Python语言拥有大量可用于存储、操作和洞察数据的程序库，已然成为深受数据科学研究人员推崇的工具。本书以IPython、NumPy、Pandas、Matplotlib和Scikit-Learn这5个能完成数据科学大部分工作的基础工具为主，从实战角度出发，讲授如何清洗和可视化数据、如何用数据建立各种统计学或机器学习模型等常见数据科学任务，旨在让各领域与数据处理相关的工作人员具备发现问题、解决问题的能力。
售 价：¥
纸质售价：¥104.60购买纸书
7.1
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
译者序
前言
第1章 IPython：超越Python
1.1 shell还是Notebook
1.2 IPython的帮助和文档
1.3 IPython shell中的快捷键
1.4 IPython魔法命令
1.5 输入和输出历史
1.6 IPython和shell命令
1.7 与shell相关的魔法命令
1.8 错误和调试
1.9 代码的分析和计时
1.10 IPython参考资料
第2章 NumPy入门
2.1 理解Python中的数据类型
2.2 NumPy数组基础
2.3 NumPy数组的计算：通用函数
2.4 聚合：最小值、最大值和其他值
2.5 数组的计算：广播
2.6 比较、掩码和布尔逻辑
2.7 花哨的索引
2.8 数组的排序
2.9 结构化数据：NumPy的结构化数组
第3章 Pandas数据处理
3.1 安装并使用Pandas
3.2 Pandas对象简介
3.3 数据取值与选择
3.4 Pandas数值运算方法
3.5 处理缺失值
3.6 层级索引
3.7 合并数据集：Concat与Append操作
3.8 合并数据集：合并与连接
3.9 累计与分组
3.10 数据透视表
3.11 向量化字符串操作
3.12 处理时间序列
3.13 高性能Pandas：eval()与query()
3.14 参考资料
第4章 Matplotlib数据可视化
4.1 Matplotlib常用技巧
4.2 两种画图接口
4.3 简易线形图
4.4 简易散点图
4.5 可视化异常处理
4.6 密度图与等高线图
4.7 频次直方图、数据区间划分和分布密度
4.8 配置图例
4.9 配置颜色条
4.10 多子图
4.11 文字与注释
4.12 自定义坐标轴刻度
4.13 Matplotlib自定义：配置文件与样式表
4.14 用Matplotlib画三维图
4.15 用Basemap可视化地理数据
4.16 用Seaborn做数据可视化
4.17 参考资料
第5章 机器学习
5.1 什么是机器学习
5.2 Scikit-Learn简介
5.3 超参数与模型验证
5.4 特征工程
5.5 专题：朴素贝叶斯分类
5.6 专题：线性回归
5.7 专题：支持向量机
5.8 专题：决策树与随机森林
5.9 专题：主成分分析
5.10 专题：流形学习
5.11 专题：k-means聚类
5.12 专题：高斯混合模型
5.13 专题：核密度估计
5.14 应用：人脸识别管道
5.15 机器学习参考资料
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
