Python醫(yī)學數(shù)據(jù)分析入門

第 1 章 Python 語言基礎 1
1．1　關于 Python　1
1．2　為什么使用 Python 分析數(shù)據(jù)　1
1．3　重要的 Python 庫　2
1．4　安裝與設置　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　導入庫　4
1．5　代碼編寫工具　5
1．6　開始使用 Python　7
1．6．1　獲取幫助　7
1．6．2　把 Python 當作一個計算器　9
1．6．3　Python 對象　12
1．7　工作目錄　14
1．8　習題　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　習題　27
第　3 章 控制流、函數(shù)與文件操作　28
3．1　條件語句　28
3．1．1　簡單條件結(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　寫入 txt 文件　34
3．4．3　讀寫 CSV 文件　35
3．5　習題　36
第　4 章 NumPy 基礎　37
4．1　創(chuàng)建數(shù)組對象　37
4．1．1　使用函數(shù) array 創(chuàng)建數(shù)組對象　37
4．1．2　使用專門函數(shù)創(chuàng)建數(shù)組對象　38
4．1．3　生成偽隨機數(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)組運算　44
4．3．1　通用函數(shù)　44
4．3．2　基本統(tǒng)計運算　46
4．3．3　矩陣運算　47
4．4　數(shù)組文件的保存與導入　48
4．5　習題　49
第　5 章 Pandas 入門　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 的導入和導出　62
5．3．1　讀寫文本文件　63
5．3．2　讀寫其他格式的文件　64
5．4　Pandas 數(shù)據(jù)預處理　66
5．4．1　數(shù)據(jù)的合并　66
5．4．2　數(shù)據(jù)長寬格式的轉(zhuǎn)換　68
5．4．3　缺失值的識別與處理　70
5．4．4　數(shù)據(jù)值的轉(zhuǎn)換　75
5．5　習題　85
第　6 章 數(shù)據(jù)可視化　86
6．1　Matplotlib 繪圖基礎　86
6．1．1　函數(shù) plot 與圖形元素　86
6．1．2　全局參數(shù)查看與設置　88
6．1．3　一頁多圖　89
6．1．4　保存圖形　90
6．1．5　基本統(tǒng)計圖形　91
6．2　Seaborn 數(shù)據(jù)可視化　96
6．2．1　Seaborn 簡介　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　點圖　102
6．2．6　帶狀點圖與簇狀點圖　102
6．2．7　散點圖　104
6．2．8　散點圖矩陣　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　習題　109
第　7 章 基本統(tǒng)計分析　110
7．1　查看數(shù)據(jù)集信息　110
7．2　數(shù)值型變量的統(tǒng)計描述　113
7．3　數(shù)值型變量的假設檢驗　117
7．3．1　單個樣本的 t 檢驗　117
7．3．2　獨立樣本的 t 檢驗　117
7．3．3　非獨立樣本的 t 檢驗　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　121
7．3．6　連續(xù)型變量之間的相關性　121
7．4　分類變量的列聯(lián)表和獨立性檢驗　124
7．4．1　生成頻數(shù)表　124
7．4．2　獨立性檢驗　126
7．5　習題　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 回歸實例　138
8．3　Poisson 回歸　143
8．3．1　Poisson 回歸模型　143
8．3．2　Poisson 回歸實例　143
8．4　生存分析與 Cox 回歸　145
8．4．1　生存分析簡介　145
8．4．2　生存率的 Kaplan-Meier 估計　147
8．4．3　Cox 回歸　150
8．5　習題　153
第　9 章 Scikit-learn 機器學習入門　154
9．1　機器學習簡介　154
9．2　加載數(shù)據(jù)集　154
9．3　學習和預測　158
9．3．1　無監(jiān)督學習　158
9．3．2　監(jiān)督學習　159
9．4　模型的選擇與評估　161
9．5　習題　163
第　10 章 TensorFlow 深度學習入門　164
10．1　深度學習簡介　164
10．2　感知機與神經(jīng)網(wǎng)絡　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)建并訓練神經(jīng)網(wǎng)絡　169
10．7　習題　171
第　11 章 圖像分類卷積神經(jīng)網(wǎng)絡模型　172
11．1　卷積神經(jīng)網(wǎng)絡　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)絡模型　175
11．4　編譯并訓練模型　177
11．5　評估模型　178
11．6　習題　179
習題參考答案　180
參考資料　192