Our website is made possible by displaying online advertisements to our visitors.
Please consider supporting us by disabling your ad blocker.

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

  plt.show()

import pandas as pd
import matplotlib.pyplot as plt
# داده‌ی نمونه: نمره‌های یک کلاس
data = {
    "name": ["علی", "سارا", "مهدی", "مینا", "رضا", "نگار", "حسین", "الهام"],
    "score": [18, 12, 9, 15, 7, 20, 14, 8]
}
df = pd.DataFrame(data)
print(df)

avg_score = df["score"].mean()
min_score = df["score"].min()
max_score = df["score"].max()
print("میانگین نمره:", avg_score)
print("کمترین نمره:", min_score)
print("بیشترین نمره:", max_score)

print("میانه‌ی نمره:", df["score"].median())
print("انحراف معیار:", df["score"].std())

failed = df[df["score"] < 10]
passed = df[df["score"] >= 10]
print("تعداد مردودها:", len(failed))
print("تعداد قبول‌ها:", len(passed))
print("مردودها:")
print(failed)

plt.bar(df["name"], df["score"])
plt.xlabel("دانشجو")
plt.ylabel("نمره")
plt.title("نمره‌های دانشجویان")
plt.xticks(rotation=45)  # چرخاندن برچسب‌ها برای خوانایی بهتر
plt.tight_layout()
plt.show()

df["status"] = df["score"].apply(lambda x: "قبول" if x >= 10 else "مردود")
print(df)

import pandas as pd
import matplotlib.pyplot as plt
data = {
    "month": ["فروردین", "اردیبهشت", "خرداد", "تیر", "مرداد", "شهریور"],
    "sales": [1200, 1500, 1600, 900, 2000, 2300]
}
df = pd.DataFrame(data)
print(df)

total_sales = df["sales"].sum()
avg_sales = df["sales"].mean()
max_sales = df["sales"].max()
best_month = df.loc[df["sales"].idxmax(), "month"]
print("مجموع فروش:", total_sales)
print("میانگین فروش:", avg_sales)
print("بیشترین فروش:", max_sales, "در ماه", best_month)

plt.plot(df["month"], df["sales"], marker="o")
plt.xlabel("ماه")
plt.ylabel("میزان فروش")
plt.title("روند فروش ماهانه")
plt.grid(True)
plt.tight_layout()
plt.show()

weak_months = df[df["sales"] < 1000]
great_months = df[df["sales"] > 1800]
print("ماه‌های با فروش ضعیف:")
print(weak_months)
print("\nماه‌های با فروش خیلی خوب:")
print(great_months)

def label_sales(x):
    if x < 1000:
        return "ضعیف"
    elif x > 1800:
        return "خیلی خوب"
    else:
        return "معمولی"
df["status"] = df["sales"].apply(label_sales)
print(df)

import pandas as pd
import matplotlib.pyplot as plt
data = {
    "height_cm": [160, 165, 170, 175, 180, 185, 190],
    "weight_kg": [55, 60, 65, 72, 80, 85, 90]
}
df = pd.DataFrame(data)
print(df)

df["height_m"] = df["height_cm"] / 100
df["BMI"] = df["weight_kg"] / (df["height_m"] ** 2)
print(df[["height_cm", "weight_kg", "BMI"]])

def label_bmi(bmi):
    if bmi < 18.5:
        return "کم‌وزن"
    elif bmi < 25:
        return "نرمال"
    else:
        return "بالای نرمال"
df["BMI_label"] = df["BMI"].apply(label_bmi)
print(df)

plt.scatter(df["height_cm"], df["weight_kg"])
plt.xlabel("قد (cm)")
plt.ylabel("وزن (kg)")
plt.title("نمودار پراکنش قد و وزن")
plt.grid(True)
plt.show()

import pandas as pd
import matplotlib.pyplot as plt
data = {
    "date": [
        "2024-01-01", "2024-01-02", "2024-01-03",
        "2024-01-04", "2024-01-05", "2024-01-06", "2024-01-07"
    ],
    "temp_c": [5, 7, 6, 4, 3, 8, 10]
}
df = pd.DataFrame(data)
# تبدیل ستون تاریخ به نوع datetime
df["date"] = pd.to_datetime(df["date"])
print(df)

