5635
Website : OnlineCourses.ir Email : help.onlinecourses@gmail.com Instagram : instagram.com/pythonchallenge آی دی پشتیان تهیه دوره : @onlinecoursesadmin
#دوره_تکمیلی_پایتون
✅تولید یک کپی در آرایه ها
⏪فرض کنید یک آرایه سه در سه داریم و میخواهیم یک کپی از سطرهای اول و دوم و ستون های دوم و سوم ایجاد کنیم،نحوه انجام اینکار بصورت زیر می باشد:
»> import numpy as np
»> x = np.array([[1,3,5],[2,4,6],[8,9,0]])
»> x
array([[1, 3, 5],
[2, 4, 6],
[8, 9, 0]])
»> xc1 = x[0:2,1:3]
»> xc1
array([[3, 5],
[4, 6]])
»> xc2 = x[1,1]
»> xc2
4
»> x[1,1] = 24
»> x
array([[ 1, 3, 5],
[ 2, 24, 6],
[ 8, 9, 0]])
»> print xc1
[[ 3 5]
[24 6]
»> print xc2
4
»> xc3 = +x[0:2,1:3]
»> xc3
array([[ 3, 5],
[24, 6]])
»> x[1,1] = 13
»> print x
[[ 1 3 5]
[ 2 13 6]
[ 8 9 0]]
»> print xc3
[[ 3 5]
[24 6]]
#متن_کاوی_با_پایتون
❇️ متاکارکترها - انطباق کارکترها
1️⃣ . (نقطه) : تنها یک کارکتر (هر نوع کارکتری) میتواند ظاهر گردد.
2️⃣ ^ : این علامت در داخل یک کروشه به معنی این است که کارکترهای بعد از آن نباید ظاهر گردند.
3️⃣ $ : این علامت در پایان یک رشته به این معنی که عبارت مورد جستجو باید با عبارتی که قبل از $ می آید شروع شود.
4️⃣ [ ] : انطباق با مجموعه از کارکترهای درون کروشه
5️⃣ متاکارکتر [a-z] : مطابقت با یکی از رشته های a,b,...,z
6️⃣ متاکارکتر [abc^] : مطابقت با کارکترهای که a,b,c نیستند.
7️⃣ متاکارکتر a|b : مطابقت میکند با کارکتری که a یا b باشد. در جاییکه a و b رشته هستند.
8️⃣ ( ) : محدوده ای برای عملگرها
9️⃣ \ : کارکترهای خاص (t , \n , \b\)
❇️ متاکارکترها - نمادهای کارکتری
1️⃣ متاکارکتر b\ : انطباق مرز کلمات
2️⃣ متاکارکتر d\ : رقم ها ، همه اعداد شامل [0-9]
3️⃣ متاکارکتر D\ : غیر از رقم، هر موردی جز اعداد [9-0^]
4️⃣ متاکارکتر s\ : تمام فضاهای خالی، مانند [t\n\r\f\v\ ]
5️⃣ متاکارکتر S\ : عدم فضاهای خالی، مانند [t\n\r\f\v\ ^]
6️⃣ متاکارکتر w\ : تمام کارکترهای الفبایی و عددی، شامل [ _a-zA-Z0-9]
7️⃣ متاکارکتر W\ : تمام کارکترهای غیر الفبایی و عددی، شامل [ _a-zA-Z0-9 ^]
❇️ متاکارکترها - تکرار
1️⃣ * : تکرار صفر یا بیشتر
2️⃣ + : تکرار یک بار یا بیشتر
3️⃣ ؟ : تکرار صفر یا یک عبارت قبل از علامت سوال
4️⃣ متاکارکتر {n} : دقیقا n بار تکرار که n بزرگتر و مساوی صفر خواهد بود.
