目錄 第 一篇 數(shù)據(jù)收集與清洗 第 1章 NumPy 2 1.1　介紹和安裝開發(fā)環(huán)境 2 1.1.1　Python開發(fā)環(huán)境介紹 2 1.1.2　安裝Anaconda3 3 1.1.3　Jupyter編輯平臺(tái) 5 1.2　安裝NumPy 6 1.3　NumPy數(shù)組 7 1.3.1　NumPy ndarray對(duì)象 7 1.3.2　創(chuàng)建NumPy數(shù)組的常用函數(shù) 8 1.4　數(shù)組的索引與切片 11 1.4.1　數(shù)組的索引 11 1.4.2　數(shù)組的切片 15 1.5　基本數(shù)學(xué)運(yùn)算 17 1.5.1　數(shù)組與標(biāo)量的運(yùn)算 17 1.5.2　數(shù)組與數(shù)組的運(yùn)算 18 1.6　NumPy通用函數(shù) 18 1.6.1　mean()函數(shù) 18 1.6.2　average()函數(shù) 19 1.6.3　sum()函數(shù) 20 1.6.4　min()函數(shù) 20 1.6.5　max()函數(shù) 20 1.6.6　argmax()函數(shù) 21 1.6.7　maximum()/minimum()函數(shù) 21 1.6.8　median()函數(shù) 22 1.6.9　var()函數(shù) 23 1.6.10　std()函數(shù) 23 1.6.11　sort()函數(shù) 24 1.6.12　loadtxt()函數(shù) 24 1.7　NumPy字符串處理 26 1.7.1　add()函數(shù) 26 1.7.2　multiply()函數(shù) 26 1.7.3　center()函數(shù) 27 1.7.4　capitalize()函數(shù)和title()函數(shù) 27 1.7.5　lower()函數(shù)和upper()函數(shù) 27 1.7.6　split()函數(shù) 27 1.7.7　splitlines()函數(shù) 27 1.7.8　strip()函數(shù) 28 1.7.9　lstrip()函數(shù)和rstrip()函數(shù) 28 1.7.10　join()函數(shù) 28 1.7.11　replace()函數(shù) 28 1.8　項(xiàng)目實(shí)訓(xùn)——蘋果公司股票數(shù)據(jù)分析 29 1.8.1　項(xiàng)目需求 29 1.8.2　項(xiàng)目實(shí)施 29 1.8.3　項(xiàng)目分析 31 本章小結(jié) 31 習(xí)題 31 第 2章 pandas 34 2.1　安裝pandas 34 2.2　Series對(duì)象的基本操作 35 2.2.1　創(chuàng)建Series對(duì)象 36 2.2.2　查詢Series對(duì)象中的數(shù)據(jù) 37 2.2.3　修改、刪除Series對(duì)象中的數(shù)據(jù) 38 2.3　DataFrame對(duì)象的基本操作 40 2.3.1　創(chuàng)建DataFrame對(duì)象 41 2.3.2　DataFrame對(duì)象的屬性 42 2.3.3　查詢DataFrame對(duì)象中的數(shù)據(jù) 43 2.3.4　修改DataFrame對(duì)象中的數(shù)據(jù) 47 2.3.5　增加DataFrame對(duì)象中的數(shù)據(jù) 47 2.3.6　刪除DataFrame對(duì)象中的數(shù)據(jù) 49 2.4　pandas讀寫數(shù)據(jù) 51 2.4.1　讀寫CSV文件 51 2.4.2　讀寫Excel文件 54 2.4.3　讀寫JSON文件 56 2.5　數(shù)據(jù)索引、排序和排名 58 2.5.1　DataFrame的索引 58 2.5.2　DataFrame的排序 61 2.5.3　DataFrame的排名 64 2.6　項(xiàng)目實(shí)訓(xùn)——鏈家房屋數(shù)據(jù)分析 65 2.6.1　項(xiàng)目需求 65 2.6.2　項(xiàng)目實(shí)施 66 2.6.3　項(xiàng)目分析 69 本章小結(jié) 