Jupyter數(shù)據(jù)科學實戰(zhàn)

定　價：￥79.00

作　者：	[印] 普拉泰克·古普塔著，王珮瑤譯
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115544391	出版時間：	2020-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	254	字數(shù)：

內(nèi)容簡介

　　本書旨在成為讀者進入數(shù)據(jù)科學領域的指南。全書共20章，涵蓋了數(shù)據(jù)科學及其應用的各個方面，引入經(jīng)典數(shù)據(jù)集將理論與實踐相結合，采用Jupyter等工具，以Python語言由淺入深地介紹了數(shù)據(jù)科學及相關學科的基本概念、數(shù)據(jù)預處理、機器學習及時間序列等內(nèi)容，并提供了不同的案例研究，以達到學以致用的效果。通過閱讀本書，讀者將獲得成為一名數(shù)據(jù)科學家所需的基本知識和技能。本書適合有Python或其他編程語言基礎，并對數(shù)據(jù)科學感興趣的人員閱讀。

作者簡介

　　普拉泰克·古普塔（Prateek Gupta）是一位有著超過6年工作經(jīng)驗的數(shù)據(jù)科學專業(yè)人士，曾在HCL、Zensar和Sapient等多家跨國IT巨頭就職，其專業(yè)領域主要是尋找模式、運用先進統(tǒng)計方法和算法揭示隱藏的規(guī)律，力爭最大限度地提高企業(yè)收入和盈利能力，并確保高效的運營管理。他是一位具有主觀能動性并且在電子商務領域頗有建樹的忠實數(shù)據(jù)愛好者，還憑借自己在商品自動分類、情感分析、客戶細分和推薦引擎方面的機器學習專業(yè)知識幫助了NTUC Singapore和Times Group India等多個客戶。他秉持著這一理念：“當天才放棄努力時，勤奮將超越天賦”。他感興趣的是有關機器學習和自然語言處理在各個行業(yè)的應用的前沿研究領域。閑暇時，他喜歡通過自己的博客分享知識，并激勵年輕人進入令人興奮的數(shù)據(jù)科學世界。

