文件名称：python-bigData
文件大小：2.05MB
文件格式：ZIP
更新时间：2024-05-23 03:33:22
HTML
适用于大数据分析的Python Python是用于开发软件和数据科学应用程序的流行编程语言。 它的流行源于许多因素，例如简单性，可读性，可移植性等。因此，与C或Fortran相比，Python速度较慢，并且不能很好地管理内存。 在分析小数据集时，速度和内存管理上的这些限制可能并不重要，但在分析大数据集时却成为瓶颈。 基于矢量化，并行化，及时编译和分布式任务执行的技术已被Python社区广泛采用，以解决与大数据相关的挑战。 在这些示例中，我们将介绍一些适用于大规模数据分析的技术，并回答以下问题： 如何加快数据分析？ NumPy，Numba和Dask 当数据集大小超出可用物理内存时该怎么办？ 达阵数组，包装袋和数据框 在对大数据集进行机器学习时如何分配工作负载？ 达拉斯机器学习（Scikit-Learn，PyTorch，Tensorflow和Keras的API） 您可以在Binder
【文件预览】：
python-bigData-main
----Slides()
--------dask_intro.slides.html(702KB)
--------Data()
--------dask_delayed.slides.html(1MB)
--------dask_arrays.slides.html(580KB)
--------CARCC-PyBigData-Jan5th2021.pdf(146KB)
--------numba_basics.slides.html(595KB)
--------dask_dataframe.slides.html(663KB)
--------dask_machine_learning.slides.html(794KB)
--------numpy_basics.slides.html(625KB)
----numba_basics.ipynb(30KB)
----README.md(1KB)
----numpy_basics.ipynb(48KB)
----dask_intro.ipynb(141KB)
----dask_dataframe.ipynb(99KB)
----dask_delayed.ipynb(447KB)
----dask_machine_learning.ipynb(220KB)
----dask_arrays.ipynb(18KB)