பைதான் பாண்டாஸ் பயிற்சி: தரவு பகுப்பாய்விற்கு பாண்டாக்களைக் கற்றுக்கொள்ளுங்கள்

இந்த பைதான் பாண்டாஸ் டுடோரியலில், பாண்டாக்களின் பல்வேறு செயல்பாடுகளை நீங்கள் கற்றுக் கொள்வீர்கள். இது ஒரு பயன்பாட்டு வழக்கையும் உள்ளடக்கியது, அங்கு நீங்கள் பாண்டாக்களைப் பயன்படுத்தி தரவை பகுப்பாய்வு செய்யலாம்.

இந்த வலைப்பதிவில், பைத்தானில் பாண்டாக்களைப் பயன்படுத்தி தரவு பகுப்பாய்வு பற்றி விவாதிப்போம்.இன்று, ஒட்டுமொத்த புகழ் மற்றும் பயன்பாட்டின் அடிப்படையில் 2017 ஆம் ஆண்டில் PHP மற்றும் 2018 இல் C # ஐ விஞ்சிய தொழில்துறையில் ஒரு சூடான திறன்.பாண்டாக்களைப் பற்றி பேசுவதற்கு முன், நம்பி வரிசைகளின் கருத்தை ஒருவர் புரிந்து கொள்ள வேண்டும். ஏன்? ஏனெனில் பாண்டாஸ் ஒரு திறந்த மூல மென்பொருள் நூலகம், இது மேலே கட்டப்பட்டுள்ளது . இந்த பைதான் பாண்டாஸ் டுடோரியலில், பின்வரும் தலைப்புகளின் மூலம் உங்களை அழைத்துச் செல்வேன், இது வரவிருக்கும் வலைப்பதிவுகளுக்கான அடிப்படைகளாக செயல்படும்:



தொடங்குவோம். :-)



பைதான் பாண்டாஸ் என்றால் என்ன?

தரவு கையாளுதல், பகுப்பாய்வு மற்றும் சுத்தம் செய்ய பாண்டாக்கள் பயன்படுத்தப்படுகின்றன. பைதான் பாண்டாக்கள் பல்வேறு வகையான தரவுகளுக்கு மிகவும் பொருத்தமானவை, அவை:

  • பன்மடங்கு-தட்டச்சு செய்யப்பட்ட நெடுவரிசைகளுடன் அட்டவணை தரவு
  • வரிசைப்படுத்தப்பட்ட மற்றும் வரிசைப்படுத்தப்படாத நேர வரிசை தரவு
  • வரிசை மற்றும் நெடுவரிசை லேபிள்களுடன் தன்னிச்சையான மேட்ரிக்ஸ் தரவு
  • பெயரிடப்படாத தரவு
  • வேறு எந்த வகையான அவதானிப்பு அல்லது புள்ளிவிவர தரவு தொகுப்புகள்

பாண்டாக்களை நிறுவுவது எப்படி?

பைதான் பாண்டாக்களை நிறுவ, உங்கள் கட்டளை வரி / முனையத்திற்குச் சென்று “பிப் இன்ஸ்டால் பாண்டாக்கள்” என்று தட்டச்சு செய்க, இல்லையெனில், உங்கள் கணினியில் அனகோண்டா நிறுவப்பட்டிருந்தால், “கான்டா இன்ஸ்டால் பாண்டாக்கள்” என தட்டச்சு செய்க. நிறுவல் முடிந்ததும், உங்கள் IDE (Jupyter, PyCharm போன்றவை) க்குச் சென்று தட்டச்சு செய்வதன் மூலம் இறக்குமதி செய்யுங்கள்: “பாண்டாக்களை pd ஆக இறக்குமதி செய்க”



பைதான் பாண்டாஸ் டுடோரியலில் முன்னேறி, அதன் சில செயல்பாடுகளைப் பார்ப்போம்:

பைதான் பாண்டாஸ் செயல்பாடுகள்

பைதான் பாண்டாக்களைப் பயன்படுத்தி, தொடர், தரவு பிரேம்கள், காணாமல் போன தரவு, குழு போன்றவற்றைக் கொண்டு நீங்கள் நிறைய செயல்பாடுகளைச் செய்யலாம். தரவு கையாளுதலுக்கான பொதுவான செயல்பாடுகள் சில கீழே பட்டியலிடப்பட்டுள்ளன:



பாண்டாஸ் ஆபரேஷன்ஸ் - பைதான் பாண்டாஸ் டுடோரியல் - எடுரேகா

இப்போது, ​​இந்த செயல்பாடுகள் அனைத்தையும் ஒவ்வொன்றாக புரிந்துகொள்வோம்.

