Python數(shù)據(jù)分析

第1章 Python數(shù)據(jù)分析概述 1
1.1 數(shù)據(jù)分析的概念、流程和應(yīng)用 1
1.1.1 數(shù)據(jù)分析的概念 1
1.1.2 數(shù)據(jù)分析的流程 2
1.1.3 數(shù)據(jù)分析的應(yīng)用 2
1.2 數(shù)據(jù)分析工具 3
1.2.1 常用工具 4
1.2.2 Python數(shù)據(jù)分析 4
1.3 Python數(shù)據(jù)分析環(huán)境 5
小結(jié) 9
習(xí)題 9
實(shí)驗(yàn) 10
第2章 NumPy數(shù)值計(jì)算 15
2.1 NumPy多維數(shù)組 15
2.1.1 數(shù)組創(chuàng)建 15
2.1.2 數(shù)組對(duì)象屬性 22
2.1.3 數(shù)組數(shù)據(jù)類型 23
2.2 數(shù)組操作 24
2.2.1 修改數(shù)組形狀 24
2.2.2 翻轉(zhuǎn)數(shù)組 26
2.2.3 連接數(shù)組 27
2.2.4 分割數(shù)組 28
2.2.5 數(shù)組元素添加與刪除 30
2.3 數(shù)組索引與切片 32
2.3.1 數(shù)組索引 32
2.3.2 數(shù)組切片 33
2.3.3 布爾型索引 34
2.3.4 花式索引 35
2.4 數(shù)組的運(yùn)算 35
2.4.1 數(shù)組和標(biāo)量間的運(yùn)算 35
2.4.2 廣播 36
2.4.3 算術(shù)函數(shù) 37
2.4.4 集合運(yùn)算 40
2.4.5 統(tǒng)計(jì)運(yùn)算 41
2.4.6 排序 43
2.4.7 搜索 44
2.5 線性代數(shù) 45
2.5.1 數(shù)組相乘 46
2.5.2 矩陣行列式 46
2.5.3 逆矩陣 46
2.5.4 線性方程組 47
2.5.5 特征值和特征向量 47
2.6 數(shù)組的存取 48
小結(jié) 48
習(xí)題 48
實(shí)驗(yàn) 51
第3章 Matplotlib數(shù)據(jù)可視化 54
3.1 線形圖 54
3.1.1 繪制線形圖 54
3.1.2 顏色設(shè)置 55
3.1.3 線型設(shè)置 56
3.1.4 坐標(biāo)點(diǎn)設(shè)置 57
3.1.5 線寬設(shè)置 59
3.2 其他圖形 59
3.2.1 散點(diǎn)圖 59
3.2.2 柱形圖 61
3.2.3 條形圖 63
3.2.4 餅圖 64
3.2.5 直方圖 65
3.2.6 箱線圖 67
3.3 自定義設(shè)置 69
3.3.1 圖例設(shè)置 69
3.3.2 坐標(biāo)網(wǎng)格設(shè)置 70
3.3.3 坐標(biāo)系設(shè)置 71
3.3.4 樣式設(shè)置與注解 72
3.3.5 RC設(shè)置 73
3.4 子圖 74
3.4.1 創(chuàng)建子圖 74
3.4.2 子圖坐標(biāo)系設(shè)置 76
3.4.3 圖形嵌套 77
3.5 繪制三維圖形 78
小結(jié) 81
習(xí)題 82
實(shí)驗(yàn) 82
第4章 Pandas數(shù)據(jù)分析 89
4.1 Pandas數(shù)據(jù)結(jié)構(gòu) 89
4.2 DataFrame基本功能 94
4.3 讀取外部數(shù)據(jù) 95
4.3.1 CSV文件 96
4.3.2 Sqlite數(shù)據(jù)庫(kù) 98
4.4 數(shù)據(jù)幀的列操作和行操作 99
4.4.1 列操作 99
4.4.2 行操作 101
4.5 高級(jí)索引 103
4.5.1 重建索引 103
4.5.2 更換索引 106
4.5.3 層次化索引 107
4.6 Pandas數(shù)據(jù)運(yùn)算 108
4.6.1 算術(shù)運(yùn)算 108
4.6.2 函數(shù)應(yīng)用與映射運(yùn)算 109
4.6.3 排序 111
4.6.4 迭代 113
4.6.5 唯一值與值計(jì)數(shù) 115
4.7 統(tǒng)計(jì)函數(shù) 116
4.7.1 描述性統(tǒng)計(jì) 116
4.7.2 變化率 119
4.7.3 協(xié)方差 120
4.7.4 相關(guān)性 120
4.7.5 數(shù)據(jù)排名 121
4.8 分組與聚合 122
4.8.1 分組 122
4.8.2 聚合 124
4.9 透視表與交叉表 127
4.9.1 透視表 127
4.9.2 交叉表 128
小結(jié) 129
習(xí)題 129
實(shí)驗(yàn) 129
第5章 數(shù)據(jù)預(yù)處理 134
5.1 數(shù)據(jù)清洗 134
5.1.1 重復(fù)值 134
5.1.2 缺失值 135
5.1.3 異常值 140
5.2 合并連接與重塑 142
5.2.1 merge合并 142
5.2.2 concat合并 144
5.2.3 combine_first合并 146
5.2.4 數(shù)據(jù)重塑 147
5.3 數(shù)據(jù)變換 149
5.3.1 虛擬變量 149
5.3.2 函數(shù)變換 150
5.3.3 連續(xù)屬性離散化 151
5.3.4 規(guī)范化 152
5.3.5 隨機(jī)采樣 154
小結(jié) 156
習(xí)題 156
實(shí)驗(yàn) 156
第6章 Sklearn機(jī)器學(xué)習(xí) 162
6.1 術(shù)語(yǔ) 162
6.2 Sklearn 164
6.2.1 Sklearn數(shù)據(jù)集 165
6.2.2 Sklearn常用算法 171
6.2.3 數(shù)據(jù)預(yù)處理 175
6.2.4 數(shù)據(jù)集拆分 177
6.2.5 模型評(píng)估 177
6.2.6 Sklearn常用方法 178
6.2.7 模型的保存和載入 179
6.3 降維 179
6.3.1 PCA（主成分分析） 179
6.3.2 LDA（線性評(píng)價(jià)分析） 181
6.4 回歸 182
6.4.1 線性回歸 183
6.4.2 邏輯回歸 184
6.4.3 回歸決策樹 185
6.5 分類 186
6.5.1 樸素貝葉斯 187
6.5.2 分類決策樹 188
6.5.3 SVM（支持向量機(jī)） 189
6.5.4 神經(jīng)網(wǎng)絡(luò) 190
6.5.5 K?近鄰算法 191
6.6 聚類 192
6.6.1 K?means算法 193
6.2.2 DBSCAN 194
小結(jié) 195
習(xí)題 195
實(shí)驗(yàn) 196
參考文獻(xiàn) 200