Python數據分析從小白到高手(全彩視頻版)（簡體書）

大數據時代，掌握必要的數據分析能力，將大大提升你的工作效率和自身競爭力。Python是數據分析的一大利器，本書將詳細講解利用Python進行數據分析與可視化的相關知識。《Python數據分析從小白到高手》主要內容包括：Python入門、搭建開發環境、語法、數據類型、數據加載、數據準備、數據可視化、機器學習、深度學習、自然語言處理等，並通過三個綜合案例將這些知識加以運用。本書內容豐富，採用全彩印刷，配套視頻講解，結合隨書附贈的素材邊看邊學邊練，能夠大大提高學習效率，迅速掌握Python數據分析技能，並用於實踐。本書適合數據分析初學者、初級數據分析師、數據庫技術人員等自學使用。同時，本書也可用作職業院校、培訓機構相關專業的教材及參考書。

選題具有以下特色：1.內容全面，循序漸進。本書圍繞python數據分析相關語法和常用庫展開，內容由淺入深，非常適合初學者學習。2.案例豐富，實用性強。書中選取了不同場合下的各種數據分析案例，不僅中間穿插有小案例，書末還有綜合性的大案例，通過案例實操，讓讀者能夠快速掌握所學知識，並應用到實際工作中。3.全彩圖解，直觀易懂。本書採用全彩印刷，書中通過大量的彩色圖片展示，讓讀者一目了然，迅速了解並掌握具體的操作方法、步驟以及實現效果。

數據分析是指通過對數據進行收集、清洗、轉換、處理、分析、可視化等一系列操作，從中提取有用信息、發現規律、支持決策的過程。Python是一種高級編程語言，具有簡單、易學、靈活、可擴展等優點，廣泛應用於數據分析領域。
在數據分析和機器學習研究熱潮中，相關書籍大多偏重理論。由於Python是開源免費的，而且目前市場上從零基礎深入介紹數據分析和機器學習的書籍較少，鑒於此背景，本書全面而系統地講解了基於Python的數據分析和機器學習等技術。
此外，在某些情況下，數據分析可以幫助ChatGPT更好地理解並生成響應，例如分析用戶對話歷史記錄，以根據過去的對話模式生成更準確的響應。因此，數據分析和ChatGPT可以相互支持，共同應用於更廣泛的應用領域，如智能客服、智能寫作、智能問答等。
本書既包括Python數據分析的主要方法和技巧，又融入了案例實戰，使廣大讀者通過對本書的學習，能夠輕鬆快速地掌握數據分析的主要方法。本書配套資源中包含案例實戰中所採用的數據源，以及教學PPT和學習視頻，供讀者在閱讀本書時練習使用。
本書主要內容
使用本書的注意事項
（1）Python版本
本書是基於Python 3.10.9編寫的，建議讀者安裝該版本進行學習。由於Python 3.9、Python 3.11與Python 3.10等版本間的差異不大，因此，本書也適用於其他版本。
（2）代碼運行環境
在本書中，筆者使用的是基於Windows 64位家庭版的Anaconda開發環境，開發工具是其自帶的Jupyter Lab，所有代碼都可以在該環境中正常運行。
本書主要特色
特色1：本書內容豐富，涵蓋領域廣泛，適合各行業人士快速提升Python技能。
特色2：看得懂，學得會，注重傳授方法、思路，以便讀者更好地理解與運用。
特色3：貼近實際工作，介紹職場人急需的技能，通過案例學習效果立竿見影。
由於編著者水平所限，書中難免存在不妥之處，請讀者批評指正。

編著者

1 Python入門
1.1 為什麼選擇Python 2
1.1.1 人工智能與ChatGPT 2
1.1.2 Python與人工智能 3
1.2 Python主要庫簡介 4
1.2.1 NumPy 5
1.2.2 Pandas 6
1.2.3 Matplotlib 7
1.2.4 Sklearn 9
1.3 如何學習Python 11