தரவு சட்டகத்தை வெட்டுதல்

தரவை வெட்டுவதற்கு, உங்களுக்கு ஒரு தரவு சட்டகம் தேவை. கவலைப்பட வேண்டாம், தரவு சட்டகம் என்பது 2 பரிமாண தரவு அமைப்பு மற்றும் மிகவும் பொதுவான பாண்டாஸ் பொருள். எனவே முதலில், ஒரு தரவு சட்டத்தை உருவாக்குவோம்.

ஜாவா நிரலை எவ்வாறு நிறுத்துவது

PyCharm இல் செயல்படுத்த கீழே உள்ள குறியீட்டைப் பார்க்கவும்:

pdas ஐ pd XYZ_web = Day 'நாள்' என இறக்குமதி செய்க: [1,2,3,4,5,6], 'பார்வையாளர்கள்': [1000, 700,6000,1000,400,350], 'பவுன்ஸ்_ விகிதம்': [20,20, 23,15,10,34]} df = pd.DataFrame (XYZ_web) அச்சு (df)

வெளியீடு :

பவுன்ஸ்_ விகிதம் நாள் பார்வையாளர்கள் 0 20 1 1000 1 20 2 700 2 23 3 6000 3 15 4 1000 4 10 5 400 5 34 6 350

மேலே உள்ள குறியீடு ஒரு அகராதியை இடதுபுறத்தில் குறியீட்டுடன் ஒரு பாண்டாஸ் தரவு சட்டமாக மாற்றும். இப்போது, ​​இந்த தரவு சட்டத்திலிருந்து ஒரு குறிப்பிட்ட நெடுவரிசையை வெட்டுவோம். கீழே உள்ள படத்தைப் பார்க்கவும்:

அச்சு (df.head (2))

வெளியீடு:

பவுன்ஸ்_ விகிதம் நாள் பார்வையாளர்கள் 0 20 1 1000 1 20 2 700

இதேபோல், தரவின் கடைசி இரண்டு வரிசைகளை நீங்கள் விரும்பினால், கீழே உள்ள கட்டளையை தட்டச்சு செய்க:

அச்சு (df.tail (2))

வெளியீடு:

பவுன்ஸ்_ விகிதம் நாள் பார்வையாளர்கள் 4 10 5 400 5 34 6 350

பைதான் பாண்டாஸ் டுடோரியலில் அடுத்து, ஒன்றிணைந்து சேருவதைச் செய்வோம்.

இணைத்தல் மற்றும் இணைதல்

ஒன்றிணைப்பதில், நீங்கள் இரண்டு தரவு பிரேம்களை ஒன்றிணைத்து ஒற்றை தரவு சட்டத்தை உருவாக்கலாம். எந்த நெடுவரிசைகளை நீங்கள் பொதுவானதாக்க விரும்புகிறீர்கள் என்பதையும் நீங்கள் தீர்மானிக்கலாம். அதை நடைமுறையில் செயல்படுத்துவேன், முதலில் நான் மூன்று தரவு பிரேம்களை உருவாக்குவேன், அதில் சில முக்கிய மதிப்பு ஜோடிகள் உள்ளன, பின்னர் தரவு பிரேம்களை ஒன்றாக இணைக்கின்றன. கீழே உள்ள குறியீட்டைப் பார்க்கவும்:

HPI IND_GDP Int_Rate 0 80 50 2 1 90 45 1 2 70 45 2 3 60 67 3

வெளியீடு:

pdas ஐ pd df1 = pd.DataFrame (HP 'HPI': [80,90,70,60], 'Int_Rate': [2,1,2,3], 'IND_GDP': [50,45,45, 67]}, குறியீட்டு = [2001, 2002,2003,2004]) df2 = pd.DataFrame ({'HPI': [80,90,70,60], 'Int_Rate': [2,1,2,3] , 'IND_GDP': [50,45,45,67] index, குறியீட்டு = [2005, 2006,2007,2008]) ஒன்றிணைக்கப்பட்டது = pd.merge (df1, df2) அச்சு (இணைக்கப்பட்டது)

