日韩国产精品区一99,日韩精品合集在线第一页 ,中文有码无码人妻视频

本書講解主要以Python數(shù)據(jù)分析相關內容為主，還涉及數(shù)據(jù)分析背后的數(shù)學思維。全書內容主要分為三部分。第一部分為Python數(shù)據(jù)分析相關技能，包括NumPy、pandas等重要的第三方庫的使用技巧；第二部分為數(shù)據(jù)分析相關統(tǒng)計學知識，主要包含構建模型的流程、思路，以及數(shù)學原理的解析；第三部分為實戰(zhàn)，主要是結合Python數(shù)據(jù)分析工具與統(tǒng)計學知識的實踐操作。
對于那些想要進入數(shù)據(jù)分析領域的初學者非常適合閱讀本書，即使你沒有扎實的Python編程基礎，沒有深厚的數(shù)理統(tǒng)計功底，依然可以通過本書的學習對數(shù)據(jù)分析技術產(chǎn)生濃厚的興趣，以及對數(shù)據(jù)分析的原理與應用有更加整體的認識和理解。

前　言
這本書是寫給誰看的？
首先，本書非常適合從事數(shù)據(jù)分析行業(yè)的人員學習。從書中可以學會利用pandas批量處理數(shù)據(jù)，通過可視化技術給領導和客戶帶來強烈的視覺沖擊。建議對這部分感興趣的讀者著重學習第4章、第6章、第12章。
其次，本書還適合在科研過程中頻繁處理數(shù)據(jù)的研究人員。據(jù)我所知，尤其是生物領域的科研人員，在進行數(shù)值分析、方程擬合時，有一部分人還在使用傳統(tǒng)的SPSS軟件，不過它功能有限，也很不靈活，而通過對SciPy的學習，可以感受到Python在科學計算方面的強大功能。建議這部分讀者著重學習第5章。
最后，本書對于那些有志于從事數(shù)據(jù)領域工作的讀者也很有指導作用。無論你以后想從事數(shù)據(jù)分析行業(yè)，還是大數(shù)據(jù)挖掘行業(yè)，本書都可以作為一本值得入手的啟蒙讀物。
本書架構
第1章從總體講解數(shù)據(jù)分析，包括其發(fā)展歷史、技能需求等。通過經(jīng)典案例展示數(shù)據(jù)分析全過程，讓讀者帶著疑問、興趣閱讀本書。最后介紹了兩個非常出色的數(shù)據(jù)分析案例。
第2章介紹Python基礎編程知識與技巧，有一定Python編程基礎的讀者可以跳過此章，往后閱讀。
第3～7章是本書的核心內容，同時章節(jié)講述的先后順序與數(shù)據(jù)分析的流程相對應。
NumPy中包含了許多大規(guī)模數(shù)組快速計算的算法，是數(shù)據(jù)分析的基礎，也是學習其他庫的基礎。
pandas非常擅長將非結構化數(shù)據(jù)處理為結構化數(shù)據(jù)，包括清除缺失數(shù)據(jù)、填充值、表格的合并與刪除等操作。
SciPy是一個科學計算包，當收到規(guī)整的數(shù)據(jù)集，如何挖掘數(shù)據(jù)信息的任務就落到了SciPy的身上。在本章中你可以掌握數(shù)值分析、數(shù)值擬合、插值等技能。
數(shù)據(jù)可視化是數(shù)據(jù)分析的最后一步，當分析得出了結論就要展示出來。在第6章，會介紹兩個可視化庫，一個是matplotlib，另一個是pyechart。二者其中一個擅長基礎繪圖，一個擅長交互式繪圖，各有所長，互相補充。
在現(xiàn)實生活中，尤其是在金融、科研等領域，很多數(shù)據(jù)都是時間序列的函數(shù)，因此本書在第7章還介紹了Python在時間序列中的應用。
第8～12章是本書的實戰(zhàn)章節(jié)，將介紹一些數(shù)據(jù)分析的實戰(zhàn)案例，幫助大家融會貫通前面掌握的技能。
本書的目的
希望閱讀本書的數(shù)據(jù)分析和大數(shù)據(jù)挖掘從業(yè)者、科研人員和愛好者能掌握一些數(shù)據(jù)分析編程技能，不再僅僅依賴于局限性很強的傳統(tǒng)工具。
希望閱讀本書的學生，能對數(shù)據(jù)分析的概念、流程，與其他領域的區(qū)別有大致的了解，并提高對數(shù)據(jù)分析技術的興趣。如果能引領出幾位目前迷茫，但閱讀完本書后有志于在數(shù)據(jù)領域深耕的極客那就更好了。