69 習(xí)題 70 第3章 數(shù)據(jù)處理 72 3.1　數(shù)據(jù)清洗 73 3.1.1　處理重復(fù)數(shù)據(jù) 73 3.1.2　處理缺失數(shù)據(jù) 75 3.2　數(shù)據(jù)計(jì)算 79 3.2.1　基本數(shù)學(xué)運(yùn)算 79 3.2.2　比較運(yùn)算 81 3.2.3　統(tǒng)計(jì)方法 81 3.3　數(shù)據(jù)分組 87 3.3.1　分組聚合 87 3.3.2　透視表 90 3.4　數(shù)據(jù)轉(zhuǎn)置與數(shù)據(jù)位移 91 3.4.1　數(shù)據(jù)類型轉(zhuǎn)換 91 3.4.2　數(shù)據(jù)轉(zhuǎn)置 98 3.4.3　數(shù)據(jù)位移 100 3.5　數(shù)據(jù)合并 100 3.5.1　堆疊合并 101 3.5.2　主鍵合并 104 3.5.3　重疊合并 106 3.6　項(xiàng)目實(shí)訓(xùn)——電影數(shù)據(jù)分析 106 3.6.1　項(xiàng)目需求 106 3.6.2　項(xiàng)目實(shí)施 107 3.6.3　項(xiàng)目分析 110 本章小結(jié) 111 習(xí)題 111 第二篇 數(shù)據(jù)可視化與數(shù)據(jù)分析 第4章 數(shù)據(jù)可視化 114 4.1　可視化介紹 114 4.2　Matplotlib簡(jiǎn)介 115 4.2.1　什么是Matplotlib 115 4.2.2　Matplotlib的使用場(chǎng)景 115 4.2.3　Matplotlib的安裝 115 4.3　Matplotlib繪圖 115 4.3.1　Matplotlib繪圖的核心原理 115 4.3.2　折線圖 116 4.3.3　柱狀圖 128 4.3.4　直方圖 132 4.3.5　餅圖 136 4.3.6　散點(diǎn)圖 138 4.3.7　函數(shù)圖 142 4.3.8　3D繪圖 144 4.4　Seaborn繪圖 145 4.4.1　認(rèn)識(shí)Seaborn 145 4.4.2　折線圖 146 4.4.3　散點(diǎn)圖 147 4.4.4　直方圖 148 4.5　可視化分析報(bào)告 152 4.5.1　報(bào)告需求 152 4.5.2　報(bào)告內(nèi)容說(shuō)明 152 4.5.3　業(yè)務(wù)實(shí)踐 152 4.5.4　報(bào)告分析 154 4.6　項(xiàng)目實(shí)訓(xùn)——2014年度用戶每月購(gòu)買商品次數(shù)和購(gòu)買商品數(shù)量分析報(bào)告 154 4.6.1　報(bào)告需求 154 4.6.2　報(bào)告內(nèi)容說(shuō)明 154 4.6.3　項(xiàng)目實(shí)施 154 4.6.4　報(bào)告分析 155 本章小結(jié) 156 習(xí)題 156 第5章 數(shù)據(jù)分析 158 5.1　數(shù)據(jù)分析介紹 158 5.2　列表分析 159 5.2.1　分析需求 159 5.2.2　分析關(guān)注點(diǎn) 159 5.2.3　分析思路 159 5.2.4　列表分析結(jié)果 164 5.3　協(xié)方差分析 164 5.3.1　認(rèn)識(shí)協(xié)方差分析 164 5.3.2　協(xié)方差分析的意義 164 5.3.3　協(xié)方差分析實(shí)施 165 5.3.4　協(xié)方差分析結(jié)果 166 5.4　直方圖分析 166 5.4.1　需求分析 166 5.4.2　分析關(guān)注點(diǎn) 166 5.4.3　分析思路 166 5.4.4　直方圖分析結(jié)果 169 5.5　對(duì)比分析 169 5.5.1　認(rèn)識(shí)對(duì)比分析 169 5.5.2　分析需求 169 5.5.3　分析關(guān)注點(diǎn) 169 5.5.4　分析思路 169 5.5.5　對(duì)比分析結(jié)果 174 5.6　項(xiàng)目實(shí)訓(xùn)——全國(guó)各省份“985”高校高考錄取分?jǐn)?shù)線分析 