5️⃣ متاکارکتر { ,n} : حداقل n بار تکرار
6️⃣ متاکارکتر {n, } : حداکثر n بار تکرار
7️⃣ متاکارکتر {m,n} : حداقل m بار و حداکثر n بار تکرار
🔵 اگر متاکارکتری رو متوجه نشدید نگران نباشید، در بخش های بعدی مثالهای خواهیم زد که کاملا متوجه گردید. و اگر دوست داشتید اطلاعات بیشتری در مورد این متاکارکترها داشته باشید لینک زیر رو میتونید مشاهده کنید:
http://www.rexegg.com/regex-quickstart.html
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
🆔 : @pythonchallenge
#مقدماتی_پایتون
✍️مقایسه
عملگر بعدی عملگر مقایسه ای است. عملگر نامساوی، که با نماد =! نشان داده میشود، بررسی میکند که ایا حاصل مقایسه دو مقدار باهم برابر نیست؟ اگر یکسان بود یعنی false و اگر یکسان نبود یعنی true
>>> 1 != 1
False
>>> "eleven" != "seven"
True
>>> 2 != 10
True
🔜 قیمت‌ها جا موندن، شما پیشرفت کنید 🔜
🆕 ثبت‌نام سی‌وپنجمین دوره جامع علم داده و هوش مصنوعی دانشگاه تهران آغاز شد...
هوش مصنوعی همیشه در حال پیشرفته، اما قیمت ما ثابت مونده!
📌بعضا ممکنه برخی آموزش ها دنباله دار باشند و نیاز باشه حتما آموزش های قبلی که گذاشتیم رو مطالعه کنید. برای دنبال کردن آموزش خاصی کافیه روی فهرستش از پایین کلیک کنید:
#مقدماتی_پایتون
#متن_کاوی_با_پایتون
#بازی_سازی_در_پایتون
#دوره_تکمیلی_پایتون
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge
#متن_کاوی_با_پایتون
❇️ پیدا کردن الگوهای با عبارتهای منظم
اینکه بگوییم چیزی با @ شروع میگردد یک الگو می باشد برای ما کافی نیست. بلکه نشانه های است که با @ شروع می شوند و چیزی رو باید دنبال کنند.
برای مثال چگونه میتوانیم تشخیص دهیم که اگر @ در جمله ای ذکر شد آن شامل الگو خاص ما خواهد شد یا خیر. حالتهای که ممکن است بعد از @ وارد شود و آن کلمه را تبدیل به یک الگو خاص نمایید رو یادداشت میکنیم:
انظباق چیزهای بعد از @
- حروف الفبا
-اعداد
-نشانه های خاصی مانند (_)
مثال :
@UN_Spokesperson
@Python
@10years
بنابراین بعد از @ میتواند عبارتهای زیر قرار گیرد:
@[A-Za-z0-9_]+
حروف الفبای بزرگ و کوچک، اعداد صفر تا 9 ، آندرلاین
با علامت + بعد از کروشه مشخص میکنیم این عبارتها میتوانند تکرار گردند.
حالا در بخش بعدی نحوه نوشتن کد برای این عبارت منظم را خواهیم گفت
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
🆔 : @pythonchallenge
#مقدماتی_پایتون
✍️In_Place Operators
📌 به مثال زیر توجه کنید:
>>> x = 2
>>> print(x)
2
>>> x += 3
>>> print(x)
5
>>> x = "spam"
>>> print(x)
spam
>>> x += "eggs"
>>> print(x)
spameggs
#متن_کاوی_با_پایتون
❇️ پیدا کردن عبارتهای خاص
🔸هشتک ها
با استفاده از حلقه for و متد startswith میتوانیم کلماتی که با هشتگ شروع میگردند را استخراج کنیم.
»> [w for w in text13 if w.startswith('#')]
['#UNSG']»> [w for w in text13 if w.startswith('@')]
['@', '@UN', '@UN_Women']🎯 این آموزش رو بفرستید برای علاقه مندان متن کاوی
📘نام آموزش: آموزش مصورسازی داده با پایتون
⏰مدت زمان : 3 ساعت 15 دقیقه
🎁کد تخفیف 50 درصد : WNR1403
📝توضیحات : این دوره ویدئوی برای مصورسازی داده ها و تکنیک ها و کتابخانه هایی است که می تواند با استفاده از زبان پایتون برای دستیابی به این هدف به کار گرفته شود. هدف نهایی این است که به دانشمندان داده و تحلیل گران نحوه نمایش بصری مجموعه های داده پیچیده با استفاده از پایتون آموزش داده شود. این دوره ویدئویی به معرفی چهار کتابخانه معروف پایتون به نام های numpy, pandas, matplotlib و . seaborn پرداخته شده است که از مهمترین کتابخانه در حوزه یادگیری ماشین، پردازش تصویر و داده کاوی می باشد.
