Laten we eens kijken naar een eenvoudig voorbeeld van Python-code om de basisprincipes te illustreren. Onderstaand voorbeeld laat zien hoe je de taal kunt gebruiken om tekst op het scherm weer te geven en een lus uit te voeren:
# Voorbeeld van een Hello World-programma in Python
print("Hello, World!")
# Voorbeeld van een for-lus in Python
for i in range(5):
print(i)
Het inlezen van en CSV-bestand en het uitvoeren van een eenvoudige gegevensanalyse kun je gemakkelijk met Pandas doen:
import pandas as pd
# Inlezen van een CSV-bestand
data = pd.read_csv('data.csv')
# Bekijken van de eerste 5 rijen van de gegevens
print(data.head())
# Berekenen van statistieken op de gegevens
print(data.describe())
Eenvoudige webtoepassingen kun je met het eenvoudige microframework van Flask bouwen:
from flask import Flask, render_template
app = Flask(__name__)
# Definiëren van een route en een bijbehorende functie
@app.route('/')
def home():
return render_template('index.html')
# Uitvoeren van de applicatie
if __name__ == '__main__':
app.run()
Het trainen van een eenvoudig classifiactiemodel kan met behulp van scikit-learn, een bibiliotheek voor machine learning:
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
# Laden van de dataset
data = load_iris()
X = data.data
y = data.target
# Opsplitsen van de dataset in een trainingsset en een testset
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# Trainen van het classificatiemodel
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
# Voorspellen van de labels voor de testset
y_pred = model.predict(X_test)
# Berekenen van de nauwkeurigheid van het model
accuracy = accuracy_score(y_test, y_pred)
print("Nauwkeurigheid: ", accuracy)
En dit was nog maar het begin! Er is nog veel meer mogelijk op het gebied van gegevensverwerking, webontwikkeling, machine learning, automatisering en andere toepassingen.