第 1 章 Python 語(yǔ)言基礎(chǔ) 1 1.1　關(guān)于 Python　1 1.2　為什么使用 Python 分析數(shù)據(jù)　1 1.3　重要的 Python 庫(kù)　2 1.4　安裝與設(shè)置　2 1.4.1　在 Windows 或 MacOS 系統(tǒng)上安裝 Anaconda　3 1.4.2　在Linux 系統(tǒng)上安裝 Anaconda　3 1.4.3　安裝和更新包　3 1.4.4　Python 解釋器　4 1.4.5　導(dǎo)入庫(kù)　4 1.5　代碼編寫(xiě)工具　5 1.6　開(kāi)始使用 Python　7 1.6.1　獲取幫助　7 1.6.2　把 Python 當(dāng)作一個(gè)計(jì)算器　9 1.6.3　Python 對(duì)象　12 1.7　工作目錄　14 1.8　習(xí)題　15 第　2 章 基本數(shù)據(jù)結(jié)構(gòu)　16 2.1　列表　16 2.1.1　列表的創(chuàng)建　16 2.1.2　列表基本操作　17 2.1.3　列表方法與函數(shù)操作　19 2.2　元組　21 2.2.1　元組的創(chuàng)建　21 2.2.2　元組的操作　22 2.3　字典　23 2.3.1　字典的創(chuàng)建　24 2.3.2　字典的操作　25 2.4　集合　26 2.4.1　集合的創(chuàng)建　26 2.4.2　集合的操作　26 2.5　習(xí)題　27 第　3 章 控制流、函數(shù)與文件操作　28 3.1　條件語(yǔ)句　28 3.1.1　簡(jiǎn)單條件結(jié)構(gòu)　28 3.1.2　嵌套條件結(jié)構(gòu)　29 3.2　循環(huán)語(yǔ)句　30 3.2.1　for 循環(huán)　30 3.2.2　while 循環(huán)　30 3.3　函數(shù)　31 3.3.1　定義函數(shù)　31 3.3.2　默認(rèn)參數(shù)　31 3.3.3　任意參數(shù)　32 3.3.4　匿名函數(shù)　33 3.4　文件操作　33 3.4.1　讀取 txt 文件　33 3.4.2　寫(xiě)入 txt 文件　34 3.4.3　讀寫(xiě) CSV 文件　35 3.5　習(xí)題　36 第　4 章 NumPy 基礎(chǔ)　37 4.1　創(chuàng)建數(shù)組對(duì)象　37 4.1.1　使用函數(shù) array 創(chuàng)建數(shù)組對(duì)象　37 4.1.2　使用專門(mén)函數(shù)創(chuàng)建數(shù)組對(duì)象　38 4.1.3　生成偽隨機(jī)數(shù)　39 4.2　數(shù)組操作　41 4.2.1　數(shù)組重塑　41 4.2.2　數(shù)組轉(zhuǎn)置和軸變換　41 4.2.3　數(shù)組的索引和切片　42 4.3　數(shù)組運(yùn)算　44 4.3.1　通用函數(shù)　44 4.3.2　基本統(tǒng)計(jì)運(yùn)算　46 4.3.3　矩陣運(yùn)算　47 4.4　數(shù)組文件的保存與導(dǎo)入　48 4.5　習(xí)題　49 第　5 章 Pandas 入門(mén)　50 5.1　Pandas 數(shù)據(jù)結(jié)構(gòu)　50 5.1.1　Series　50 5.1.2　DataFrame　51 5.2　Pandas 對(duì)象基本操作　53 5.2.1　索引操作　53 5.2.2　DataFrame 的查詢與子集選擇　55 5.3　DataFrame 的導(dǎo)入和導(dǎo)出　62 5.3.1　讀寫(xiě)文本文件　63 5.3.2　讀寫(xiě)其他格式的文件　64 5.4　Pandas 數(shù)據(jù)預(yù)處理　66 5.4.1　數(shù)據(jù)的合并　66 5.4.2　數(shù)據(jù)長(zhǎng)寬格式的轉(zhuǎn)換　68 5.4.3　缺失值的識(shí)別與處理　70 5.4.4　數(shù)據(jù)值的轉(zhuǎn)換　75 5.5　習(xí)題　85 第　6 章 數(shù)據(jù)可視化　86 6.1　Matplotlib 繪圖基礎(chǔ)　86 6.1.1　函數(shù) plot 