print("میانگین دما:", df["temp_c"].mean())
print("کمترین دما:", df["temp_c"].min())
print("بیشترین دما:", df["temp_c"].max())
coldest_day = df.loc[df["temp_c"].idxmin(), "date"]
hottest_day = df.loc[df["temp_c"].idxmax(), "date"]
print("سردترین روز:", coldest_day)
print("گرم‌ترین روز:", hottest_day)

plt.plot(df["date"], df["temp_c"], marker="o")
plt.xlabel("تاریخ")
plt.ylabel("دما (°C)")
plt.title("تغییرات دمای روزانه")
plt.grid(True)
plt.tight_layout()
plt.show()

import pandas as pd
data = {
    "user": ["کاربر۱", "کاربر۲", "کاربر۳", "کاربر۴", "کاربر۵"],
    "rating": [5, None, 3, 6, 4]  # توجه: 6 نامعتبر است، None داده‌ی خالی
}
df = pd.DataFrame(data)
print(df)

print("مقادیر خالی:")
print(df[df["rating"].isna()])

df_clean = df.dropna(subset=["rating"])
print("بعد از حذف مقادیر خالی:")
print(df_clean)

valid_ratings = df_clean[(df_clean["rating"] >= 1) & (df_clean["rating"] <= 5)]
print("امتیازهای معتبر:")
print(valid_ratings)

avg_rating = valid_ratings["rating"].mean()
print("میانگین امتیاز معتبر:", avg_rating)

Comments

Please login to add a comment.

Don't have an account? Register now!

Where to Move

Move chapter:

