Python統(tǒng)計(jì)分析：Python

定　價(jià)：￥79.00

作　者：	[奧地利] 托馬斯·哈斯?fàn)柸f特（Thomas Haslwanter）著，李銳譯
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787115493842	出版時(shí)間：	2018-12-01	包裝：	平裝
開本：	小16開	頁數(shù)：	224	字?jǐn)?shù)：

內(nèi)容簡介

　　本書以基礎(chǔ)的統(tǒng)計(jì)學(xué)知識和假設(shè)檢驗(yàn)為重點(diǎn)，簡明扼要地講述了Python在數(shù)據(jù)分析、可視化和統(tǒng)計(jì)建模中的應(yīng)用。主要包括Python的簡單介紹、研究設(shè)計(jì)、數(shù)據(jù)管理、概率分布、不同數(shù)據(jù)類型的假設(shè)檢驗(yàn)、廣義線性模型、生存分析和貝葉斯統(tǒng)計(jì)學(xué)等從入門到高級的內(nèi)容。本書利用Python這門開源語言，不僅在直觀上對數(shù)據(jù)分析和統(tǒng)計(jì)檢驗(yàn)提供了很好的理解，而且在相關(guān)數(shù)學(xué)公式的講解上也能夠做到深入淺出。本書的可操作性很強(qiáng)，配套提供相關(guān)的代碼和數(shù)據(jù)，讀者可以依照書中所講，復(fù)現(xiàn)和加深對相關(guān)知識的理解。本書適合對統(tǒng)計(jì)學(xué)和Python有興趣的讀者，特別是在實(shí)驗(yàn)學(xué)科中需要利用Python的強(qiáng)大功能來進(jìn)行數(shù)據(jù)處理和統(tǒng)計(jì)分析的學(xué)生和研究人員。

作者簡介

　　作者簡介托馬斯·哈斯?fàn)柸f特（Thomas Haslwanter）在學(xué)術(shù)機(jī)構(gòu)中有超過10年的教學(xué)經(jīng)驗(yàn)，是林茨上奧地利州應(yīng)用科學(xué)大學(xué)（University of Applied Sciences Upper Austria in Linz）醫(yī)學(xué)工程系的教授，瑞士蘇黎世聯(lián)邦理工學(xué)院講師，并曾在澳大利亞悉尼大學(xué)和德國圖賓根大學(xué)擔(dān)任過研究員。他在醫(yī)學(xué)研究方面經(jīng)驗(yàn)豐富，專注于眩暈癥的診斷、治療和康復(fù)。在深入使用Matlab十五年后，他發(fā)現(xiàn)Python非常強(qiáng)大，并將其用于統(tǒng)計(jì)數(shù)據(jù)分析、聲音和圖像處理以及生物仿真應(yīng)用。譯者簡介李銳，復(fù)旦大學(xué)公共衛(wèi)生學(xué)院流行病與生物統(tǒng)計(jì)專業(yè)博士生，Python、R和Lisp語言的愛好者，主要研究方向?yàn)榻y(tǒng)計(jì)學(xué)習(xí)和機(jī)器學(xué)習(xí)建模以及組學(xué)數(shù)據(jù)的數(shù)據(jù)挖掘。先后以**作者身份發(fā)表學(xué)術(shù)論文6篇，其中SCI論文4篇。參編中文專著2本。審校者簡介張志杰，復(fù)旦大學(xué)公共衛(wèi)生學(xué)院副教授，多本國際醫(yī)療衛(wèi)生期刊的特邀編輯，研究方向?yàn)榻y(tǒng)計(jì)建模和醫(yī)學(xué)領(lǐng)域的統(tǒng)計(jì)分析方法。參與并完成國家重大科技專項(xiàng)、“863”、國家“十五”科技攻關(guān)課題、自然科學(xué)基金重大項(xiàng)目等多項(xiàng)***課題的研究，研究成果先后獲2010年全國百篇優(yōu)秀博士學(xué)位論文、2012年上海市醫(yī)學(xué)獎(jiǎng)二等獎(jiǎng)、上海市科技進(jìn)步獎(jiǎng)二等獎(jiǎng)以及中華醫(yī)學(xué)獎(jiǎng)三等獎(jiǎng)，2011年入選復(fù)旦大學(xué)首批“卓學(xué)人才計(jì)劃”，2013年入選上海市第二批新優(yōu)青人才計(jì)劃。

