Data-Science-For-Beginners/translations/kn/3-Data-Visualization/11-visualization-proportions

ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು

ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು - @nitya ಅವರ ಸ್ಕೆಚ್ ನೋಟ್

ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಪ್ರಾಕೃತಿಕ-ಕೇಂದ್ರೀಕೃತ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವಿರಿ, ಉದಾಹರಣೆಗೆ, ಮುಷ್ರೂಮ್ಗಳ ಬಗ್ಗೆ ನೀಡಲಾದ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಎಷ್ಟು ವಿಭಿನ್ನ ಪ್ರಕಾರದ ಫಂಗಿ ಇದ್ದಾರೆ ಎಂಬುದನ್ನು. ನಾವು ಈ ಆಕರ್ಷಕ ಫಂಗಿಗಳನ್ನು Audubon ನಿಂದ ಪಡೆದ 23 ಪ್ರಭೇದಗಳ ಗಿಲ್ಲ್ಡ್ ಮುಷ್ರೂಮ್ಗಳ ವಿವರಗಳನ್ನು ಹೊಂದಿರುವ ಡೇಟಾಸೆಟ್ ಬಳಸಿ ಅನ್ವೇಷಿಸೋಣ. ನೀವು ರುಚಿಕರವಾದ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಪ್ರಯೋಗಿಸಬಹುದು, ಉದಾಹರಣೆಗೆ:

• ಪೈ ಚಾರ್ಟ್‌ಗಳು 🥧
• ಡೋನಟ್ ಚಾರ್ಟ್‌ಗಳು 🍩
• ವಾಫಲ್ ಚಾರ್ಟ್‌ಗಳು 🧇

💡 ಮೈಕ್ರೋಸಾಫ್ಟ್ ರಿಸರ್ಚ್‌ನಿಂದ Charticulator ಎಂಬ ಬಹಳ ಆಸಕ್ತಿದಾಯಕ ಯೋಜನೆ ಉಚಿತ ಡ್ರ್ಯಾಗ್ ಮತ್ತು ಡ್ರಾಪ್ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಡೇಟಾ ದೃಶ್ಯೀಕರಣಗಳಿಗೆ ನೀಡುತ್ತದೆ. ಅವರ ಟ್ಯುಟೋರಿಯಲ್‌ಗಳಲ್ಲಿ ಒಂದರಲ್ಲಿ ಅವರು ಈ ಮುಷ್ರೂಮ್ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಕೂಡ ಬಳಸುತ್ತಾರೆ! ಆದ್ದರಿಂದ ನೀವು ಡೇಟಾವನ್ನು ಅನ್ವೇಷಿಸಿ ಲೈಬ್ರರಿಯನ್ನು ಒಂದೇ ಸಮಯದಲ್ಲಿ ಕಲಿಯಬಹುದು: Charticulator ಟ್ಯುಟೋರಿಯಲ್.

ಪೂರ್ವ-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ

ನಿಮ್ಮ ಮುಷ್ರೂಮ್ಗಳನ್ನು ಪರಿಚಯಿಸಿಕೊಳ್ಳಿ 🍄

ಮುಷ್ರೂಮ್ಗಳು ಬಹಳ ಆಸಕ್ತಿದಾಯಕವಾಗಿವೆ. ಅವುಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಆಮದು ಮಾಡೋಣ:

import pandas as pd
import matplotlib.pyplot as plt
mushrooms = pd.read_csv('../../data/mushrooms.csv')
mushrooms.head()

ಒಂದು ಟೇಬಲ್ ವಿಶ್ಲೇಷಣೆಗೆ ಉತ್ತಮ ಡೇಟಾ ಸಹಿತ ಮುದ್ರಿತವಾಗಿದೆ:

