrames
10-01 چرا از چند جدول استفاده می کنیم؟
10-02 افزودن DataFrames
10-03 چالش: اضافه کردن DataFrames
10-04 راه حل: افزودن DataFrames
10-05 پیوستن به DataFrames
10-06 انواع پیوستن
10-07 اتصالات داخلی
10-08 چپ پیوست
چالش 10-09: پیوستن به DataFrames
10-10 راه حل: پیوستن به DataFrames
10-11 متد join().
10-12 غذای کلیدی

11 پروژه دوره نهایی
11-01 معرفی نهایی پروژه
11-02 راه حل: پروژه نهایی

[ENGLISH]

01 Introduction
01-01 Course introduction
01-02 Course structure and outline
01-03 Introducing the course project
01-04 Setting expectations
01-05 Jupyter installation and launch

02 NumPy Primer
02-01 pandas and NumPy intro
02-02 NumPy arrays and array properties
02-03 Challenge: Array basics
02-04 Solution: Array basics
02-05 Array creation
02-06 Random number generation
02-07 Challenge: Array creation
02-08 Solution: Array creation
02-09 Indexing and slicing arrays
02-10 Challenge: Indexing and slicing arrays
02-11 Solution: Indexing and slicing arrays
02-12 Array operations
02-13 Challenge: Array operations
02-14 Solution: Array operations
02-15 Filtering arrays and modifying array values
02-16 The where() function
02-17 Challenge: Filtering and modifying arrays
02-18 Solution: Filtering and modifying arrays
02-19 Array aggregation
02-20 Array functions
02-21 Sorting arrays
02-22 Challenge: Aggregation and sorting
02-23 Solution: Aggregation and sorting
02-24 Vectorization
02-25 Broadcasting
02-26 Challenge: Bringing it all together
02-27 Solution: Bringing it all together
02-28 Key takeaways

03 pandas Series
03-01 Series basics
03-02 pandas data types and type conversion
03-03 Challenge: Data types and type conversion
03-04 Solution: Data types and type conversion
03-05 The series index and custom indices
03-06 The .iloc accessor
03-07 The .loc accessor
03-08 Duplicate index values and resetting the index
03-09 Challenge: Accessing data and resetting the index
03-10 Solution: Accessing data and resetting the index
03-11 Filtering series and logical tests
03-12 Sorting series
03-13 Challenge: Sorting and filtering series
03-14 Solution: Sorting and filtering series
03-15 Numeric series operations
03-16 Text series operations
03-17 Challenge: Series operations
03-18 Solution: Series operations
03-19 Numerical series aggregation
03-20 Categorical series aggregation
03-21 Challenge: Series aggregation
03-22 Solution: Series aggregation
03-23 Missing data representation in pandas
03-24 Identifying missing data
03-25 Fixing missing data
03-26 Challenge: Missing data
03-27 Solution: Missing data
03-28 Applying custom functions to series
03-29 pandas where() vs. NumPy where()
03-30 Challenge: apply() and where()
03-31 Solution: apply() and where()
03-32 Key takeaways

04 Intro to DataFrames
04-01 DataFrame basics
04-02 Creating a DataFrame
04-03 Challenge: DataFrame basics
04-04 Solution: DataFrame basics
04-05 Exploring DataFrames: Heads, tails, and sample
04-06 Exploring DataFrames: Info and describe
04-07 Challenge: Exploring a DataFrame
04-08 Solution: Exploring a DataFrame
04-09 Accessing DataFrame columns
04-10 Accessing DataFrame data with .iloc and .loc
04-11 Challenge: Accessing DataFrame data
04-12 Solution: Accessing DataFrame data
04-13 Dropping columns and rows
04-14 Identifying and dropping duplicates
04-15 Challenge: Dropping data
04-16 Solution: Dropping data
04-17 Missing data
04-18 Challenge: Missing data
04-19 Solution: Missing data
04-20 Filtering DataFrames
04-21 Pro tip: The query() method
04-22 Challenge: Filtering DataFrames
04-23 Solution: Filtering DataFrames
04-24 Sorting DataFrames
04-25 Challenge: Sorting DataFrames
04-26 Solution: Sorting DataFrames
04-27 Renaming and reordering columns
04-28 Challenge: Renaming and reordering columns
04-29 Solution: Renaming and reordering columns
04-30 Arithmetic and Boolean column creation
04-31 Challenge: Arithmetic and Boolean columns
04-32 Solution: Arithmetic and Boolean columns
04-33 Pro tip: Advanced conditional columns with select()
04-34 Challenge: The select() function
04-35 Solution: The select() function
04-36 The map() method
04-37 Pro tip: Multiple column creation with assign()
04-38 Challenge: map() and assign()
04-39 Solution: map() and assign()
04-40 The categorical data type
04-41 Type conversion
04-42 Pro tip: Memory usage and data types
04-43 Pro tip: Downcasting numeric data types
04-44 Challenge: DataFrame data types
04-45 Solution: DataFrame data types
04-46 Key takeaways