目　錄
第1章　什么是數(shù)據(jù)分析
1.1　Python開發(fā)環(huán)境 1
1.2　數(shù)據(jù)分析的前世今生 2
1.2.1　數(shù)據(jù)分析歷史 2
1.2.2　數(shù)據(jù)分析的現(xiàn)實應用 2
1.2.3　數(shù)據(jù)分析的技能需求 3
1.3　數(shù)據(jù)分析流程 4
1.3.1　數(shù)據(jù)導入、清洗 5
1.3.2　單變量分析 6
1.3.3　多變量分析 6
1.3.4　選擇模型 6
1.3.5　估計與假設檢驗 7
1.3.6　可視化 8
1.4　數(shù)據(jù)分析經(jīng)典案例 8
1.4.1　犯罪率的下降與法律條文的生成 8
1.4.2　利用數(shù)據(jù)觀察校園作弊行為 9
1.4.3　靠統(tǒng)計學致富的數(shù)學家 11
1.5　數(shù)據(jù)分析的第一個實戰(zhàn) 12
1.5.1　單變量探索 12
1.5.2　多變量分析 16
1.5.3　選擇模型 21
1.5.4　假設檢驗 25
第2章　Python知識進階
2.1　Python語言 28
2.1.1　Python的歷史 29
2.1.2　Python的特色 29
2.2　Python技巧與進階 31
2.2.1　數(shù)據(jù)類型方面的技巧 31
2.2.2　數(shù)字方面的使用技巧 32
2.2.3　枚舉 34
2.2.4　匿名函數(shù)的應用 35
2.2.5　裝飾器：語法糖 37
2.2.6　列表生成式 39
2.2.7　迭代器與生成器 39
2.3　Python編程的易錯點 41
2.3.1　全局變量與局部變量 42
2.3.2　閉包 43
2.3.3　函數(shù)傳參 44
2.3.4　列表和數(shù)組的區(qū)別 45
2.3.5　變量和按引用傳遞 45
2.3.6　None：一個獨特的類型 47
2.4　小結 48
第3章　NumPy的入門與進階
3.1　ndarray數(shù)組 49
3.1.1　ndarray數(shù)組的創(chuàng)建 49
3.1.2　C和Fortran順序 51
3.2　索引 51
3.2.1　基本索引 51
3.2.2　高維數(shù)組的索引 52
3.2.3　高階索引 54
3.3　廣播機制 56
3.4　NumPy數(shù)組的運算 58
3.4.1　NumPy的數(shù)值計算 58
3.4.2　比較與排序 59
3.4.3　NumPy的數(shù)組計算 60
3.4.4　ufunc高級應用 61
3.4.5　NumPy初等函數(shù)與math內置初等函數(shù)的區(qū)別 63
3.4.6　NumPy中的多項式函數(shù) 64
3.4.7　其他功能函數(shù) 65
第4章　pandas的入門與進階
4.1　pandas的數(shù)據(jù)結構 66
4.1.1　Series的創(chuàng)建 67
4.1.2　Series的數(shù)值計算 68
4.1.3　DataFrame的創(chuàng)建 69
4.1.4　DataFrame的基本屬性 70
4.2　pandas數(shù)據(jù)結構的基本操作 72
4.2.1　轉置 72
4.2.2　索引 73
4.2.3　DataFrame的關系型操作 75
4.2.4　DataFrame的畫圖操作 76
4.2.5　查看數(shù)據(jù) 80
4.3　pandas數(shù)據(jù)結構的進階操作 81
4.3.1　數(shù)據(jù)導入導出 81
4.3.2　表格合并 83
4.3.3　讀寫文件中的編碼問題 90
4.3.4　刪除與替換數(shù)據(jù) 92
4.3.5　表格整體性分析 96
4.3.6　GroupBy分組運算 98
4.3.7　綜合練習 103
第5章　SciPy入門與進階
5.1　SciPy中的常數(shù)與函數(shù) 106
5.1.1　SciPy中的常數(shù) 106
5.1.2　SciPy中的special模塊 107
5.2　SciPy中的科學計算工具 108
5.2.1　求解多元方程組 108
5.2.2　擬合方程 110
5.2.3　最優(yōu)化算法 113
5.2.4　統(tǒng)計分布 116
5.2.5　積分 120
5.2.6　插值 121
第6章　可視化
6.1　可視化的魅力 124