மேலே நீங்கள் காணக்கூடியபடி, இரண்டு தரவு பிரேம்களும் ஒற்றை தரவு சட்டத்தில் ஒன்றிணைந்தன. இப்போது, ​​நீங்கள் பொதுவானதாக்க விரும்பும் நெடுவரிசையையும் குறிப்பிடலாம். எடுத்துக்காட்டாக, “HPI” நெடுவரிசை பொதுவானதாக இருக்க வேண்டும், எல்லாவற்றிற்கும் தனித்தனி நெடுவரிசைகளை விரும்புகிறேன். எனவே, அதை நடைமுறையில் செயல்படுத்துகிறேன்:

df1 = pd.DataFrame (HP 'HPI': [80,90,70,60], 'Int_Rate': [2,1,2,3], 'IND_GDP': [50,45,45,67]}, குறியீட்டு = [2001, 2002,2003,2004]) df2 = pd.DataFrame ({'HPI': [80,90,70,60], 'Int_Rate': [2,1,2,3], 'IND_GDP' : [50,45,45,67]}, குறியீட்டு = [2005, 2006,2007,2008]) ஒன்றிணைக்கப்பட்டது = pd.merge (df1, df2, on = 'HPI') அச்சு (இணைக்கப்பட்டது)

வெளியீடு:

IND_GDP Int_Rate Low_Tier_HPI வேலையின்மை 2001 50 2 50.0 1.0 2002 45 1 NaN NaN 2003 45 2 45.0 3.0 2004 67 3 67.0 5.0 2004 67 3 34.0 6.0

அடுத்து, புரிந்துகொள்வோம் சேர பைதான் பாண்டாஸ் டுடோரியலில். வித்தியாசமாக குறியிடப்பட்ட இரண்டு டேட்டாஃப்ரேம்களை ஒற்றை முடிவு டேட்டாஃப்ரேமில் இணைப்பது மற்றொரு வசதியான முறையாகும். இது 'ஒன்றிணைத்தல்' செயல்பாட்டிற்கு மிகவும் ஒத்ததாக இருக்கிறது, தவிர சேரும் செயல்பாடு 'நெடுவரிசைகளுக்கு' பதிலாக 'குறியீட்டில்' இருக்கும். அதை நடைமுறையில் செயல்படுத்துவோம்.

ரூபி ஆன் ரெயில்ஸ் வலைத்தள பயிற்சி
df1 = pd.DataFrame ({'Int_Rate': [2,1,2,3], 'IND_GDP': [50,45,45,67]}, குறியீட்டு = [2001, 2002,2003,2004]) df2 = pd.DataFrame (Low 'Low_Tier_HPI': [50,45,67,34], 'வேலையின்மை': [1,3,5,6]}, குறியீட்டு = [2001, 2003,2004,2004]) சேர்ந்தது = df1. join (df2) அச்சு (இணைந்தது)

வெளியீடு:

IND_GDP Int_Rate Low_Tier_HPI வேலையின்மை 2001 50 2 50.0 1.0 2002 45 1 NaN NaN 2003 45 2 45.0 3.0 2004 67 3 67.0 5.0 2004 67 3 34.0 6.0

மேலே உள்ள வெளியீட்டில் நீங்கள் கவனிக்கிறபடி, 2002 ஆம் ஆண்டில் (குறியீட்டு), “low_tier_HPI” மற்றும் “வேலையின்மை” நெடுவரிசைகளுடன் எந்த மதிப்பும் இணைக்கப்படவில்லை, எனவே இது NaN (ஒரு எண் அல்ல) அச்சிட்டுள்ளது. பின்னர் 2004 இல், இரண்டு மதிப்புகளும் கிடைக்கின்றன, எனவே அது அந்தந்த மதிப்புகளை அச்சிட்டுள்ளது.

பைதான் பாண்டாஸ் டுடோரியலின் இந்த பதிவு மூலம் நீங்கள் செல்லலாம், அங்கு எங்கள் பயிற்றுவிப்பாளர் தலைப்புகளை விரிவான முறையில் எடுத்துக்காட்டுகளுடன் எடுத்துக்காட்டுகிறார், இந்த கருத்தை சிறப்பாக புரிந்துகொள்ள உங்களுக்கு உதவும்.

தரவு பகுப்பாய்விற்கான பைதான் | பைதான் பாண்டாஸ் பயிற்சி | பைதான் பயிற்சி | எடுரேகா


பைதான் பாண்டாஸ் டுடோரியலில் முன்னேறி, இரண்டு தரவு தரவு பிரேம்களை எவ்வாறு இணைப்பது என்பதைப் புரிந்துகொள்வோம்.

