内容简介
本书采用理论分析和Python编程实战相结合的形式，按照数据分析与可视化的基本步骤，数据分析与可视化的基本理论知识和相应的Python库进行了详细的介绍，让读者能够在了解基本理论知识的同时快速上手实现数据分析与可视化的程序。
展开全文
- 第1 章数据分析是什么
- 1.1 数据分析与数据挖掘的关系
- 1.2 机器学习与数据分析的关系
- 1.3 数据分析的基本步骤
- 1.4 Python 和数据分析
- 1.5 本章小结
- 第2 章Python——从了解Python 开始
- 2.1 Python 及pandas、scikit-learn、Matplotlib 的安装
- 2.1.1 Windows 操作系统下Python 的安装
- 2.1.2 macOS 下Python 的安装
- 2.1.3 pandas、scikit-learn 和Matplotlib 的安装
- 2.1.4 使用科学计算发行版Python 进行快速安装
- 2.2 Python 基础知识
- 2.2.1 缩进
- 2.2.2 模块化的系统
- 2.2.3 注释
- 2.2.4 语法
- 2.3 重要的Python 库
- 2.3.1 pandas
- 2.3.2 scikit-learn
- 2.3.3 Matplotlib
- 2.3.4 其他
- 2.4 Jupyter
- 2.5 本章小结
- 第3 章数据预处理——不了解数据，一切都是空谈
- 3.1 了解数据
- 3.2 数据质量
- 3.2.1 完整性
- 3.2.2 一致性
- 3.2.3 准确性
- 3.2.4 及时性
- 3.3 数据清洗
- 3.4 特征工程
- 3.4.1 特征选择
- 3.4.2 特征构建
- 3.4.3 特征提取
- 3.5 本章小结
- 第4 章NumPy——数据分析基础工具
- 4.1 多维数组对象：ndarray 对象
- 4.1.1 ndarray 对象的创建
- 4.1.2 ndarray 对象的数据类型
- 4.2 ndarray 对象的索引、切片和迭代
- 4.3 ndarray 对象的shape 操作
- 4.4 ndarray 对象的基础操作
- 4.5 本章小结
- 第5 章pandas——处理结构化数据
- 5.1 基本数据结构
- 5.1.1 Series
- 5.1.2 DataFrame
- 5.2 基于pandas 的Index 对象的访问操作
- 5.2.1 pandas 的Index 对象
- 5.2.2 索引的不同访问方式
- 5.3 数学统计和计算工具
- 5.3.1 统计函数：协方差、相关系数、排序
- 5.3.2 窗口函数
- 5.4 数学聚合和分组运算
- 5.4.1 agg 函数的聚合操作
- 5.4.2 transform 函数的转换操作
- 5.4.3 apply 函数的一般操作
- 5.5 本章小结
- 第6 章数据分析与知识发现——一些常用的方法
- 6.1 分类分析
- 6.1.1 逻辑回归
- 6.1.2 线性判别分析
- 6.1.3 支持向量机
- 6.1.4 决策树
- 6.1.5 k 近邻
- 6.1.6 朴素贝叶斯
- 6.2 关联分析
- 6.2.1 基本概念
- 6.2.2 经典算法
- 6.3 聚类分析
- 6.3.1 k 均值算法
- 6.3.2 DBSCAN
- 6.4 回归分析
- 6.4.1 线性回归分析
- 6.4.2 支持向量回归
- 6.4.3 k 近邻回归
- 6.5 本章小结
- 第7 章scikit-learn——实现数据的分析
- 7.1 分类方法
- 7.1.1 逻辑回归
- 7.1.2 支持向量机
- 7.1.3 最近邻
- 7.1.4 决策树
- 7.1.5 随机梯度下降
- 7.1.6 高斯过程分类
- 7.1.7 多层感知器
- 7.1.8 朴素贝叶斯
- 7.2 回归方法
- 7.2.1 最小二乘法
- 7.2.2 岭回归
- 7.2.3 Lasso 回归
- 7.2.4 贝叶斯岭回归
- 7.2.5 决策树回归
- 7.2.6 高斯过程回归
- 7.2.7 最近邻回归
- 7.3 聚类方法
- 7.3.1 k 均值
- 7.3.2 相似性传播
- 7.3.3 均值漂移
- 7.3.4 谱聚类
- 7.3.5 层次聚类
- 7.3.6 DBSCAN