圖書目錄

第一部分　Python和統(tǒng)計(jì)學(xué)
第 1章　為什么學(xué)習(xí)統(tǒng)計(jì)學(xué)　2
第 2章　Python　4
2．1　開始　4
2．1．1　慣例　4
2．1．2　發(fā)行版和包　5
2．1．3　安裝Python　7
2．1．4　安裝R和rpy2　8
2．1．5　個(gè)性化IPython/Jupyter　9
2．1．6　Python資源　12
2．1．7　第一個(gè)Python程序　13
2．2　Python數(shù)據(jù)結(jié)構(gòu)　14
2．2．1　Python數(shù)據(jù)類型　14
2．2．2　索引和切片　16
2．2．3　向量和數(shù)組　17
2．3　IPython/Jupyter：一個(gè)交互式的Python編程環(huán)境　18
2．3．1　Qt控制臺的第一個(gè)會(huì)話　19
2．3．2　Notebook和rpy2　21
2．3．3　IPython小貼士　23
2．4　開發(fā)Python程序　24
2．4．1　將交互式命令轉(zhuǎn)化為一個(gè)Python程序　24
2．4．2　函數(shù)、模塊和包　26
2．4．3　Python小貼士　30
2．4．4　代碼版本控制　31
2．5　Pandas：用于統(tǒng)計(jì)學(xué)的數(shù)據(jù)結(jié)構(gòu)　31
2．5．1　數(shù)據(jù)處理　31
2．5．2　分組（Grouping）　33
2．6　Statsmodels：統(tǒng)計(jì)建模的工具　34
2．7　Seaborn：數(shù)據(jù)可視化　35
2．8　一般慣例　36
2．9　練習(xí)　36
第3章　數(shù)據(jù)輸入　38
3．1　從文本文件中輸入　38
3．1．1　目視檢查　38
3．1．2　讀入ASCII數(shù)據(jù)到Python中　38
3．2　從MS Excel中導(dǎo)入　42
3．3　從其他格式導(dǎo)入數(shù)據(jù)　43
第4章　統(tǒng)計(jì)數(shù)據(jù)的展示　45
4．1　數(shù)據(jù)類型　45
4．1．1　分類數(shù)據(jù)　45
4．1．2　數(shù)值型　46
4．2　在Python中作圖　46
4．2．1　函數(shù)式和面向?qū)ο笫降睦L圖方法　47
4．2．2　交互式繪圖　48
4．3　展示統(tǒng)計(jì)學(xué)數(shù)據(jù)集　52
4．3．1　單變量數(shù)據(jù)　53
4．3．2　二元變量和多元變量繪圖　59
4．4　練習(xí)　61
第二部分　分布和假設(shè)檢驗(yàn)
第5章　背景　63
5．1　總體和樣本　63
5．2　概率分布　64
5．2．1　離散分布　64
5．2．2　連續(xù)分布　65
5．2．3　期望值和方差　65
5．3　自由度　66
5．4　研究設(shè)計(jì)　66
5．4．1　術(shù)語　67
5．4．2　概述　67
5．4．3　研究類型　68
5．4．4　實(shí)驗(yàn)設(shè)計(jì)　69
5．4．5　個(gè)人建議　72
5．4．6　臨床研究計(jì)劃　73
第6章　單變量的分布　74
6．1　分布的特征描述　74
6．1．1　分布中心　74
6．1．2　量化變異度　76
6．1．3　分布形狀的參數(shù)描述　79
6．1．4　概率密度的重要展示　81
6．2　離散分布　82
6．2．1　伯努利分布　82
6．2．2　二項(xiàng)分布　83
6．2．3　泊松分布　85
6．3　正態(tài)分布　86
6．3．1　正態(tài)分布的例子　88
6．3．2　中心極限定理　88
6．3．3　分布和假設(shè)檢驗(yàn)　89
6．4　來自正態(tài)分布的連續(xù)型分布　90
6．4．1　t分布　90
6．4．2　卡方分布　92
6．4．3　F分布　94
6．5　其他連續(xù)型分布　95
6．5．1　對數(shù)正態(tài)分布　96
6．5．2　韋伯分布　96
6．5．3　指數(shù)分布　97
6．5．4　均勻分布　98
6．6　練習(xí)　98
第7章　假設(shè)檢驗(yàn)　100
7．1　典型分析步驟　100
7．1．1　數(shù)據(jù)篩選和離群值　100
7．1．2　正態(tài)性檢驗(yàn)　101
7．1．3　轉(zhuǎn)換　104
7．2　假設(shè)概念、錯(cuò)誤、p值和樣本量　104
7．2．1　一個(gè)例子　104
7．2．2　推廣和應(yīng)用　105
7．2．3　p值的解釋　106
7．2．4　錯(cuò)誤的類型　107
