Anaconda数据科学实战电子书

内容提要

关于作者

译者简介

关于审稿人

前言

资源与支持

第1章 Anaconda生态系统

1.1 简介

1.1.1 通过Anaconda使用Jupyter的理由

1.1.2 在无须预装的情况下使用Jupyter

1.2 Miniconda

1.3 Anaconda云

1.4 查找帮助

1.5 总结

1.6 问题回顾及练习

第2章 Anaconda安装

2.1 安装Anaconda

Windows下安装Anaconda

2.2 测试Python

2.3 使用IPython

2.4 通过Jupyter使用Python

2.5 Spyder简介

2.6 通过Conda安装R

2.7 安装Julia并链接到Jupyter

2.8 安装Octave并链接到Jupyter

2.9 查找帮助

2.10 总结

2.11 问题回顾及练习

第3章 数据基础

3.1 数据源

3.2 UCI机器学习

3.3 Python包pandas简介

3.4 输入数据的几种方式

3.4.1 使用R输入数据

3.4.2 使用Python输入数据

3.5 Quandl数据分发平台简介

3.6 处理缺失数据

3.7 数据排序

3.7.1 切割数据集

3.7.2 合并不同数据集

3.7.3 数据输出

3.8 Python包cbsodata简介

3.9 Python包datadotworld简介

3.10 R包haven和foreign简介

3.11 R包dslabs简介

3.12 生成Python数据集

3.13 生成R数据集

3.14 总结

3.15 问题回顾及练习

第4章 数据可视化

4.1 数据可视化的重要性

4.2 R数据可视化

4.3 Python数据可视化

4.4 Julia数据可视化

4.5 绘制简单图形

4.5.1 各种条状图、饼图和直方图

4.5.2 添加趋势

4.5.3 添加图解和其他说明

4.6 R可视化包

4.7 Python可视化包

4.8 Julia可视化包

4.9 动态可视化

4.9.1 将图片存储为pdf

4.9.2 将动态可视化存储为HTML文件

4.10 总结

4.11 问题回顾及练习

第5章 在Anaconda中统计建模

5.1 线性模型简介

5.2 在R、Python、Julia和Octave中运行线性回归

5.3 临界值和决策规则

5.4 F检验、临界值和决策规则

线性回归在金融方面的一个应用

5.5 处理缺失数据

5.5.1 清除缺失数据

5.5.2 用其他值替换缺失数据

5.6 检测及处理异常值

5.7 几个多元线性模型

5.8 共线性及其解决方案

5.9 一个模型的性能测量

5.10 总结

5.11 问题回顾及练习

第6章 管理包

6.1 包、模块和工具箱简介

6.2 使用包的两个示例

6.3 查找所有R包

6.4 查找所有Python包

6.5 查找所有Julia包

6.6 查找所有Octave包

6.7 R中的任务视图

6.8 查找手册

6.9 包依赖

6.10 R包管理

6.11 Python包管理

6.12 Julia包管理

6.13 Octave包管理

6.14 包管理器conda

6.15 在R和Python中创建程序集

6.16 查找环境变量

6.17 总结

6.18 问题回顾及练习

第7章 Anaconda的优化

7.1 为何优化很重要

7.2 优化的一般问题

将各种类型的优化问题表示为LPP

7.3 二次优化

7.3.1 R中的优化

7.3.2 Python中的优化

7.3.3 Julia中的优化

7.3.4 Octave中的优化

7.4 股票投资组合优化

7.5 最优的税收政策

7.6 R中用于优化的包

7.7 Python中用于优化的包

7.8 Octave中用于优化的包

7.9 Julia中用于优化的包

7.10 总结

7.11 问题回顾及练习

第8章 Anaconda中的无监督学习

8.1 无监督学习简介

8.2 层次聚类

8.3 k-均值聚类

8.4 Python包scipy简介

8.5 Python包contrastive简介

8.6 Python包sklearn（scikit-learn）简介

8.7 R包rattle简介

8.8 R包randomUniformForest简介

8.9 R包Rmixmod简介

8.10 Julia实现

8.11 聚类分析的任务视图

8.12 总结

8.13 问题回顾及练习

第9章 Anaconda中的监督学习

9.1 监督学习概览

9.2 分类

9.2.1 k-最近邻算法

9.2.2 贝叶斯分类器

9.2.3 强化学习

9.3 监督学习的R实现

RtextTools简介

9.4 Python实现

使用scikit-learn（sklearn）模块

9.5 Octave实现

9.6 Julia实现

R中机器学习的任务视图

9.7 总结

9.8 问题回顾及练习

第10章 数据预测分析：建模和验证

10.1 理解数据预测分析

10.2 有用的数据集

10.2.1 R包AppliedPredictiveModeling

10.2.2 时间序列分析

10.3 预测未来事件

10.3.1 季节性

10.3.2 可视化组件

10.3.3 R包LiblineaR

10.3.4 R包datarobot

10.3.5 R包eclust

10.4 模型选择

10.4.1 Python包model-catwalk

10.4.2 Python包sklearn

10.4.3 Julia包QuantEcon

10.4.4 Octave包ltfat

10.5 Granger因果关系检验

10.6 总结

10.7 问题回顾及练习

第11章 Anaconda云

11.1 Anaconda云简介

11.2 深入学习Jupyter Notebook

11.2.1 Jupyter Notebook格式

11.2.2 Notebooks分享

11.2.3 项目分享

11.2.4 环境分享

11.3 复制他人的环境到本地

从Anaconda下载包

11.4 总结

11.5 问题回顾及练习

第12章 分布式计算、并行计算和HPCC

12.1 分布式和并行计算简介

12.1.1 并行处理的任务视图

12.1.2 Python示例程序

12.2 理解MPI

12.2.1 R包Rmpi

12.2.2 R包plyr

12.2.3 R包parallel

12.2.4 R包snow

12.3 Python并行处理

12.3.1 单词频率的并行处理

12.3.2 Monte-Carlo期权定价并行处理

12.4 计算节点

12.5 Anaconda附加组件

12.6 HPCC简介

12.7 总结

12.8 问题回顾及练习