இணைத்தல்

இணைத்தல் அடிப்படையில் டேட்டாஃப்ரேம்களை ஒன்றாக ஒட்டுகிறது. நீங்கள் ஒன்றிணைக்க விரும்பும் பரிமாணத்தை நீங்கள் தேர்ந்தெடுக்கலாம். அதற்காக, “pd.concat” ஐப் பயன்படுத்தி, டேட்டாஃப்ரேம்களின் பட்டியலில் ஒன்றிணைந்து ஒன்றிணைக்கவும். கீழே உள்ள உதாரணத்தைக் கவனியுங்கள்.

df1 = pd.DataFrame (HP 'HPI': [80,90,70,60], 'Int_Rate': [2,1,2,3], 'IND_GDP': [50,45,45,67]}, குறியீட்டு = [2001, 2002,2003,2004]) df2 = pd.DataFrame ({'HPI': [80,90,70,60], 'Int_Rate': [2,1,2,3], 'IND_GDP' : [50,45,45,67]}, குறியீட்டு = [2005, 2006,2007,2008]) concat = pd.concat ([df1, df2]) அச்சு (concat)

வெளியீடு:

HPI IND_GDP Int_Rate 2001 80 50 2 2002 90 45 1 2003 70 45 2 2004 60 67 3 2005 80 50 2 2006 90 45 1 2007 70 45 2 2008 60 67 3

மேலே நீங்கள் காணக்கூடியது போல, இரண்டு டேட்டாஃப்ரேம்களும் ஒரே டேட்டாஃப்ரேமில் ஒட்டப்பட்டுள்ளன, அங்கு குறியீட்டு எண் 2001 முதல் 2008 வரை தொடங்குகிறது. அடுத்து, நெடுவரிசைகளில் சேர, ஒன்றிணைக்க அல்லது கான்கேட்டனேட் செய்ய அச்சு = 1 ஐ குறிப்பிடலாம். கீழே உள்ள குறியீட்டைப் பார்க்கவும்:

df1 = pd.DataFrame (HP 'HPI': [80,90,70,60], 'Int_Rate': [2,1,2,3], 'IND_GDP': [50,45,45,67]}, index = [2001, 2002,2003,2004]) df2 = pd.DataFrame (HP 'HPI': [80,90,70,60], 'Int_Rate': [2,1,2,3], 'IND_GDP' : [50,45,45,67]}, குறியீட்டு = [2005, 2006,2007,2008]) concat = pd.concat ([df1, df2], அச்சு = 1) அச்சு (concat)

வெளியீடு:

HPI IND_GDP Int_Rate HPI IND_GDP Int_Rate 2001 80.0 50.0 2.0 NaN NaN NaN 2002 90.0 45.0 1.0 NaN NaN NaN 2003 70.0 45.0 2.0 NaN NaN NaN 2004 60.0 67.0 3.0 NaN NaN NaN 2005 NaN NaN 80.0 50.0 200 2007 NaN NaN 70.0 45.0 2.0 2008 NaN NaN NaN 60.0 67.0 3.0

நீங்கள் மேலே முடிந்தவரை, காணாமல் போன மதிப்புகள் உள்ளன. இது நிகழ்கிறது, ஏனெனில் நீங்கள் ஒன்றிணைக்க விரும்பும் அனைத்து குறியீடுகளுக்கும் டேட்டாஃப்ரேம்களில் மதிப்புகள் இல்லை. ஆகையால், நீங்கள் அச்சில் சேரும்போது அல்லது ஒன்றிணைக்கும்போது எல்லா தகவல்களும் சரியாக வரிசையாக இருப்பதை உறுதி செய்ய வேண்டும்.

