Python數據分析（簡體書）

本書全面講解Python數據分析的相關知識和技術，內容包括Python數據分析概述、NumPy數值計算、Matplotlib數據可視化、Pandas數據分析、數據預處理、Sklearn機器學習。本書以培養學生編程能力和數據分析能力為目標，注重技術應用能力的培養。
本書內容充實、結構合理、實用性強，具有明確的應用能力培養目標，易於接受和理解，學完本書後，可以具備數據分析的基本能力。
本書適合作為普通高等院校人工智能、數據科學與大數據以及計算機相關專業課程的教材，也可以作為相關從業人員的技術參考用書。

微課版，本書重視技術應用和實踐教學，以眾多示例形象展示應用，以實驗操作提升學生能力。

第1章 Python數據分析概述 1
1.1 數據分析的概念、流程和應用 1
1.1.1 數據分析的概念 1
1.1.2 數據分析的流程 2
1.1.3 數據分析的應用 2
1.2 數據分析工具 3
1.2.1 常用工具 4
1.2.2 Python數據分析 4
1.3 Python數據分析環境 5
小結 9
習題 9
實驗 10
第2章 NumPy數值計算 15
2.1 NumPy多維數組 15
2.1.1 數組創建 15
2.1.2 數組對象屬性 22
2.1.3 數組數據類型 23
2.2 數組操作 24
2.2.1 修改數組形狀 24
2.2.2 翻轉數組 26
2.2.3 連接數組 27
2.2.4 分割數組 28
2.2.5 數組元素添加與刪除 30
2.3 數組索引與切片 32
2.3.1 數組索引 32
2.3.2 數組切片 33
2.3.3 布爾型索引 34
2.3.4 花式索引 35
2.4 數組的運算 35
2.4.1 數組和標量間的運算 35
2.4.2 廣播 36
2.4.3 算術函數 37
2.4.4 集合運算 40
2.4.5 統計運算 41
2.4.6 排序 43
2.4.7 搜索 44
2.5 線性代數 45
2.5.1 數組相乘 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 特徵值和特徵向量 47
2.6 數組的存取 48
小結 48
習題 48
實驗 51
第3章 Matplotlib數據可視化 54
3.1 線形圖 54
3.1.1 繪製線形圖 54
3.1.2 顏色設置 55
3.1.3 線型設置 56
3.1.4 坐標點設置 57
3.1.5 線寬設置 59
3.2 其他圖形 59
3.2.1 散點圖 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 自定義設置 69
3.3.1 圖例設置 69
3.3.2 坐標網格設置 70
3.3.3 坐標系設置 71
3.3.4 樣式設置與注解 72
3.3.5 RC設置 73
3.4 子圖 74
3.4.1 創建子圖 74
3.4.2 子圖坐標系設置 76
3.4.3 圖形嵌套 77
3.5 繪製三維圖形 78
小結 81
習題 82
實驗 82
第4章 Pandas數據分析 89
4.1 Pandas數據結構 89
4.2 DataFrame基本功能 94
4.3 讀取外部數據 95
4.3.1 CSV文件 96
4.3.2 Sqlite數據庫 98
4.4 數據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數據運算 108
4.6.1 算術運算 108
4.6.2 函數應用與映射運算 109
4.6.3 排序 111
4.6.4 迭代 113
4.6.5 唯一值與值計數 115
4.7 統計函數 116
4.7.1 描述性統計 116
4.7.2 變化率 119
4.7.3 協方差 120
4.7.4 相關性 120
4.7.5 數據排名 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 129
習題 129
實驗 129
第5章 數據預處理 134
5.1 數據清洗 134
5.1.1 重複值 134
5.1.2 缺失值 135
5.1.3 異常值 140
5.2 合併連接與重塑 142
5.2.1 merge合併 142
5.2.2 concat合併 144
5.2.3 combine_first合併 146
5.2.4 數據重塑 147
5.3 數據變換 149
5.3.1 虛擬變量 149
5.3.2 函數變換 150
5.3.3 連續屬性離散化 151
5.3.4 規範化 152
5.3.5 隨機採樣 154
小結 156
習題 156
實驗 156
第6章 Sklearn機器學習 162
6.1 術語 162
6.2 Sklearn 164
6.2.1 Sklearn數據集 165
6.2.2 Sklearn常用算法 171
6.2.3 數據預處理 175
6.2.4 數據集拆分 177
6.2.5 模型評估 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(線性評價分析) 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) 189
6.5.4 神經網絡 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 195
習題 195
實驗 196
參考文獻 200