🔗 لینک تهیه آموزش {کلیک کنید}
🗂 مرکز آموزش آنلاین و ویدئویی
➖➖➖➖➖
🆔 : @pythonchallenge
#دوره_تکمیلی_پایتون
✅کار با متدهای numpy - بخش سوم
⏪با استفاده از متد copy میتوانید از یک آرایه کپی تهیه کنید.نحوه کپی کردن آرایه a7 در a10 بصورت زیر می باشد"
»> a7=np.array([[1,3.5,5,7],[2,4,6,8],[1,1,1,1]])
»> a10 = a7.copy()
»> a10
array([[ 1. , 3.5, 5. , 7. ],
[ 2. , 4. , 6. , 8. ],
[ 1. , 1. , 1. , 1. ]])
»> a11=np.array([[2,3,4,1],[30,4,5,1]])
»> a12 = np.sort(a11)
»> print a12
[[ 1 2 3 4]
[ 1 4 5 30]]
»> a13 = np.sort(a11,axis = None)
»> a13
array([ 1, 1, 2, 3, 4, 4, 5, 30])
#مقدماتی_پایتون
✍️نکات :
⚠️⚠️روش دیگری که برای حذف متغیر وجود دارد به صورت زیر است :
>>>x=7
>>>x=3
>>>x
3
>>>print(float("10")*5)
50.0
>>>print(float("10"*5))
1010101010.0
1010101010.0>>>y = input()
the number = 5
>>>print (y+10)
error
چون نباید بنویسیم (y+10) print باید به صورت زیر عمل کنیم:
>>>print(int(y)+10)
15
#مقدماتی_پایتون
✍️ نام متغیر(variable names)
برای نام گذاری متغیر ها در پایتون تنها می توان از اعداد، حروف و اندرلاین (_) استفاده کرد.
⚠️ نامگذاری متغیر ها در پایتون نباید با اعداد شروع شوند.
عدم پیروی از این قوانین باعث ایجاد ارور می شود.
>>> this_is_a_normal_name = 7
>>> 123abc = 7
SyntaxError: invalid syntax
>>> spaces are not allowed
SyntaxError: invalid syntax
📘نام آموزش: آموزش تکمیلی پایتون
⏰مدت زمان : 14 ساعت
🎁کد تخفیف 50 درصد : WNR1403
📝توضیحات : در دوره تکمیلی پایتون در ابتدا مروری به پایتون مقدماتی می گردد سپس به مبحث کلاس ها، شی گرایی و ارث بری پرداخته می شود، همچنین در این دوره انواع رابط های گرافیکی رو مورد بررسی قرار میدیم همچنین شروع به آموزش فریمورک tkinter کردیم و یک پروژه کوچکی رو باهاش انجام دادیم و در انتهای آموزش دیتابیس های متفاوتی رو اومدیم بررسی کردیم از جمله به MySQL، sqlite3 و MongoDB میتوان اشاره کرد. و در نهایت به Git پرداخته شد.