குறியீட்டை மாற்றவும்

பைதான் பாண்டாஸ் டுடோரியலில் அடுத்து, டேட்டாஃப்ரேமில் குறியீட்டு மதிப்புகளை எவ்வாறு மாற்றுவது என்பதைப் புரிந்துகொள்வோம். எடுத்துக்காட்டாக, ஒரு அகராதியில் சில முக்கிய மதிப்பு ஜோடிகளுடன் ஒரு தரவு கட்டமைப்பை உருவாக்கி குறியீட்டு மதிப்புகளை மாற்றுவோம். கீழே உள்ள உதாரணத்தைக் கவனியுங்கள்:

அது உண்மையில் எவ்வாறு நிகழ்கிறது என்பதைப் பார்ப்போம்:

pdas ஐ pd df = pd.DataFrame ({'நாள்': [1,2,3,4], 'பார்வையாளர்கள்': [200, 100,230,300], 'பவுன்ஸ்_ரேட்': [20,45,60,10] as என இறக்குமதி செய்க df.set_index ('நாள்', இடம் = உண்மை) அச்சு (df)

வெளியீடு:

பவுன்ஸ்_ விகிதம் பார்வையாளர்கள் நாள் 1 20 200 2 45 100 3 60 230 4 10 300

மேலே உள்ள வெளியீட்டில் நீங்கள் கவனிக்க முடியும் என, குறியீட்டு மதிப்பு “நாள்” நெடுவரிசை தொடர்பாக மாற்றப்பட்டுள்ளது.

நெடுவரிசை தலைப்புகளை மாற்றவும்

இந்த பைதான் பாண்டாஸ் டுடோரியலில் நெடுவரிசையின் தலைப்புகளை இப்போது மாற்றுவோம். அதே உதாரணத்தை எடுத்துக்கொள்வோம், அங்கு நான் நெடுவரிசை தலைப்பை “பார்வையாளர்கள்” இலிருந்து “பயனர்கள்” என்று மாற்றுவேன். எனவே, அதை நடைமுறையில் செயல்படுத்துகிறேன்.

pdas ஐ pd df = pd.DataFrame ({'நாள்': [1,2,3,4], 'பார்வையாளர்கள்': [200, 100,230,300], 'பவுன்ஸ்_ரேட்': [20,45,60,10] as என இறக்குமதி செய்க df = df.rename (நெடுவரிசைகள் = {'பார்வையாளர்கள்': 'பயனர்கள்' print) அச்சு (df)

வெளியீடு:

பவுன்ஸ்_ விகிதம் நாள் பயனர்கள் 0 20 1 200 1 45 2 100 2 60 3 230 3 10 4 300

மேலே பார்த்தபடி, நெடுவரிசை தலைப்பு “பார்வையாளர்கள்” “பயனர்கள்” என மாற்றப்பட்டுள்ளது. பைதான் பாண்டாஸ் டுடோரியலில் அடுத்து, டேட்டா முங்கிங் செய்வோம்.

தரவு முங்கிங்

தரவு முங்கில், நீங்கள் ஒரு குறிப்பிட்ட தரவை வேறு வடிவமாக மாற்றலாம். எடுத்துக்காட்டாக, உங்களிடம் .csv கோப்பு இருந்தால், அதை .html அல்லது வேறு எந்த தரவு வடிவமாகவும் மாற்றலாம். எனவே, இதை நடைமுறையில் செயல்படுத்துகிறேன்.

pdas ஐ pd country = pd.read_csv ('D: UsersAayushiDownloadsworld-bank-youth-රැකියාவாய்ப்பின்மை API_ILO_country_YU.csv', index_col = 0) country.to_html ('edu.html')

இந்த குறியீட்டை நீங்கள் இயக்கியதும், “edu.html” என்ற பெயரில் ஒரு HTML கோப்பு உருவாக்கப்படும். நீங்கள் கோப்பின் பாதையை நேரடியாக நகலெடுத்து உங்கள் உலாவியில் ஒட்டலாம், இது தரவை ஒரு HTML வடிவத்தில் காண்பிக்கும். கீழே உள்ள ஸ்கிரீன்ஷாட்டைப் பார்க்கவும்:


பைதான் பாண்டாஸ் டுடோரியலில் அடுத்து, உலகளாவிய இளைஞர்களின் வேலையின்மை பற்றி பேசும் ஒரு பயன்பாட்டு வழக்கைப் பார்ப்போம்.

பைதான் பாண்டாஸ் பயிற்சி: இளைஞர்களின் வேலையின்மை தரவை பகுப்பாய்வு செய்ய வழக்கைப் பயன்படுத்தவும்

சிக்கல் அறிக்கை :உங்களுக்கு ஒரு தரவுத்தொகுப்பு வழங்கப்பட்டுள்ளது 2010 முதல் 2014 வரை உலகளவில் வேலையற்ற இளைஞர்களின் சதவீதத்தை உள்ளடக்கியது. நீங்கள் இந்த தரவுத்தொகுப்பைப் பயன்படுத்த வேண்டும் மற்றும் 2010-2011 முதல் ஒவ்வொரு நாட்டிற்கும் இளைஞர்களின் சதவீதத்தில் மாற்றத்தைக் கண்டறிய வேண்டும்.