ವರ್ಗ	ಕ್ಯಾಪ್-ಆಕಾರ	ಕ್ಯಾಪ್-ಮೇಲ್ಮೈ	ಕ್ಯಾಪ್-ಬಣ್ಣ	ಗಾಯಗಳು	ವಾಸನೆ	ಗಿಲ್-ಸಂಯೋಜನೆ	ಗಿಲ್-ಅಂತರ	ಗಿಲ್-ಗಾತ್ರ	ಗಿಲ್-ಬಣ್ಣ	ಸ್ಟಾಕ್-ಆಕಾರ	ಸ್ಟಾಕ್-ಮೂಲ	ರಿಂಗ್ ಮೇಲಿನ ಸ್ಟಾಕ್-ಮೇಲ್ಮೈ	ರಿಂಗ್ ಕೆಳಗಿನ ಸ್ಟಾಕ್-ಮೇಲ್ಮೈ	ರಿಂಗ್ ಮೇಲಿನ ಸ್ಟಾಕ್-ಬಣ್ಣ	ರಿಂಗ್ ಕೆಳಗಿನ ಸ್ಟಾಕ್-ಬಣ್ಣ	ವೀಲ್-ಪ್ರಕಾರ	ವೀಲ್-ಬಣ್ಣ	ರಿಂಗ್-ಸಂಖ್ಯೆ	ರಿಂಗ್-ಪ್ರಕಾರ	ಸ್ಪೋರ್-ಪ್ರಿಂಟ್-ಬಣ್ಣ	ಜನಸಂಖ್ಯೆ	ವಾಸಸ್ಥಳ
ವಿಷಕಾರಿ	ಉಬ್ಬು	ಸ್ಮೂತ್	ಬೂದು	ಗಾಯಗಳು	ತೀವ್ರ	ಮುಕ್ತ	ಹತ್ತಿರ	ಸಣ್ಣ	ಕಪ್ಪು	ವಿಸ್ತಾರಗೊಳ್ಳುವ	ಸಮಾನ	ಸ್ಮೂತ್	ಸ್ಮೂತ್	ಬಿಳಿ	ಬಿಳಿ	ಭಾಗಶಃ	ಬಿಳಿ	ಒಂದು	ಪೆಂಡೆಂಟ್	ಕಪ್ಪು	ಹರಡಿದ	ನಗರ
ತಿನ್ನಬಹುದಾದ	ಉಬ್ಬು	ಸ್ಮೂತ್	ಹಳದಿ	ಗಾಯಗಳು	ಬಾದಾಮಿ	ಮುಕ್ತ	ಹತ್ತಿರ	ಅಗಲ	ಕಪ್ಪು	ವಿಸ್ತಾರಗೊಳ್ಳುವ	ಕ್ಲಬ್	ಸ್ಮೂತ್	ಸ್ಮೂತ್	ಬಿಳಿ	ಬಿಳಿ	ಭಾಗಶಃ	ಬಿಳಿ	ಒಂದು	ಪೆಂಡೆಂಟ್	ಬೂದು	ಬಹಳಷ್ಟು	ಹುಲ್ಲುಗಳು
ತಿನ್ನಬಹುದಾದ	ಘಂಟೆ	ಸ್ಮೂತ್	ಬಿಳಿ	ಗಾಯಗಳು	ಅನೀಸ್	ಮುಕ್ತ	ಹತ್ತಿರ	ಅಗಲ	ಬೂದು	ವಿಸ್ತಾರಗೊಳ್ಳುವ	ಕ್ಲಬ್	ಸ್ಮೂತ್	ಸ್ಮೂತ್	ಬಿಳಿ	ಬಿಳಿ	ಭಾಗಶಃ	ಬಿಳಿ	ಒಂದು	ಪೆಂಡೆಂಟ್	ಬೂದು	ಬಹಳಷ್ಟು	ಮೇದೋಸ್
ವಿಷಕಾರಿ	ಉಬ್ಬು	ತಿರುವು	ಬಿಳಿ	ಗಾಯಗಳು	ತೀವ್ರ	ಮುಕ್ತ	ಹತ್ತಿರ	ಸಣ್ಣ	ಬೂದು	ವಿಸ್ತಾರಗೊಳ್ಳುವ	ಸಮಾನ	ಸ್ಮೂತ್	ಸ್ಮೂತ್	ಬಿಳಿ	ಬಿಳಿ	ಭಾಗಶಃ	ಬಿಳಿ	ಒಂದು	ಪೆಂಡೆಂಟ್	ಕಪ್ಪು	ಹರಡಿದ	ನಗರ

ತಕ್ಷಣವೇ, ನೀವು ಗಮನಿಸುತ್ತೀರಿ ಎಲ್ಲಾ ಡೇಟಾ ಪಠ್ಯರೂಪದಲ್ಲಿದೆ. ಈ ಡೇಟಾವನ್ನು ಚಾರ್ಟ್‌ನಲ್ಲಿ ಬಳಸಲು ನೀವು ಪರಿವರ್ತನೆ ಮಾಡಬೇಕಾಗುತ್ತದೆ. ಬಹುತೇಕ ಡೇಟಾ ವಾಸ್ತವದಲ್ಲಿ ಒಂದು ವಸ್ತುವಾಗಿ ಪ್ರತಿನಿಧಿಸಲಾಗಿದೆ:

print(mushrooms.select_dtypes(["object"]).columns)

ಫಲಿತಾಂಶ:

Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor',
       'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color',
       'stalk-shape', 'stalk-root', 'stalk-surface-above-ring',
       'stalk-surface-below-ring', 'stalk-color-above-ring',
       'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number',
       'ring-type', 'spore-print-color', 'population', 'habitat'],
      dtype='object')

ಈ ಡೇಟಾವನ್ನು ತೆಗೆದುಕೊಂಡು 'class' ಕಾಲಮ್ ಅನ್ನು ವರ್ಗವಾಗಿ ಪರಿವರ್ತಿಸಿ:

cols = mushrooms.select_dtypes(["object"]).columns
mushrooms[cols] = mushrooms[cols].astype('category')

edibleclass=mushrooms.groupby(['class']).count()
edibleclass

ಈಗ, ನೀವು ಮುಷ್ರೂಮ್ ಡೇಟಾವನ್ನು ಮುದ್ರಿಸಿದರೆ, ಅದು ವಿಷಕಾರಿ/ತಿನ್ನಬಹುದಾದ ವರ್ಗಗಳ ಪ್ರಕಾರ ವರ್ಗೀಕೃತವಾಗಿದೆ ಎಂದು ಕಾಣಬಹುದು:

	ಕ್ಯಾಪ್-ಆಕಾರ	ಕ್ಯಾಪ್-ಮೇಲ್ಮೈ	ಕ್ಯಾಪ್-ಬಣ್ಣ	ಗಾಯಗಳು	ವಾಸನೆ	ಗಿಲ್-ಸಂಯೋಜನೆ	ಗಿಲ್-ಅಂತರ	ಗಿಲ್-ಗಾತ್ರ	ಗಿಲ್-ಬಣ್ಣ	ಸ್ಟಾಕ್-ಆಕಾರ	...	ರಿಂಗ್ ಕೆಳಗಿನ ಸ್ಟಾಕ್-ಮೇಲ್ಮೈ	ರಿಂಗ್ ಮೇಲಿನ ಸ್ಟಾಕ್-ಬಣ್ಣ	ರಿಂಗ್ ಕೆಳಗಿನ ಸ್ಟಾಕ್-ಬಣ್ಣ	ವೀಲ್-ಪ್ರಕಾರ	ವೀಲ್-ಬಣ್ಣ	ರಿಂಗ್-ಸಂಖ್ಯೆ	ರಿಂಗ್-ಪ್ರಕಾರ	ಸ್ಪೋರ್-ಪ್ರಿಂಟ್-ಬಣ್ಣ	ಜನಸಂಖ್ಯೆ	ವಾಸಸ್ಥಳ
ವರ್ಗ
ತಿನ್ನಬಹುದಾದ	4208	4208	4208	4208	4208	4208	4208	4208	4208	4208	...	4208	4208	4208	4208	4208	4208	4208	4208	4208	4208
ವಿಷಕಾರಿ	3916	3916	3916	3916	3916	3916	3916	3916	3916	3916	...	3916	3916	3916	3916	3916	3916	3916	3916	3916	3916

ನೀವು ಈ ಟೇಬಲ್‌ನಲ್ಲಿ ನೀಡಲಾದ ಕ್ರಮವನ್ನು ಅನುಸರಿಸಿ ನಿಮ್ಮ ವರ್ಗದ ಲೇಬಲ್‌ಗಳನ್ನು ರಚಿಸಿದರೆ, ನೀವು ಪೈ ಚಾರ್ಟ್ ರಚಿಸಬಹುದು:

ಪೈ!

labels=['Edible','Poisonous']
plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
plt.title('Edible?')
plt.show()

ಇದು, ಈ ಎರಡು ಮುಷ್ರೂಮ್ ವರ್ಗಗಳ ಪ್ರಕಾರ ಈ ಡೇಟಾದ ಪ್ರಮಾಣಗಳನ್ನು ತೋರಿಸುವ ಪೈ ಚಾರ್ಟ್. ಲೇಬಲ್‌ಗಳ ಕ್ರಮವನ್ನು ಸರಿಯಾಗಿ ಪಡೆಯುವುದು ಬಹಳ ಮುಖ್ಯ, ವಿಶೇಷವಾಗಿ ಇಲ್ಲಿ, ಆದ್ದರಿಂದ ಲೇಬಲ್ ಅರೆ ಅನ್ನು ರಚಿಸುವ ಕ್ರಮವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ!

ಡೋನಟ್ಸ್!