🔗 لینک تهیه آموزش {کلیک کنید}
🗂 مرکز آموزش آنلاین و ویدئویی
➖➖➖➖➖
🆔 : @pythonchallenge
#متن_کاوی_با_پایتون
✅ عملیات روی فایل
🔹 اولین دستور همون تابع open است که در تایپک قبلی مثالش رو زدیم و برای باز کردن فایل ازش استفاده میکنیم .
f = open(filename,mode)
f.readline()
f.read()
f.read(n)
f.seek(n)
f.write(message)
f.close()
f.closed
>>> f = open('D:\Text mining\week-1\Lesson-2\humans.txt','r',encoding='utf-8-sig')
>>> text11 = f.readline()
>>> text11
'Python is an interpreted high-levelprogramming\n'
>>> text11.rstrip()
'Python is an interpreted high-levelprogramming'🎯 این آموزش رو بفرستید برای علاقه مندان متن کاوی
#دوره_تکمیلی_پایتون
✅کار با متدهای numpy - بخش اول
⏪برای محاسبه سایز یک آرایه کافیه از متد shape استفاده کنیم،آرایه دو بعدی که در تایپک قبلی ارسال کردم در نظر بگیرید، برای محاسبه سایز از دستور زیر استفاده میکنیم:
»> a2.shape
(2, 4)
»> a3.shape
(4,)
»> a2.dtype
dtype('int32')
»> a6 = np.array([[1.1,2.1,3.2],[2.2,2.2,3.5]])
»> a6.dtype
dtype('float64')
»> a2.itemsize
4
»> a6.itemsize
8
🔥 دوره‌ی آموزشی پایتون و جنگو به صورت تعاملی
🟠 با کمک دستیار هوشمند و بیش از ۱۶۰ ساعت محتوای آموزشی، برنامه نویسی رو یاد بگیر و شغل رویاییت رو پیدا کن
‼️ مخاطبین این دوره چه کسانی هستند؟
🟠 افراد علاقه‌مند به برنامه‌نویسی
🟠 دانشجویان کلیه‌ی رشته‌های تحصیلی
🟠 افرادی که قصد مهاجرت تحصیلی یا کاری دارند
🟠 نوجوانان علاقه‌مند به برنامه نویسی
⚠️ ظرفیت: فقط ۲۰ نفر
🛍 ۴۰ درصد تخفیف برای ۱۰ ثبت نامی اول
💯 دو هفته ضمانت بازگشت وجه در صورت انصراف از دوره
🔔 جهت دریافت مشاوره‌ی رایگان و اطلاعات بیشتر روی لینک زیر کلیک کنید: 👇
☯️ درخواست مشاوره و اطلاعات بیشتر ➡️
⬆️⬆️⬆️⬆️⬆️⬆️
#بازی_سازی_در_پایتون
✅نوشتن متن روی صفحه نمایش
برای این کار باید مراحل زیر رو طی کنید
ابتدا نوع فونت و اندازهش رو بصورت زیر مشخص میکنیم
fontObj = pygame.font.Font('tahoma.ttf',12)textSurfaceObj = fontObj.render('@pythonchallenge', True,(255,0,0),(0,255,0))textRectObj = textSurfaceObj.get_rect()
textRectObj.center = (300,200)
screen.blit(textSurfaceObj, textRectObj)
#مقدماتی_پایتون
✍️بولین
نوع دیگر داده در پایتون، نوع بولین است که دارای یکی از دو مقدار صحیح ( True) یا غلط (False) است.
هم چنین، در مقایسه ی مقادیر، خروجی True یا False ایجاد می شود.
برای مثال، با استفاده از عملگر برابری که نشانه ی آن == است.
>>> my_boolean = True
>>> my_boolean
True
>>> 2 == 3
False
>>> "hello" == "hello"
True
#دوره_تکمیلی_پایتون
✅کار با متدهای numpy - بخش پنجم
⏪با استفاده متد linspace میتوانیم در یک بازه مشخص n عدد تولید کنیم،این متد سه ورودی دارد،که اول و آخر بازه را مشخص می نمایید و وروی سوم تعداد عددی (n) که قرار هست تولید گردد نمایش میدهد.