இரட்டை எண்ணாக ஜாவாவாக மாற்றுகிறது

முதலில், நாட்டின் பெயர், நாட்டுக் குறியீடு மற்றும் 2010 முதல் 2014 வரையிலான ஆண்டு என நெடுவரிசைகளைக் கொண்ட தரவுத்தொகுப்பைப் புரிந்துகொள்வோம். இப்போது பாண்டாக்களைப் பயன்படுத்தி, .csv கோப்பு வடிவமைப்பு கோப்பைப் படிக்க “pd.read_csv” ஐப் பயன்படுத்துவோம்.
கீழே உள்ள ஸ்கிரீன்ஷாட்டைப் பார்க்கவும்:

2010 முதல் 2011 வரை வேலையற்ற இளைஞர்களின் சதவீத மாற்றத்தைக் கண்டறியப் போகிற தரவு பகுப்பாய்வுகளை மேற்கொள்வோம். பின்னர் அதைப் பயன்படுத்தி காட்சிப்படுத்துவோம் நூலகம், இது பைத்தானில் காட்சிப்படுத்தலுக்கான சக்திவாய்ந்த நூலகமாகும். பைதான் ஸ்கிரிப்ட்கள், ஷெல், வலை பயன்பாட்டு சேவையகங்கள் மற்றும் பிற GUI கருவித்தொகுப்புகளில் இதைப் பயன்படுத்தலாம். மேலும் படிக்க இங்கே பயன்படுத்தலாம்:

இப்போது, ​​PyCharm இல் குறியீட்டை செயல்படுத்துவோம்:

பாண்டாக்களை பி.டி. head (5) df = df.set_index (['நாட்டின் குறியீடு']) sd = sd.reindex (நெடுவரிசைகள் = ['2010', '2011']) db = sd.diff (அச்சு = 1) db.plot (வகையான = 'பார்') plt.show ()

நீங்கள் மேலே பார்க்க முடியும் என, நாட்டின் டேட்டாஃப்ரேமின் முதல் 5 வரிசைகளில் பகுப்பாய்வு செய்துள்ளேன். அடுத்து, நான் ஒரு குறியீட்டு மதிப்பை “நாட்டின் குறியீடு” என்று வரையறுத்துள்ளேன், பின்னர் 2010 மற்றும் 2011 க்கு நெடுவரிசையை மறு குறியீடாகக் கொண்டுள்ளேன். 2010 முதல் 2011 வரை. இறுதியாக, பைத்தானில் உள்ள மேட்லோட்லிப் நூலகத்தைப் பயன்படுத்தி ஒரு பார்ப்ளாட்டைத் திட்டமிட்டுள்ளேன்.


2010 முதல் 2011 வரை ஆப்கானிஸ்தானில் (ஏ.எஃப்.ஜி) மேற்கண்ட சதித்திட்டத்தில் நீங்கள் கவனித்திருந்தால், வேலையில்லாத இளைஞர்களின் தோராயமாக அதிகரித்துள்ளது. 0.25%. பின்னர் அங்கோலாவில் (AGO), எதிர்மறையான போக்கு உள்ளது, அதாவது வேலையற்ற இளைஞர்களின் சதவீதம் குறைக்கப்பட்டுள்ளது. இதேபோல், வெவ்வேறு தரவுகளின் தொகுப்பில் நீங்கள் பகுப்பாய்வு செய்யலாம்.

“பைதான் பாண்டாஸ் டுடோரியல்” குறித்த எனது வலைப்பதிவு உங்களுக்கு பொருத்தமானது என்று நம்புகிறேன். பைத்தானில் அதன் பல்வேறு பயன்பாடுகளுடன் ஆழமான அறிவைப் பெற, நீங்கள் நேரலைக்கு பதிவு செய்யலாம் 24/7 ஆதரவு மற்றும் வாழ்நாள் அணுகலுடன் எடுரேகாவால்.

எங்களுக்கு ஒரு கேள்வி கிடைத்ததா? இந்த “பைதான் பாண்டாஸ் டுடோரியல்” வலைப்பதிவின் கருத்துகள் பிரிவில் இதைக் குறிப்பிடவும், விரைவில் நாங்கள் உங்களைத் தொடர்புகொள்வோம்.