174 5.6.1　需求分析 174 5.6.2　分析關(guān)注點(diǎn) 174 5.6.3　分析思路 174 5.6.4　對(duì)比分析結(jié)果 178 本章小結(jié) 178 習(xí)題 179 第三篇 人工智能應(yīng)用 第6章 機(jī)器學(xué)習(xí) 182 6.1　認(rèn)識(shí)機(jī)器學(xué)習(xí) 182 6.1.1　機(jī)器學(xué)習(xí)應(yīng)用場(chǎng)景 182 6.1.2　機(jī)器學(xué)習(xí)的組成 183 6.1.3　訓(xùn)練過(guò)程 185 6.1.4　算法匯總 185 6.1.5　開發(fā)流程 185 6.2　認(rèn)識(shí)并安裝Scikit-Learn 186 6.2.1　Scikit-Learn簡(jiǎn)介 186 6.2.2　Scikit-Learn基本概括 186 6.2.3　模型選擇 186 6.2.4　數(shù)據(jù)劃分 187 6.2.5　常用模塊 188 6.2.6　安裝sklearn 188 6.3　回歸模型 188 6.3.1　廣義線性模型 189 6.3.2　樹回歸 191 6.3.3　k近鄰回歸 192 6.3.4　集成回歸模型：Bagging 193 6.3.5　集成回歸模型：Boosting 194 6.4　分類模型 194 6.4.1　邏輯回歸 195 6.4.2　決策樹 196 6.4.3　支持向量機(jī) 197 6.4.4　KNN 198 6.4.5　樸素貝葉斯 198 6.4.6　集成模型：Bagging 199 6.4.7　集成模型：Boosting 200 6.5　聚類模型 201 6.5.1　聚類 201 6.5.2　降維 203 6.6　項(xiàng)目實(shí)訓(xùn)——手寫數(shù)字識(shí)別 204 6.6.1　實(shí)訓(xùn)需求 204 6.6.2　項(xiàng)目分析 204 6.6.3　數(shù)據(jù)集導(dǎo)入及處理 204 6.6.4　劃分訓(xùn)練集和測(cè)試集 204 6.6.5　隨機(jī)森林模型 204 6.6.6　k近鄰模型 205 6.6.7　邏輯回歸模型 205 6.6.8　模型選擇及分類 205 6.6.9　項(xiàng)目結(jié)果分析 206 本章小結(jié) 206 習(xí)題 206 第7章 深度學(xué)習(xí) 208 7.1　神經(jīng)網(wǎng)絡(luò) 208 7.1.1　認(rèn)識(shí)神經(jīng)網(wǎng)絡(luò) 208 7.1.2　神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 211 7.2　深度學(xué)習(xí)框架Keras 213 7.2.1　認(rèn)識(shí)Keras 213 7.2.2　Keras的安裝 214 7.2.3　Keras里的模塊介紹 215 7.2.4　Keras工作流程 216 7.3　深度學(xué)習(xí)的應(yīng)用 216 7.3.1　Mnist手寫數(shù)字?jǐn)?shù)據(jù)集 216 7.3.2　CNN 219 7.3.3　RNN 221 7.4　項(xiàng)目實(shí)訓(xùn)——CIFAR-10圖像識(shí)別 224 7.4.1　實(shí)訓(xùn)需求 224 7.4.2　CIFAR-10數(shù)據(jù)集簡(jiǎn)介 224 7.4.3　項(xiàng)目實(shí)踐 224 7.4.4　項(xiàng)目總結(jié) 227 本章小結(jié) 228 習(xí)題 228 第8章 推薦系統(tǒng) 229 8.1　認(rèn)識(shí)協(xié)同過(guò)濾 229 8.2　基于用戶的協(xié)同過(guò)濾算法 230 8.3　基于項(xiàng)目的協(xié)同過(guò)濾算法 232 8.4　項(xiàng)目實(shí)訓(xùn)——電影推薦系統(tǒng) 237 8.4.1　實(shí)訓(xùn)需求 237 8.4.2　數(shù)據(jù)集介紹 237 8.4.3　項(xiàng)目實(shí)施 238 8.4.4　結(jié)果分析 242 本章小結(jié) 242 習(xí)題 242