ಒಂದು ಸ್ವಲ್ಪ ಹೆಚ್ಚು ದೃಶ್ಯಾತ್ಮಕವಾಗಿ ಆಸಕ್ತಿದಾಯಕ ಪೈ ಚಾರ್ಟ್ ಡೋನಟ್ ಚಾರ್ಟ್ ಆಗಿದೆ, ಇದು ಮಧ್ಯದಲ್ಲಿ ರಂಧ್ರವಿರುವ ಪೈ ಚಾರ್ಟ್. ಈ ವಿಧಾನವನ್ನು ಬಳಸಿ ನಮ್ಮ ಡೇಟಾವನ್ನು ನೋಡೋಣ.

ಮುಷ್ರೂಮ್ಗಳು ಬೆಳೆಯುವ ವಿವಿಧ ವಾಸಸ್ಥಳಗಳನ್ನು ನೋಡಿ:

habitat=mushrooms.groupby(['habitat']).count()
habitat

ಇಲ್ಲಿ, ನೀವು ನಿಮ್ಮ ಡೇಟಾವನ್ನು ವಾಸಸ್ಥಳದ ಪ್ರಕಾರ ಗುಂಪು ಮಾಡುತ್ತಿದ್ದೀರಿ. 7 ವಾಸಸ್ಥಳಗಳಿವೆ, ಅವುಗಳನ್ನು ನಿಮ್ಮ ಡೋನಟ್ ಚಾರ್ಟ್ ಲೇಬಲ್‌ಗಳಾಗಿ ಬಳಸಿ:

labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood']

plt.pie(habitat['class'], labels=labels,
        autopct='%1.1f%%', pctdistance=0.85)
  
center_circle = plt.Circle((0, 0), 0.40, fc='white')
fig = plt.gcf()

fig.gca().add_artist(center_circle)
  
plt.title('Mushroom Habitats')
  
plt.show()

ಈ ಕೋಡ್ ಒಂದು ಚಾರ್ಟ್ ಮತ್ತು ಮಧ್ಯದ ವೃತ್ತವನ್ನು ರಚಿಸುತ್ತದೆ, ನಂತರ ಆ ಮಧ್ಯದ ವೃತ್ತವನ್ನು ಚಾರ್ಟ್‌ನಲ್ಲಿ ಸೇರಿಸುತ್ತದೆ. ಮಧ್ಯದ ವೃತ್ತದ ಅಗಲವನ್ನು 0.40 ಅನ್ನು ಬೇರೆ ಮೌಲ್ಯಕ್ಕೆ ಬದಲಾಯಿಸುವ ಮೂಲಕ ಸಂಪಾದಿಸಬಹುದು.

ಡೋನಟ್ ಚಾರ್ಟ್‌ಗಳನ್ನು ಲೇಬಲ್‌ಗಳನ್ನು ಬದಲಾಯಿಸಲು ಹಲವು ರೀತಿಯಲ್ಲಿ ತಿದ್ದುಪಡಿ ಮಾಡಬಹುದು. ವಿಶೇಷವಾಗಿ ಲೇಬಲ್‌ಗಳನ್ನು ಓದಲು ಸುಲಭವಾಗುವಂತೆ ಹೈಲೈಟ್ ಮಾಡಬಹುದು. ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಡಾಕ್ಸ್ ನೋಡಿ.

ನೀವು ಈಗ ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಗುಂಪುಮಾಡಿ ಅದನ್ನು ಪೈ ಅಥವಾ ಡೋನಟ್ ಆಗಿ ಪ್ರದರ್ಶಿಸುವುದನ್ನು ತಿಳಿದಿದ್ದೀರಿ, ನೀವು ಇತರ ಚಾರ್ಟ್‌ಗಳನ್ನೂ ಅನ್ವೇಷಿಸಬಹುದು. ವಾಫಲ್ ಚಾರ್ಟ್ ಅನ್ನು ಪ್ರಯತ್ನಿಸಿ, ಇದು ಪ್ರಮಾಣವನ್ನು ಅನ್ವೇಷಿಸುವ ಬೇರೆ ರೀತಿಯ ವಿಧಾನ.

ವಾಫಲ್ಸ್!