圖書目錄

第 1章　數(shù)據(jù)科學基本概念　1
1．1　數(shù)據(jù)的概念　2
1．1．1　結構化數(shù)據(jù)　2
1．1．2　非結構化數(shù)據(jù)　2
1．1．3　半結構化數(shù)據(jù)　3
1．2　數(shù)據(jù)科學的定義　3
1．3　數(shù)據(jù)科學家的工作　4
1．4　數(shù)據(jù)科學應用實例　5
1．5　為何Python適合數(shù)據(jù)科學　6
1．6　小結　7
第　2章軟件安裝與配置　8
2．1　系統(tǒng)要求　9
2．2　下載Anaconda　9
2．3　在Windows系統(tǒng)上安裝Anaconda　10
2．4　在Linux系統(tǒng)上安裝Anaconda　11
2．5　如何在Anaconda中安裝新的Python庫　13
2．6　打開筆記本—Jupyter　14
2．7　了解筆記本　15
2．8　小結　19
第3章　列表與字典　20
3．1　什么是列表　21
3．2　如何創(chuàng)建列表　21
3．3　列表的不同操作　22
3．4　列表與數(shù)組的差異　25
3．5　什么是字典　26
3．6　如何創(chuàng)建字典　26
3．7　字典的相關操作　26
3．8　小結　28
第4章　函數(shù)與包　29
4．1　Python的Help()函數(shù)　30
4．2　如何導入Python包　30
4．3　如何創(chuàng)建并調(diào)用函數(shù)　31
4．4　在函數(shù)中傳遞參數(shù)　31
4．5　函數(shù)的默認參數(shù)　32
4．6　如何在函數(shù)中使用未知參數(shù)　32
4．7　函數(shù)的全局與本地變量　33
4．8　Lambda函數(shù)　35
4．9　了解Python中的main方法　35
4．10　小結　38
第5章　NumPy基本概念　39
5．1　導入NumPy包　39
5．2　為何NumPy數(shù)組優(yōu)于列表　40
5．3　NumPy數(shù)組屬性　41
5．4　創(chuàng)建NumPy數(shù)組　41
5．5　訪問NumPy數(shù)組中的元素　43
5．6　NumPy數(shù)組的切片　44
5．7　數(shù)組連接　46
5．8　小結　47
第6章　Pandas和數(shù)據(jù)幀　48
6．1　導入Pandas　48
6．2　Pandas數(shù)據(jù)結構　49
6．3　．loc[]和．iloc[]　54
6．4　一些有用的數(shù)據(jù)幀函數(shù)　55
6．5　處理數(shù)據(jù)幀中的缺失值　57
6．6　小結　60
第7章　與數(shù)據(jù)庫交互　61
7．1　SQLAlchemy　62
7．2　安裝SQLAlchemy包　62
7．3　如何使用SQLAlchemy　63
7．4　SQLAlchemy引擎配置　64
7．5　在數(shù)據(jù)庫中新建表　65
7．6　在表中插入數(shù)據(jù)　66
7．7　更新記錄　67
7．8　如何合并表格　68
7．8．1　內(nèi)連接　68
7．8．2　左連接　69
7．8．3　右連接　70
7．9　小結　70
第8章　數(shù)據(jù)科學中的統(tǒng)計思維　71
8．1　數(shù)據(jù)科學中的統(tǒng)計學　72
8．2　統(tǒng)計數(shù)據(jù)/變量的類型　72
8．3　平均數(shù)、中位數(shù)和眾數(shù)　73
8．4　概率的基本概念　74
8．5　統(tǒng)計分布　75
8．6　Pearson相關系數(shù)　77
8．7　概率密度函數(shù)　78
8．8　真實案例　79
8．9　統(tǒng)計推斷與假設檢驗　79
8．10　小結　86
第9章　如何在Python中導入數(shù)據(jù)　87
9．1　導入TXT數(shù)據(jù)　88
9．2　導入CSV數(shù)據(jù)　89
9．3　導入Excel數(shù)據(jù)　90
9．4　導入JSON數(shù)據(jù)　90
9．5　導入腌制數(shù)據(jù)　91
9．6　導入壓縮數(shù)據(jù)　91
9．7　小結　92
第　10章清洗導入的數(shù)據(jù)　93
10．1　了解數(shù)據(jù)　94
10．2　分析缺失值　95
10．3　丟棄缺失值　97
10．4　自動填充缺失值　98
10．5　如何縮放和歸一化數(shù)據(jù)　99
10．6　如何解析日期　102
10．7　如何應用字符編碼　104
10．8　清洗不一致的數(shù)據(jù)　105
10．9　小結　106
第　11章數(shù)據(jù)可視化　107
11．1　條形圖　108
11．2　折線圖　109
11．3　直方圖　110
11．4　散點圖　111
11．5　堆積圖　111
11．6　箱線圖　113
11．7　小結　115
第　12章數(shù)據(jù)預處理　116
12．1　關于案例研究　116
12．2　導入數(shù)據(jù)集　117
12．3　探索性數(shù)據(jù)分析　118
12．4　數(shù)據(jù)清洗與預處理　122
12．5　特征工程　124
12．6　小結　129
第　13章監(jiān)督式機器學習　130
13．1　常見的機器學習術語　131
13．2　機器學習導論　132
13．3　常用機器學習算法列述　133
13．4　監(jiān)督式機器學習基礎　134
13．5　解決分類機器學習問題　136
13．6　為何要進行訓練/測試拆分和交叉驗證　140
13．7　解決回歸機器學習問題　144
13．8　如何調(diào)整機器學習模型　152
13．9　如何處理sklearn中的分類變量　154
13．10　處理缺失數(shù)據(jù)的高級技術　155
13．11　小結　158
第　14章無監(jiān)督式機器學習　159
14．1　為何選擇無監(jiān)督式機器學習　160
14．2　無監(jiān)督式機器學習技術　160
14．2．1　聚類　161
14．2．2　主成分分析　169
14．3　案例研究　172
14．4　驗證無監(jiān)督式機器學習　178
14．5　小結　179
第　15章處理時間序列數(shù)據(jù)　180
15．1　為何時間序列重要　181
15．2　如何處理日期和時間　181
15．3　轉(zhuǎn)換時間序列數(shù)據(jù)　184
15．4　操作時間序列數(shù)據(jù)　187
15．5　比較時間序列的增長率　189
15．6　如何改變時間序列頻率　192
15．7　小結　198
第　16章時間序列法　199
16．1　時間序列預測的定義　200
16．2　預測的基本步驟　200
16．3　時間序列預測的技術　201
16．3．1　自回歸　201
16．3．2　移動平均　202
16．3．3　自回歸移動平均　203
16．3．4　自回歸積分移動平均　203
16．3．5　季節(jié)性自回歸積分移動平均　204
16．3．6　季節(jié)性自回歸積分移動平均與外生回歸因子　205
16．3．7　向量自回歸移動平均　205
16．3．8　Holt-Winters指數(shù)平滑　206
16．4　預測網(wǎng)頁的未來流量　207
16．5　小結　214
第　17章案例研究1　215
第　18章案例研究2　230
第　19章案例研究3　239
第　20章案例研究4　247