2 搭建Python開發環境
2.1 Anaconda 14
2.1.1 什麼是Anaconda 14
2.1.2 安裝Anaconda 15
2.2 常用開發工具 18
2.2.1 Spyder 18
2.2.2 Jupyter Lab 21
2.2.3 PyCharm 23
2.3 包管理工具pip 26

3 Python語法
3.1 Python基礎語法 29
3.1.1 變量及其命名 29
3.1.2 代碼行與縮進 30
3.1.3 條件if及if嵌套 31
3.1.4 循環while與for 32
3.1.5 格式format()與% 34
3.1.6 編碼類型及轉換 37
3.2 Python運算符 39
3.2.1 算術運算符 39
3.2.2 賦值運算符 42
3.2.3 比較運算符 45
3.2.4 邏輯運算符 46
3.2.5 運算符優先級 49
3.3 Python常用技巧 51
3.3.1 自動補全程序 51
3.3.2 變量賦值技巧 52
3.3.3 變量鏈式比較 53
3.3.4 獲取元素索引 54
3.3.5 遍歷序列元素 55
3.3.6 序列元素排序 55
3.3.7 列表解析式 56
3.3.8 元素序列解包 57
3.3.9 合並序列元素 58
3.3.10 三元表達式 59
3.3.11 lambda表達式 61
3.3.12 矩陣乘法與轉置 62

4 Python數據類型
4.1 認識數據類型 64
4.1.1 數值(number)類型 64
4.1.2 字符串(string)類型 65
4.1.3 列表(list)類型 68
4.1.4 元組(tuple)類型 70
4.1.5 集合(set)類型 71
4.1.6 字典(dict)類型 73
4.1.7 布爾值(boolean)類型 76
4.1.8 空值(None)類型 76
4.1.9 數據類型轉換 77
4.2 字符串常用方法 81
4.2.1 字符串拼接的3種方法 81
4.2.2 字符串切片的2種方法 83
4.2.3 分割與合並字符串 84
4.2.4 檢索子字符串的幾種方法 87
4.2.5 字符串對齊的3種方法 91
4.2.6 去除字符串中空格的3種方法 93
4.2.7 字符串大小寫轉換的3種函數 96
4.2.8 獲取字符串長度或字節數 99
4.2.9 統計字符串出現次數 100
4.3 列表常用方法 101
4.3.1 append()方法 101
4.3.2 clear()方法 102
4.3.3 copy()方法 102
4.3.4 count()方法 104
4.3.5 extend()方法 104
4.3.6 index()方法 105
4.3.7 insert()方法 106
4.3.8 pop()方法 107
4.3.9 remove()方法 107
4.3.10 reverse()方法 108
4.3.11 sort()方法 109

5 Python數據加載
5.1 加載本地離線數據 111
5.1.1 加載TXT文件數據 111
5.1.2 加載CSV文件數據 112
5.1.3 加載Excel文件數據 113
5.2 加載常用數據庫數據 114
5.2.1 加載Oracle數據庫數據 114
5.2.2 加載MySQL數據庫數據 116
5.2.3 加載SQL Server數據庫數據 117
5.3 加載Hadoop集群數據 118
5.3.1 集群軟件及其版本 118
5.3.2 集群網絡環境配置 120
5.3.3 Python連接Hive 122
5.4 加載Web在線數據 124

6 Python數據準備
6.1 數據的索引 127
6.1.1 創建索引 127
6.1.2 創建層次化索引 129
6.1.3 調整索引 130
6.2 數據的排序 131
6.2.1 按行索引排序數據 131
6.2.2 按列索引排序數據 132
6.2.3 按一列或多列排序數據 133
6.2.4 按一行或多行排序數據 133
6.3 數據的切片 134
6.3.1 提取一列或多列數據 134
6.3.2 提取一行或多行數據 135
6.3.3 提取指定區域的數據 136
6.4 數據的聚合 137
6.4.1 groupby()函數：分組聚合 137
6.4.2 agg()函數：更多聚合指標 138
6.5 數據的透視 140
6.5.1 pivot_table()函數：數據透視 140
6.5.2 crosstab()函數：數據交叉 143
6.6 數據的合並 144
6.6.1 merge()函數：橫向合並 144
6.6.2 concat()函數：縱向合並 149