05 Aggregating and Reshaping DataFrames
05-01 Basic aggregations
05-02 The groupby() method
05-03 Challenge: groupby()
05-04 Solution: groupby()
05-05 Grouping by multiple columns
05-06 Challenge: Grouping by multiple columns
05-07 Solution: Grouping by multiple columns
05-08 MultiIndex DataFrames
05-09 Modifying a MultiIndex
05-10 Challenge: MultiIndex DataFrames
05-11 Solution: MultiIndex DataFrames
05-12 The agg() method and named aggregations
05-13 Challenge: The agg() method
05-14 Solution: The agg() method
05-15 Pro tip: Transforming DataFrames
05-16 Challenge: Transforming a DataFrame
05-17 Solution: Transforming a DataFrame
05-18 Pivot tables in pandas
05-19 Multiple aggregation pivot tables
05-20 Pro tip: Pivot table heatmaps
05-21 Melting DataFrames
05-22 Challenge: pivot() and melt()
05-23 Solution: pivot() and melt()
05-24 Key takeaways

06 Basic Data Visualization
06-01 The Matplotlib API and the plot() method
06-02 Challenge: Basic line chart
06-03 Solution: Basic line chart
06-04 Chart titles
06-05 Chart colors
06-06 Line styles
06-07 Chart legends and gridlines
06-08 Chart styles
06-09 Challenge: Stylized line chart
06-10 Solution: Stylized line chart
06-11 Subplots and figure size
06-12 Challenge: Subplots
06-13 Solution: Subplots
06-14 Bar charts
06-15 Grouped and stacked bar charts
06-16 Challenge: Bar charts
06-17 Solution: Bar charts
06-18 Pie charts and scatterplots
06-19 Challenge: Scatterplots
06-20 Solution: Scatterplots
06-21 Histograms
06-22 Challenge: Histograms
06-23 Solution: Histograms
06-24 Saving plots and further exploration
06-25 Key takeaways

07 Mid-Course Project
07-01 Mid-course project intro
07-02 Solution: Mid-course project

08 Analyzing Dates and Times
08-01 Times in Python and pandas
08-02 Converting to datetimes
08-03 Formatting dates
08-04 Date and time parts
08-05 Challenge: pandas datetime basics
08-06 Solution: pandas datetime basics
08-07 Time deltas and arithmetic
08-08 Challenge: Time deltas
08-09 Solution: Time deltas
08-10 Time series indices
08-11 Missing time series data
08-12 Challenge: Missing time series data
08-13 Solution: Missing time series data
08-14 Shifting time series
08-15 Pro tip: diff()
08-16 Challenge: shift() and diff()
08-17 Solution: shift() and diff()
08-18 Aggregation and resampling
08-19 Challenge: Resampling
08-20 Solution: Resampling
08-21 Rolling aggregations
08-22 Challenge: Rolling aggregations
08-23 Solution: Rolling aggregations
08-24 Key takeaways

09 Importing and Exporting Data
09-01 Preprocessing with read_csv()
09-02 Column selection
09-03 Row selection and missing values
09-04 Parsing dates and data types
09-05 Pro tip: Converters
09-06 Challenge: Importing data
09-07 Solution: Importing data
09-08 Importing from text and Excel files
09-09 Exporting to flat files
09-10 Challenge: Importing and exporting Excel data
09-11 Solution: Importing and exporting Excel data
09-12 Working with SQL databases
09-13 Other supported file formats
09-14 Key takeaways

10 Joining DataFrames
10-01 Why use multiple tables?
10-02 Appending DataFrames
10-03 Challenge: Appending DataFrames
10-04 Solution: Appending DataFrames
10-05 Joining DataFrames
10-06 Join types
10-07 Inner joins
10-08 Left joins
10-09 Challenge: Joining DataFrames
10-10 Solution: Joining DataFrames
10-11 The join() method
10-12 Key takeaways

11 Final Course Project
11-01 Final project intro
11-02 Solution: Final project