- 7.3.7 BIRCH
- 7.4 本章小结
- 第8 章Matplotlib——交互式图表绘制
- 8.1 基本布局对象
- 8.2 图表样式的修改以及图表装饰项接口
- 8.3 基础图表绘制
- 8.3.1 直方图
- 8.3.2 散点图
- 8.3.3 饼图
- 8.3.4 柱状图
- 8.3.5 折线图
- 8.3.6 表格
- 8.3.7 不同坐标系下的图像
- 8.4 matplot3D
- 8.5 Matplotlib 与Jupyter 结合
- 8.6 本章小结
- 第9 章实战：影评数据分析与电影推荐
- 9.1 明确目标与数据准备
- 9.1.1 明确目标
- 9.1.2 数据采集与处理
- 9.1.3 工具选择
- 9.2 初步分析
- 9.2.1 用户角度分析
- 9.2.2 电影角度分析
- 9.3 电影推荐
- 9.4 本章小结
- 第10 章实战：汽车贷款违约的数据分析
- 10.1 数据分析常用的Python 库
- 10.2 数据样本分析
- 10.2.1 初步分析样本的所有变量
- 10.2.2 变量类型分析
- 10.2.3 Python 代码实践
- 10.3 数据分析的预处理
- 10.3.1 目标变量探索
- 10.3.2 X 变量初步探索
- 10.3.3 连续变量的缺失值处理
- 10.3.4 分类变量的缺失值处理
- 10.4 数据分析的模型建立与模型评估
- 10.4.1 数据预处理与训练集划分
- 10.4.2 采用回归模型进行数据分析
- 10.4.3 采用决策树模型进行数据分析
- 10.4.4 采用随机森林模型优化决策树模型
- 10.5 本章小结
- 第11 章实战：Python 表格数据分析
- 11.1 背景介绍
- 11.2 前期准备与基本操作
- 11.2.1 基本术语概念说明
- 11.2.2 安装openpyxl 并创建一个工作簿
- 11.2.3 从Excel 工作簿中读取数据
- 11.2.4 迭代访问数据
- 11.2.5 修改与插入数据
- 11.3 进阶内容
- 11.3.1 为Excel 工作簿添加公式
- 11.3.2 为Excel 工作簿添加条件格式
- 11.3.3 为Excel 工作簿添加图表
- 11.4 数据分析实例
- 11.4.1 背景与前期准备
- 11.4.2 使用openpyxl 读取数据并将其转化为Dataframe 对象
- 11.4.3 绘制数值列直方图
- 11.4.4 绘制相关性矩阵
- 11.4.5 绘制散布矩阵
- 11.4.6 将可视化结果插入Excel 工作簿中
- 11.5 本章小结
- 第12 章实战：利用手机的购物评论分析手机特征
- 12.1 项目介绍
- 12.2 从Kaggle 上下载数据
- 12.3 筛选想要的数据
- 12.4 分析数据
- 12.4.1 算法介绍
- 12.4.2 算法应用
- 12.5 本章小结
- 第13 章实战：基于k 近邻模型预测葡萄酒种类的数据分析与可视化
- 13.1 机器学习的模型和数据
- 13.2 k 近邻模型的介绍与初步建立
- 13.2.1 k 近邻模型的初步建立
- 13.2.2 使用专业库建立k 近邻模型
- 13.2.3 使用scikit-learn
- 13.3 数据可视化
- 13.4 本章小结
- 第14 章实战：美国波士顿房价预测
- 14.1 数据清洗
- 14.2 数据分析
- 14.3 分析结果
- 14.4 本章小结
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2021
作者：主编
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《Python数据分析与可视化》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
出版时间：2021
作者：主编
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《Python数据分析与可视化》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
Python数据分析与可视化
免费读 (VIP)