6.1.1　別出心裁的可視化 124
6.1.2　可視化的基本理論 126
6.1.3　可視化實例 127
6.2　matplotlib第三方庫的基本功能 131
6.2.1　matplotlib繪圖的基礎組件 131
6.2.2　餅圖 134
6.2.3　條形圖 139
6.2.4　散點圖 142
6.2.5　折線圖 145
6.2.6　箱線圖 146
6.2.7　小提琴圖 148
6.2.8　Basemap簡單介紹 150
6.3　交互式繪圖 151
6.3.1　matplotlib的簡單交互式繪圖 151
6.3.2　pyecharts可視化庫 154
第7章　時間序列
7.1　datetime庫的簡單介紹 160
7.1.1　時間坐標的構造 160
7.1.2　時間和字符串的轉換 161
7.2　時間序列中pandas的應用 162
7.2.1　DatetimeIndex 162
7.2.2　pandas中時間坐標的構造 163
7.2.3　PeriodIndex（時間索引類型） 164
7.2.4　采樣 166
7.2.5　超前或滯后 167
7.2.6　移動窗口函數(shù) 168
7.3　時間序列的時區(qū)轉換 169
第8章　數(shù)據(jù)分析中的統(tǒng)計學
8.1　有趣的選擇 171
8.2　數(shù)據(jù)分析回答ofo多久才能退押金 172
8.3　統(tǒng)計學在數(shù)據(jù)分析中扮演的角色 178
8.4　數(shù)據(jù)預處理 178
8.4.1　數(shù)據(jù)清洗 178
8.4.2　數(shù)據(jù)集成 180
8.4.3　數(shù)據(jù)變換 181
8.5　特征工程 182
8.5.1　過濾法 183
8.5.2　包裝法 186
8.5.3　嵌入式方法 190
8.5.4　正則化 193
8.6　模型訓練 194
8.7　模型評估 199
8.8　數(shù)據(jù)分析中的其他問題 201
8.8.1　數(shù)據(jù)泄露 201
8.8.2　大數(shù)據(jù)下的數(shù)據(jù)分析 202
8.8.3　辛普森悖論 204
8.8.4　數(shù)據(jù)集的劃分 205
8.8.5　優(yōu)化調參 206
第9章　豆瓣電影TOP 250數(shù)據(jù)分析
9.1　項目介紹 210
9.1.1　爬蟲的簡單介紹 210
9.1.2　網(wǎng)頁的構成 210
9.1.3　實戰(zhàn)中的爬蟲技術介紹 211
9.1.4　實戰(zhàn)中數(shù)據(jù)存儲與讀取 215
9.1.5　實戰(zhàn)中的界面設計 216
9.1.6　實戰(zhàn)中的數(shù)據(jù)可視化 219
9.2　數(shù)據(jù)庫操作 224
9.2.1　數(shù)據(jù)庫的安裝與配置 225
9.2.2　數(shù)據(jù)存儲到數(shù)據(jù)庫 227
9.3　數(shù)據(jù)庫標準語言 228
9.3.1　創(chuàng)建數(shù)據(jù)庫、表 229
9.3.2　表的刪除與更新 229
9.3.3　查詢 230
9.3.4　聚合與排序 230
9.3.5　數(shù)據(jù)更新 231
9.3.6　表的集合運算 232
9.3.7　Python和數(shù)據(jù)庫語言的關系 234
第10章　Python豐富的可視化案例
10.1　turtle庫的簡單使用 236
10.2　北上廣深租房分析可視化案例 238
10.2.1　數(shù)據(jù)爬取 238
10.2.2　讀取數(shù)據(jù) 240
10.2.3　數(shù)據(jù)分析 241
第11章　Python預測應用——SVM預測股票漲跌
11.1　SVM介紹 246
11.1.1　SVM原理 246
11.1.2　核函數(shù) 247
11.2　SVM實戰(zhàn) 249
11.2.1　數(shù)據(jù)預處理 249
11.2.2　訓練模型 251
11.2.3　遺傳算法 252
第12章　文本分析《三國演義》：挖掘人物圖譜
12.1　項目簡單說明 262
12.1.1　代碼分塊介紹 262
12.1.2　效果圖展示 265
12.2　工程具體實現(xiàn) 265
12.2.1　設計思想 266
12.2.2　代碼詳解 266
12.2.3　可視化 267

你還可能感興趣

我要評論