Python3智能数据分析快速入门电子书

前言

第1章 Python概述

1.1 Python语言介绍

1.1.1 Python的发展史

1.1.2 Python特性

1.1.3 Python应用领域

1.1.4 Python机器学习优势

1.2 Python环境配置

1.2.1 Python 2还是Python 3

1.2.2 Anaconda简介

1.2.3 安装Anaconda 3

1.3 Python的解释器与IDE

1.3.1 Python的解释器

1.3.2 Python各IDE比较

1.3.3 PyCharm的安装与使用

1.3.4 Jupyter Notebook的使用

小结

课后习题

第2章 Python基础知识

2.1 固定语法

2.1.1 声明与注释

2.1.2 缩进与多行语句

2.1.3 保留字符与赋值

2.2 运算符

2.2.1 算术运算符

2.2.2 赋值运算符

2.2.3 比较运算符

2.2.4 逻辑运算符

2.2.5 按位运算符

2.2.6 身份运算符

2.2.7 成员运算符

2.2.8 运算符优先级

2.3 数据类型

2.3.1 基础数据类型

2.3.2 复合数据类型

2.4 Python I/O

2.4.1 input与print

2.4.2 文件I/O

小结

课后习题

第3章 控制语句

3.1 条件语句

3.1.1 if、elif与else

3.1.2 try、except与else

3.2 循环语句

3.2.1 for

3.2.2 while

3.2.3 break、continue与pass

3.2.4 列表推导式

小结

课后习题

第4章 函数与对象

4.1 函数

4.1.1 内置函数

4.1.2 自定义函数

4.1.3 匿名函数

4.2 对象

4.2.1 面向对象简介

4.2.2 属性与方法

4.2.3 装饰器

4.2.4 继承和多态

4.3 Python常用库安装

4.3.1 第三方库安装

4.3.2 第三方库导入

4.3.3 第三方库创建

小结

课后习题

第5章 NumPy数值计算

5.1 ndarray创建与索引

5.1.1 创建ndarray对象

5.1.2 ndarray的索引与切片

5.2 ndarray的基础操作

5.2.1 变换ndarray的形态

5.2.2 排序与搜索

5.2.3 字符串操作

5.3 ufunc

5.3.1 ufunc的广播机制

5.3.2 常用ufunc

5.4 matrix与线性代数

5.4.1 创建NumPy矩阵

5.4.2 矩阵的属性和基本运算

5.4.3 线性代数运算

5.5 NumPy文件读写

5.5.1 二进制文件读写

5.5.2 文件列表形式数据读写

小结

课后习题

第6章 pandas基础

6.1 pandas常用类

6.1.1 Series

6.1.2 DataFrame

6.1.3 Index

6.2 DataFrame基础操作

6.2.1 索引

6.2.2 排序

6.2.3 合并

6.3 其他数据类型操作

6.3.1 时间操作

6.3.2 文本操作

6.3.3 category操作

小结

课后习题

第7章 pandas进阶

7.1 数据读取与写入

7.1.1 CSV

7.1.2 Excel

7.1.3 数据库

7.2 DataFrame进阶

7.2.1 统计分析

7.2.2 分组运算

7.2.3 透视表和交叉表

7.3 数据准备

7.3.1 缺失值处理

7.3.2 重复数据处理

7.3.3 连续特征离散化处理

7.3.4 哑变量处理

小结

课后习题

第8章 绘图

8.1 Matplotlib绘图基础

8.1.1 编码风格

8.1.2 动态rc参数

8.1.3 散点图

8.1.4 折线图

8.1.5 饼图

8.1.6 直方图与条形图

8.1.7 箱线图

8.2 Seaborn进阶绘图

8.2.1 Seaborn基础

8.2.2 关系图

8.2.3 分类图

8.2.4 分布图

8.2.5 回归图

8.2.6 矩阵图

8.2.7 网格图

8.3 Bokeh交互式绘图

8.3.1 基本构成与语法

8.3.2 常见图形绘制

8.3.3 导出与嵌入

8.3.4 运行Bokeh应用程序

小结

习题

第9章 scikit-learn

9.1 数据准备

9.1.1 标准化

9.1.2 归一化

9.1.3 二值化

9.1.4 独热编码

9.2 降维

9.2.1 PCA

9.2.2 随机投影

9.2.3 字典学习

9.2.4 独立成分分析

9.2.5 非负矩阵分解

9.2.6 线性判别分析

9.3 聚类

9.3.1 K-Means

9.3.2 层次聚类

9.3.3 DBSCAN

9.3.4 高斯混合模型

9.4 分类

9.4.1 Logistic回归

9.4.2 支持向量机

9.4.3 决策树

9.4.4 最近邻

9.4.5 朴素贝叶斯

9.4.6 随机森林

9.4.7 多层感知机

9.5 回归

9.5.1 最小二乘回归

9.5.2 岭回归

9.5.3 Lasso回归

9.5.4 决策树回归

9.5.5 随机森林回归

9.5.6 多层感知机回归

9.6 模型选择

9.6.1 数据集划分

9.6.2 交叉验证

9.6.3 自动调参

9.6.4 模型评估

小结

课后习题