• ☰ فصل ۱: برنامه‌نویسی چیست؟
  • ☰ برنامهٔ کامپیوتری چیست؟
  • ☰ پایتون چیست؟
  • ☰ پایتون کجا استفاده می‌شود؟
  • ☰ چگونه برنامه‌نویسی به حل مسائل کمک می‌کند
  • ☰ اولین برنامهٔ پایتون شما
• ☰ فصل ۲: راه‌اندازی پایتون
  • ☰ نصب پایتون (ویندوز / macOS / لینوکس)
  • ☰ استفاده از پایتون در ترمینال
  • ☰ استفاده از یک IDE (IDLE / VS Code)
  • ☰ اجرای اسکریپت‌های پایتون
  • ☰ حالت تعاملی پایتون
• ☰ فصل ۳: متغیرها و انواع داده
  • ☰ متغیر چیست؟
  • ☰ ایجاد متغیرها
  • ☰ اعداد (`int`، `float`)
  • ☰ متن (`str`)
  • ☰ مقادیر بولی (`True`، `False`)
  • ☰ بررسی نوع داده با `type()`
• ☰ فصل ۴: عملیات پایه
  • ☰ عملیات حسابی
  • ☰ کار با اعداد
  • ☰ عملیات روی رشته‌ها
  • ☰ ترکیب متن و متغیرها
  • ☰ کامنت‌ها در پایتون
• ☰ فصل ۵: ورودی و خروجی کاربر
  • ☰ دریافت ورودی از کاربر
  • ☰ تبدیل ورودی به عدد
  • ☰ قالب‌بندی خروجی
  • ☰ نوشتن برنامه‌های تعاملی
• ☰ فصل ۶: شرط‌ها (if / else)
  • ☰ عملگرهای مقایسه‌ای
  • ☰ عملگرهای منطقی
  • ☰ if، elif، else
  • ☰ شرط‌های تو در تو
  • ☰ اشتباهات رایج مبتدیان
• ☰ فصل ۷: حلقه‌ها
  • ☰ چرا حلقه‌ها مفید هستند؟
  • ☰ حلقه‌های while
  • ☰ حلقه‌های for
  • ☰ شمارنده‌های حلقه
  • ☰ break و continue
  • ☰ تمرین‌های حلقه
• ☰ فصل ۸: مجموعه‌های داده
  • ☰ لیست‌ها (Lists)
  • ☰ تاپل‌ها (Tuples)
  • ☰ دیکشنری‌ها (Dictionaries)
  • ☰ مجموعه‌ها (Sets – مقدماتی)
  • ☰ انتخاب ساختار دادهٔ مناسب
• ☰ فصل ۹: توابع
  • ☰ چرا توابع مهم هستند؟
  • ☰ تعریف توابع
  • ☰ پارامترها و آرگومان‌ها
  • ☰ مقادیر بازگشتی
  • ☰ محدودهٔ متغیرها (محلی در برابر سراسری)
  • ☰ استفادهٔ مجدد از کد
• ☰ فصل ۱۰: کار با فایل‌ها
  • ☰ فایل چیست؟
  • ☰ خواندن فایل‌های متنی
  • ☰ نوشتن و افزودن به فایل‌ها
  • ☰ مسیر فایل‌ها
  • ☰ برنامه‌های ساده مبتنی بر فایل
• ☰ فصل ۱۱: خطاها و اشکال‌زدایی
  • ☰ انواع خطاها
  • ☰ خواندن پیام‌های خطا
  • ☰ خطاهای رایج مبتدیان
  • ☰ try و except
  • ☰ راهبردهای اشکال‌زدایی
• ☰ فصل ۱۲: استفاده از کتابخانه‌های پایتون
  • ☰ کتابخانه چیست؟
  • ☰ وارد کردن ماژول‌ها
  • ☰ کتابخانه‌های استاندارد
    • ☰ math
    • ☰ random
    • ☰ datetime
  • ☰ نصب کتابخانه‌های خارجی با pip
• ☰ فصل ۱۳: برنامه‌نویسی شی‌گرا (OOP)
  • ☰ برنامه‌نویسی شی‌گرا چیست؟
  • ☰ کلاس‌ها و اشیاء
  • ☰ ویژگی‌ها و متدها
  • ☰ متد `__init__`
  • ☰ کپسوله‌سازی
  • ☰ وراثت (مقدماتی)
  • ☰ مثال‌های سادهٔ شی‌گرا
• ☰ فصل ۱۴: خودکارسازی با پایتون
  • ☰ خودکارسازی چیست؟
  • ☰ خودکار کردن وظایف ساده
  • ☰ کار با فایل‌ها و پوشه‌ها
  • ☰ خودکارسازی پردازش متن
  • ☰ زمان‌بندی اجرای اسکریپت‌ها
  • ☰ مثال‌های کاربردی خودکارسازی
• ☰ فصل ۱۵: توسعهٔ وب با پایتون
  • ☰ وب چگونه کار می‌کند؟ (نمای کلی)
  • ☰ آشنایی با Flask
  • ☰ ساخت یک وب‌سرور ساده
  • ☰ مسیرها و قالب‌ها (Templates)
  • ☰ پردازش ورودی کاربر (فرم‌ها)
  • ☰ API های بسیار ساده
• ☰ فصل ۱۶: علم داده با پایتون
  • ☰ علم داده چیست؟
  • ☰ کار با داده‌ها
  • ☰ آشنایی با NumPy
  • ☰ آشنایی با pandas
  • ☰ مصورسازی داده با matplotlib
  • ☰ مثال‌های سادهٔ تحلیل داده
• ☰ فصل ۱۷: پروژه‌های کوچک
  • ☰ بازی حدس عدد
  • ☰ ماشین‌حساب ساده
  • ☰ فهرست کارها (To-Do List)
  • ☰ تولیدکنندهٔ رمز عبور
  • ☰ برنامهٔ آزمون (Quiz)
  • ☰ پروژهٔ کوچک وب یا داده
• ☰ فصل ۱۸: گام‌های بعدی
  • ☰ چگونه پایتون را تمرین کنیم
  • ☰ نوشتن کد تمیز و خوانا
  • ☰ انتخاب یک حوزهٔ تخصصی
    • ☰ توسعهٔ وب
    • ☰ علم داده
    • ☰ خودکارسازی
    • ☰ توسعهٔ نرم‌افزار
  • ☰ منابع یادگیری و انجمن‌ها
• ☰ پیوست
  • ☰ برگهٔ تقلب دستور زبان پایتون
  • ☰ خطاهای رایج و راه‌حل‌ها
  • ☰ واژه‌نامهٔ اصطلاحات

Close