與圖形元素　86 6.1.2　全局參數(shù)查看與設(shè)置　88 6.1.3　一頁(yè)多圖　89 6.1.4　保存圖形　90 6.1.5　基本統(tǒng)計(jì)圖形　91 6.2　Seaborn 數(shù)據(jù)可視化　96 6.2.1　Seaborn 簡(jiǎn)介　96 6.2.2　直方圖和密度曲線圖　97 6.2.3　條形圖　98 6.2.4　箱線圖和小提琴圖　99 6.2.5　點(diǎn)圖　102 6.2.6　帶狀點(diǎn)圖與簇狀點(diǎn)圖　102 6.2.7　散點(diǎn)圖　104 6.2.8　散點(diǎn)圖矩陣　104 6.2.9　多面板圖　105 6.2.10　回歸圖　107 6.2.11　分面網(wǎng)格圖　107 6.2.12　Seaborn 圖形保存　108 6.3　其他 Python 數(shù)據(jù)可視化工具　108 6.4　習(xí)題　109 第　7 章 基本統(tǒng)計(jì)分析　110 7.1　查看數(shù)據(jù)集信息　110 7.2　數(shù)值型變量的統(tǒng)計(jì)描述　113 7.3　數(shù)值型變量的假設(shè)檢驗(yàn)　117 7.3.1　單個(gè)樣本的 t 檢驗(yàn)　117 7.3.2　獨(dú)立樣本的 t 檢驗(yàn)　117 7.3.3　非獨(dú)立樣本的 t 檢驗(yàn)　118 7.3.4　單因素方差分析　119 7.3.5　組間差異的非參數(shù)檢驗(yàn)　121 7.3.6　連續(xù)型變量之間的相關(guān)性　121 7.4　分類變量的列聯(lián)表和獨(dú)立性檢驗(yàn)　124 7.4.1　生成頻數(shù)表　124 7.4.2　獨(dú)立性檢驗(yàn)　126 7.5　習(xí)題　128 第　8 章 線性模型與廣義線性模型　129 8.1　線性模型　129 8.1.1　簡(jiǎn)單線性回歸模型　129 8.1.2　多重線性回歸模型　134 8.2　Logistic 回歸　137 8.2.1　Logistic 回歸模型　137 8.2.2　Logistic 回歸實(shí)例　138 8.3　Poisson 回歸　143 8.3.1　Poisson 回歸模型　143 8.3.2　Poisson 回歸實(shí)例　143 8.4　生存分析與 Cox 回歸　145 8.4.1　生存分析簡(jiǎn)介　145 8.4.2　生存率的 Kaplan-Meier 估計(jì)　147 8.4.3　Cox 回歸　150 8.5　習(xí)題　153 第　9 章 Scikit-learn 機(jī)器學(xué)習(xí)入門(mén)　154 9.1　機(jī)器學(xué)習(xí)簡(jiǎn)介　154 9.2　加載數(shù)據(jù)集　154 9.3　學(xué)習(xí)和預(yù)測(cè)　158 9.3.1　無(wú)監(jiān)督學(xué)習(xí)　158 9.3.2　監(jiān)督學(xué)習(xí)　159 9.4　模型的選擇與評(píng)估　161 9.5　習(xí)題　163 第　10 章 TensorFlow 深度學(xué)習(xí)入門(mén)　164 10.1　深度學(xué)習(xí)簡(jiǎn)介　164 10.2　感知機(jī)與神經(jīng)網(wǎng)絡(luò)　165 10.3　激活函數(shù)　167 10.4　損失函數(shù)　168 10.5　優(yōu)化器　168 10.6　構(gòu)建并訓(xùn)練神經(jīng)網(wǎng)絡(luò)　169 10.7　習(xí)題　171 第　11 章 圖像分類卷積神經(jīng)網(wǎng)絡(luò)模型　172 11.1　卷積神經(jīng)網(wǎng)絡(luò)　172 11.1.1　局部感受野　172 11.1.2　共享權(quán)重和偏置　173 11.1.3　池化　173 11.2　加載數(shù)據(jù)集　174 11.3　構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型　175 11.4　編譯并訓(xùn)練模型　177 11.5　評(píng)估模型　178 11.6　習(xí)題　179 習(xí)題參考答案　180 參考資料　192