'ವಾಫಲ್' ಪ್ರಕಾರದ ಚಾರ್ಟ್ ಪ್ರಮಾಣಗಳನ್ನು 2D ಚೌಕಗಳ ಸರಣಿಯಾಗಿ ದೃಶ್ಯೀಕರಿಸುವ ಬೇರೆ ವಿಧಾನ. ಈ ಡೇಟಾಸೆಟ್‌ನ ಮುಷ್ರೂಮ್ ಕ್ಯಾಪ್ ಬಣ್ಣಗಳ ವಿಭಿನ್ನ ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ಪ್ರಯತ್ನಿಸಿ. ಇದಕ್ಕಾಗಿ, ನೀವು PyWaffle ಎಂಬ ಸಹಾಯಕ ಲೈಬ್ರರಿಯನ್ನು ಸ್ಥಾಪಿಸಿ Matplotlib ಬಳಸಿ:

pip install pywaffle

ನಿಮ್ಮ ಡೇಟಾದ ಒಂದು ಭಾಗವನ್ನು ಗುಂಪುಮಾಡಿ:

capcolor=mushrooms.groupby(['cap-color']).count()
capcolor

ಲೇಬಲ್‌ಗಳನ್ನು ರಚಿಸಿ ನಂತರ ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಗುಂಪುಮಾಡಿ ವಾಫಲ್ ಚಾರ್ಟ್ ರಚಿಸಿ:

import pandas as pd
import matplotlib.pyplot as plt
from pywaffle import Waffle
  
data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'],
    'amount': capcolor['class']
     }
  
df = pd.DataFrame(data)
  
fig = plt.figure(
    FigureClass = Waffle,
    rows = 100,
    values = df.amount,
    labels = list(df.color),
    figsize = (30,30),
    colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"],
)

ವಾಫಲ್ ಚಾರ್ಟ್ ಬಳಸಿ, ನೀವು ಈ ಮುಷ್ರೂಮ್ ಡೇಟಾಸೆಟ್‌ನ ಕ್ಯಾಪ್ ಬಣ್ಣಗಳ ಪ್ರಮಾಣಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನೋಡಬಹುದು. ಆಸಕ್ತಿದಾಯಕವಾಗಿ, ಇಲ್ಲಿ ಹಲವಾರು ಹಸಿರು ಕ್ಯಾಪ್ ಮುಷ್ರೂಮ್ಗಳು ಇವೆ!

✅ Pywaffle ಚಾರ್ಟ್‌ಗಳಲ್ಲಿ Font Awesome ನಲ್ಲಿ ಲಭ್ಯವಿರುವ ಯಾವುದೇ ಐಕಾನ್‌ಗಳನ್ನು ಬಳಸುವ ಐಕಾನ್‌ಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಚೌಕಗಳ ಬದಲು ಐಕಾನ್‌ಗಳನ್ನು ಬಳಸಿ ಇನ್ನಷ್ಟು ಆಸಕ್ತಿದಾಯಕ ವಾಫಲ್ ಚಾರ್ಟ್ ರಚಿಸಲು ಪ್ರಯೋಗ ಮಾಡಿ.

ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವ ಮೂರು ವಿಧಾನಗಳನ್ನು ಕಲಿತಿರಿ. ಮೊದಲು, ನಿಮ್ಮ ಡೇಟಾವನ್ನು ವರ್ಗಗಳಾಗಿ ಗುಂಪುಮಾಡಿ ನಂತರ ಡೇಟಾವನ್ನು ಪ್ರದರ್ಶಿಸುವ ಅತ್ಯುತ್ತಮ ವಿಧಾನವನ್ನು ನಿರ್ಧರಿಸಿ - ಪೈ, ಡೋನಟ್ ಅಥವಾ ವಾಫಲ್. ಎಲ್ಲವೂ ರುಚಿಕರವಾಗಿವೆ ಮತ್ತು ಬಳಕೆದಾರರಿಗೆ ಡೇಟಾಸೆಟ್‌ನ ತಕ್ಷಣದ ದೃಶ್ಯವನ್ನು ನೀಡುತ್ತವೆ.

🚀 ಸವಾಲು

ಈ ರುಚಿಕರ ಚಾರ್ಟ್‌ಗಳನ್ನು Charticulator ನಲ್ಲಿ ಮರುಸೃಷ್ಟಿಸುವ ಪ್ರಯತ್ನ ಮಾಡಿ.

ಪೋಸ್ಟ್-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ

ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ

ಯಾವಾಗ ಪೈ, ಡೋನಟ್ ಅಥವಾ ವಾಫಲ್ ಚಾರ್ಟ್ ಬಳಸಬೇಕೆಂದು ಸ್ಪಷ್ಟವಾಗದಿದ್ದಾಗ ಕೆಲವೊಂದು ಲೇಖನಗಳನ್ನು ಓದಿ:

https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart

https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce

https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm

https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402

ಈ ಸಂಕೀರ್ಣ ನಿರ್ಧಾರ ಕುರಿತು ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಸಂಶೋಧನೆ ಮಾಡಿ.

ಹುದ್ದೆ

Excel ನಲ್ಲಿ ಪ್ರಯತ್ನಿಸಿ

---

ಅಸ್ವೀಕರಣ:
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ತಪ್ಪುಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.