7．2．5　樣本量　108
7．3　靈敏度和特異度　110
7．4　受試者操作特征（ROC）曲線　113
第8章　數(shù)值型數(shù)據(jù)的均值檢驗(yàn)　114
8．1　樣本均值的分布　114
8．1．1　單樣本均值的t檢驗(yàn)　114
8．1．2　Wilcoxon符號秩和檢驗(yàn)　116
8．2　兩組之間的比較　117
8．2．1　配對t檢驗(yàn)　117
8．2．2　獨(dú)立組別之間的t檢驗(yàn)　118
8．2．3　兩組之間的非參數(shù)比較：Mann-Whitney檢驗(yàn)　118
8．2．4　統(tǒng)計(jì)學(xué)假設(shè)檢驗(yàn)與統(tǒng)計(jì)學(xué)建?！?18
8．3　多組比較　120
8．3．1　方差分析（ANOVA）　120
8．3．2　多重比較　123
8．3．3　Kruskal–Wallis檢驗(yàn)　125
8．3．4　兩因素方差分析　126
8．3．5　三因素方差分析　126
8．4　總結(jié)：選擇正確的檢驗(yàn)方法進(jìn)行組間比較　127
8．4．1　典型的檢驗(yàn)　127
8．4．2　假設(shè)的例子　128
8．5　練習(xí)　129
第9章　分類數(shù)據(jù)的檢驗(yàn)　131
9．1　單個(gè)率　131
9．1．1　置信區(qū)間　131
9．1．2　解釋　132
9．1．3　例子　132
9．2　頻數(shù)表　133
9．2．1　單因素卡方檢驗(yàn)　133
9．2．2　卡方列聯(lián)表檢驗(yàn)　134
9．2．3　Fisher精確檢驗(yàn)　136
9．2．4　McNemar檢驗(yàn)　139
9．2．5　Cochran's Q檢驗(yàn)　140
9．3　練習(xí)　141
第 10章　生存時(shí)間分析　144
10．1　生存分布　144
10．2　生存概率　145
10．2．1　刪失　145
10．2．2　Kaplan–Meier生存曲線　146
10．3　在兩組間比較生存曲線　148
第三部分　統(tǒng)計(jì)建模
第 11章　線性回歸模型　150
11．1　線性相關(guān)　150
11．1．1　相關(guān)系數(shù)　150
11．1．2　秩相關(guān)　151
11．2　一般線性回歸模型　152
11．2．1　例子1：簡單線性回歸　153
11．2．2　例子2：二次方擬合　153
11．2．3　決定系數(shù)　154
11．3　Patsy：公式的語言　155
11．4　用Python進(jìn)行線性回歸分析　158
11．4．1　例子1：擬合帶置信區(qū)間的直線　158
11．4．2　例子2：嘈雜的二次多項(xiàng)式　159
11．5　線性回歸模型的結(jié)果　162
11．5．1　例子：英國的煙草和酒精　162
11．5．2　帶有截距的回歸的定義　165
11．5．3　R2值　165
11．5．4　調(diào)整后的R2值　165
11．5．5　模型的系數(shù)和它們的解釋　168
11．5．6　殘差分析　171
11．5．7　異常值　174
11．5．8　用Sklearn進(jìn)行回歸　175
11．5．9　結(jié)論　176
11．6　線性回歸模型的假設(shè)　177
11．7　線性回歸模型結(jié)果的解釋　180
11．8　Bootstrapping　180
11．9　練習(xí)　181
第 12章　多元數(shù)據(jù)分析　182
12．1　可視化多元相關(guān)　182
12．1．1　散點(diǎn)圖矩陣　182
12．1．2　相關(guān)性矩陣　182
12．2　多重線性回歸　184
第 13章　離散數(shù)據(jù)的檢驗(yàn)　185
13．1　等級資料的組間比較　185
13．2　Logistic回歸　186
13．3　廣義線性模型　188
13．3．1　指數(shù)族分布　189
13．3．2　線性預(yù)測器和連接函數(shù)　189
13．4　有序Logistic回歸　189
13．4．1　問題定義　189
13．4．2　優(yōu)化　191
13．4．3　代碼　191
13．4．4　性能　191
第 14章　貝葉斯統(tǒng)計(jì)學(xué)　193
14．1　貝葉斯學(xué)派與頻率學(xué)派的解釋　193
14．2　計(jì)算機(jī)時(shí)代的貝葉斯方法　195
14．3　例子：用馬爾可夫鏈蒙特卡洛模擬分析挑戰(zhàn)者號災(zāi)難　195
14．4　總結(jié)　198
參考答案　199
術(shù)語表　219
參考文獻(xiàn)　223