🔵توجه کنید برای استفاده از متد linspace باید کتابحانه pi از ابزار numpy رو ابتدا فراخوانی کنیم
»> from numpy import pi
»> a9 = np.linspace(0,3,5)
»> print a9
[ 0. 0.75 1.5 2.25 3. ]
»> a10 = np.array([1,2,3,4,5,6,7,8,9]).reshape(3,3)
»> print a10
[[1 2 3]
[4 5 6]
[7 8 9]]
»> a11 = np.array([1,2,3,4,5,6,7,8,9,10,11,12]).reshape(2,3,2)
»> print a11
[[[ 1 2]
[ 3 4]
[ 5 6]]
[[ 7 8]
[ 9 10]
[11 12]]]
»> a11.ndim
3
»> a12 = np.arange(30).reshape(2,3,5)
»> print a12
[[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
[[15 16 17 18 19]
[20 21 22 23 24]
[25 26 27 28 29]]]
»> a13 = np.array([1,2,3])
»> a14 = np.array([4,5,6])
»> a15 = np.vstack([a13,a14])
»> print a15
[[1 2 3]
[4 5 6]]
#متن_کاوی_با_پایتون
❇️ حالا بیاییم مثال قبل رو ادامه بدهیم جایی که کلمات با @ شروع میشدند. برای عبارتهای منظم ما یک کتابخانه re داریم که باید ابتدا ایمپورتش کنیم.
در واقع این کتابخانه برای عبارتهای منظم هست و دو حرف اول Regular Expressions هست.
برای این مورد خاص از متد search برای پیدا کردن عبارت منظمی که گفتیم استفاده میکنیم.
>>> import re
>>> [w for w in text13 if re.search('@[A-Za-z0-9_]+', w)]
['@UN', '@UN_Women']
#بازی_سازی_در_پایتون
✅استفاده از عکس در بازی
لود کردن فایل عکس : برای اینکه ما بازی جذابی داشته باشیم یقیناً می باست از عکس های زیبا هم استفاده کنیم. برای لود کردن یک عکس ابتدا باید فایل عکس را درون یک متغیر بریزیم سپس آن را رسم کنیم:
mypic = pygame.image.load('pic.png')screen.blit(mypic, (x, y))
fpsClock = pygame.time.Clock()
fpsClock.tick(10)
time.sleep(0.5)
#دوره_تکمیلی_پایتون
✅کار با متدهای numpy - بخش چهارم
⏪در این بخش میخواهیم از تاپل برای ساختن آرایه با از ابزار numpy استفاده نماییم:(تو بخش مقدماتی توضیح دادیم تاپل ها داخل پرانتز قرار خواهند گرقت.)
»> import numpy as np
»> a1 = np.array((1,3,5))
»> print a1
[1 3 5]
»> a2 = np.array(((1,2),(3,4)))
»> print a2
[[1 2]
[3 4]]
»> a3 = np.zeros((2,6))
»> print a3
[[ 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0.]]
»> a4 = np.ones((2,2))
»> print a4
[[ 1. 1.]
[ 1. 1.]]
»> a5 = np.ones((2,2,3))
»> print a5
[[[ 1. 1. 1.]
[ 1. 1. 1.]]
[[ 1. 1. 1.]
[ 1. 1. 1.]]]
»> a6 = np.arange(10)
»> print a6
[0 1 2 3 4 5 6 7 8 9]
»> a7 = np.arange(5,10)
»> print a7
[5 6 7 8 9]
»> a8 = np.arange(3,11,2)
»> print a8
[3 5 7 9]
#متن_کاوی_با_پایتون
❇️ در درس سوم میخواهیم در مورد عبارتهای منظم و پردازش روی متن های آزاد صحبت کنیم. هنگامی که شما در حال پردازش متن آزاد هستید، عبارتها و الگوهای منظم نقش مهمی را ایفا خواهند کرد. بنابراین بگذارید یک مثال بزنیم.