7 Python數據可視化
7.1 Matplotlib 152
7.1.1 Matplotlib庫簡介 152
7.1.2 業績考核誤差條形圖 152
7.2 Pyecharts 155
7.2.1 Pyecharts庫簡介 155
7.2.2 銷售額主題河流圖 156
7.3 Seaborn 159
7.3.1 Seaborn庫簡介 159
7.3.2 利潤額增強箱形圖 159
7.4 Plotly 162
7.4.1 Plotly庫簡介 162
7.4.2 家庭成員結構旭日圖 163
7.5 Altair 165
7.5.1 Altair庫簡介 165
7.5.2 月度訂單量脊線圖 166
7.6 NetworkX 169
7.6.1 NetworkX簡介 169
7.6.2 NetworkX繪製平衡樹 170

8 Python機器學習
8.1 機器學習理論概述 173
8.1.1 機器學習概念 173
8.1.2 機器學習分類 176
8.1.3 模型評估方法 177
8.2 線性回歸及其案例 181
8.2.1 線性回歸簡介 181
8.2.2 線性回歸的建模 181
8.2.3 汽車價格的預測 184
8.3 聚類分析及其案例 190
8.3.1 K-Means聚類簡介 190
8.3.2 K-Means聚類建模 192
8.3.3 使用手肘法判斷聚類數 197
8.3.4 輪廓系數法判斷聚類數 198
8.4 XGBoost及其案例 202
8.4.1 XGBoost算法概述 202
8.4.2 XGBoost算法參數 204
8.4.3 XGBoost算法案例 207
8.5 時間序列及其案例 209
8.5.1 時間序列算法概述 209
8.5.2 指數平滑法及其案例 210
8.5.3 ARIMA算法及其案例 214

9 Python深度學習
9.1 深度學習概述 223
9.1.1 什麼是深度學習 223
9.1.2 安裝PyTorch 2.0 227
9.2 PyTorch圖像識別技術 228
9.2.1 加載數據集 228
9.2.2 搭建與訓練網絡 229
9.2.3 預測圖像數據 231
9.3 PyTorch模型可視化 231
9.3.1 Visdom簡介 231
9.3.2 Visdom可視化操作 233
9.4 手寫數字自動識別 244

10 Python自然語言處理
10.1 自然語言處理概述 251
10.2 Jieba中文分詞 252
10.2.1 Jieba分詞模式 252
10.2.2 自定義停用詞 254
10.2.3 商品評論關鍵詞詞云 255
10.3 聊天機器人ChatGPT 257
10.3.1 ChatGPT簡介 257
10.3.2 Python如何調用ChatGPT 259
10.3.3 Python調用ChatGPT舉例 260
10.4 spaCy 262
10.4.1 spaCy簡介 262
10.4.2 spaCy語言模型 266
10.4.3 spaCy依存分析 269
10.5 Gensim 272
10.5.1 Gensim簡介 272
10.5.2 Gensim文本處理步驟 273
10.5.3 中文LDA分析及可視化 275

11 案例：金融量化交易分析
11.1 案例背景概述 283
11.1.1 案例研究意義 283
11.1.2 K線圖技術理論 283
11.1.3 案例數據采集 284
11.2 數據基礎分析 287
11.2.1 查看數據集信息 287
11.2.2 數據描述性分析 288
11.2.3 數據可視化分析 289
11.3 股票數據分析 294
11.3.1 指標相關性分析 294
11.3.2 指標趨勢性分析 297
11.3.3 股票交易時機分析 299
11.3.4 股票交易策略分析 301
11.4 案例小結 303

12 案例：武漢市空氣質量分析
12.1 案例背景概述
12.2 歷年數據可視化分析
12.3 AQI回歸分析
12.4 案例小結

13 案例：阿爾茨海默病特徵分析
13.1 案例背景概述
13.2 數據預處理
13.3 數據建模
13.4 案例小結

附錄　306

參考文獻 307