❇️ متن زیر یکی از توییتهای سخنگوی سازمان ملل می باشد:
»> text12 = '"Ethics are built right into the ideals and objectives of the United Nations" #UNSG @ NY Society for Ethical Culture bit.ly/2guVelr @UN and @UN_Women'
»> text13 = text12.split(' ')
»> text13
['"Ethics', 'are', 'built', 'right', 'into', 'the', 'ideals', 'and', 'objectives', 'of', 'the', 'United', 'Nations"', '#UNSG', '@', 'NY', 'Society', 'for', 'Ethical', 'Culture', 'bit.ly/2guVelr', '@UN', 'and', '@UN_Women']🎯 این آموزش رو بفرستید برای علاقه مندان متن کاوی
📌 متدهای Numpy
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge
#بازی_سازی_در_پایتون
✅رنگ ها
(red,green,blue,alpha)
هنگامی که ما بخواهیم رنگی بسازیم از دستور بالا استفاده میکنیم.ما میتوانیم از سه رنگ قرمز،آبی و سبز رنگ مورد نظرمان را بسازیم.پارمتر چهارم اختیاری است که میزان شفافیت رنگ را میتوانیم مشخص کنیم.همه پارامترها اعدادی بین 0 تا 255 را میگیرند.
همچنین می توانیم با استفاده از متد color در پایتون خودمان یک رنگ بسازیم:
myColor = pygame.Color(255,0,50,100)
myRect = pygame.Rect(10,20,200,300)
BLUE=(0,0,255)
RED=(0,255,0)
GREEN=(255,0,0)
—------------------------—
pygame.draw.line(screen,BLUE,(10,60),(60,120))
pygame.draw.circle(screen,BLUE,(300,50),20,0)
pygame.draw.rect(screen,RED,(200,150,100,50))
pygame.draw.ellipse(screen,RED,(300,250,40,80),1)
pygame.draw.polygon(screen,GREEN,((146,0),(191,106),(120,177),(56,77),(0,106)))
#مقدماتی_پایتون
✍️متغیر ها - (قسمت سوم)
بااستفاده از دستور 'del' می توانیم مقداری که به یک متغیر نسبت داده ایم را حذف کنیم.
>>> foo = "a string"
>>> foo
'a string'
>>> bar
NameError: name 'bar' is not defined
>>> del foo
>>> foo
NameError: name 'foo' is not defined
❗️
>>> foo = input("Enter a number: ")
Enter a number: 7
>>> print(foo)
7
#مقدماتی_پایتون
✍️متغیر ها - (قسمت دوم)
متغیر ها چندین بار می توانند مقدار دهی شود. در پایتون، متغیر ها دارای نوع خاصی نیستند. بنابراین می توانید الان یک مقدار string به یک متغیر بدهید و دفعه ی بعد یک مقدار int به همان متغیر منتصب کنید.
>>> x = 123.456
>>> print(x)
123.456
>>> x = “this is a string”
>>> print (x + “!”)
this is a string!
📝 کدهای مربوط به درس دوم
#متن_کاوی_با_پایتون
📚خلاصه مواردی که در درس دوم کار کردیم:
📗کار با متون در جملات
📕تقسیم جملات به کلمات و کلمات به کارکتر
📒پیدا کردن کلمات منحصر به فرد(حذف موارد تکراری)
📘کار با متن در سندهای فایل
➖➖➖➖➖➖➖➖
🆔 : @pythonchallenge
#دوره_تکمیلی_پایتون
✅کار با متدهای numpy - بخش دوم
⏪اگر بخواهیم آرایه بصورت complex تعریف کنم میتوانیم با تعریف کردن dtype از نوع complex بصورت زیر اینکار را انجام بدهیم.
نکته : نوع داده complex برای اعداد مختلط استفاده می باشد.
»> import numpy as np
»> a9 = np.array([[1,1],[3,3]],dtype = complex)
»> print a9
[[ 1.+0.j 1.+0.j]
[ 3.+0.j 3.+0.j]]
»> a9.size
4
»> a9.ndim
2
📌مخاطبینی که به دیدن ویدئو علاقه مند هستند میتونن این آموزش رو با هزینه 50 هزار تومن تهیه کنند. اما اگر با آموزش های متنی میتونید پیش برید میتونید آموزش های که در کانال میذاریم رو رایگان دنبال کنید. (#مقدماتی_پایتون)
🗂 مرکز آموزش پایتون
➖➖➖➖➖
🆔 : @pythonchallenge