本书共9章，主要内容包括数据科学概述、Python基础知识、Python数据科学常用库、Python数据获取、Python数据分析、Python数据挖掘、Python文本挖掘、深度学习基础、深度学习应用。
电子书
内容简介
本书主要从实战角度讲述了如何处理、分析和可视化数据，如何用数据建立各种统计学或机器学习模型。本书首先介绍如何使用Python代码获取、转换和分析数据；接着讲述如何使用Python中的数据结构和第三方库；然后展示如何以各种格式加载数据，如何对数据进行分组与汇总，如何创建图表和可视化数据；最后讨论如何解决实际的问题。
本书适合希望使用Python处理和分析数据的开发人员阅读，也可供计算机相关专业的师生参考。
章节目录
- 版权信息
- 版 权
- 内容提要
- 技术审校者简介
- 前 言
- 服务与支持
- 第1章 数据的基础知识
- 1.1 数据类别
- 1.1.1 非结构化数据
- 1.1.2 结构化数据
- 1.1.3 半结构化数据
- 1.1.4 时间序列数据
- 1.2 数据来源
- 1.2.1 API
- 1.2.2 网页
- 1.2.3 数据框
- 1.2.4 文件
- 1.3 数据处理流程
- 1.3.1 数据获取
- 1.3.2 数据清洗
- 1.3.3 数据变换
- 1.3.4 数据分析
- 1.3.5 数据存储
- 1.4 Python特有的方式
- 1.5 总结
- 第2章 Python数据结构
- 2.1 列表
- 2.1.1 创建列表
- 2.1.2 使用常见列表对象方法
- 2.1.3 使用切片符号
- 2.1.4 用列表实现队列
- 2.1.5 用列表实现栈
- 2.1.6 用列表和栈进行自然语言处理
- 2.1.7 使用列表推导式改进算法
- 2.2 元组
- 2.2.1 元组列表
- 2.2.2 不变性
- 2.3 字典
- 2.3.1 字典列表
- 2.3.2 使用setdefault()在字典中添加元素
- 2.3.3 将JSON文件加载到字典中
- 2.4 集合
- 2.4.1 从序列中删除重复项
- 2.4.2 实现常见集合运算
- 2.5 总结
- 第3章 Python第三方库
- 3.1 NumPy库
- 3.1.1 安装NumPy库
- 3.1.2 创建NumPy数组
- 3.1.3 逐点运算
- 3.1.4 使用NumPy统计函数
- 3.2 pandas库
- 3.2.1 安装pandas库
- 3.2.2 序列
- 3.2.3 数据框
- 3.3 scikit-learn库
- 3.3.1 安装scikit-learn库
- 3.3.2 获得样本数据
- 3.3.3 把样本数据载入数据框
- 3.3.4 把数据分成训练数据集和测试数据集
- 3.3.5 把文本转化为数值特征向量
- 3.3.6 训练和评估模型
- 3.3.7 在新数据中做预测
- 3.4 总结
- 第4章 从文件和API访问数据
- 4.1 使用Python函数open()导入数据
- 4.1.1 文本文件
- 4.1.2 表格数据文件
- 4.1.3 二进制文件
- 4.2 将数据导出到文件
- 4.3 访问远程文件和API
- 4.3.1 HTTP请求的工作原理
- 4.3.2 urllib3库
- 4.3.3 Requests库
- 4.4 将数据移入或移出数据框
- 4.4.1 导入嵌套的JSON结构
- 4.4.2 将数据框转换为JSON文档
- 4.4.3 使用pandas-datareader库将在线数据加载到数据框中
- 4.5 总结
- 第5章 使用数据库
- 5.1 关系数据库
- 5.1.1 了解SQL语句
- 5.1.2 MySQL入门
- 5.1.3 定义数据库结构
- 5.1.4 将数据插入数据库中
- 5.1.5 查询数据库数据
- 5.1.6 使用数据库分析工具
- 5.2 NoSQL数据库
- 5.2.1 Redis数据库
- 5.2.2 MongoDB数据库
- 5.3 总结
- 第6章 聚合数据
- 6.1 要聚合的数据
- 6.2 合并数据框
- 6.3 分组和聚合数据
- 6.3.1 按多索引查看特定值
- 6.3.2 通过切片获得一系列值
- 6.3.3 多索引多层次切片
- 6.3.4 添加总计
- 6.3.5 添加小计
- 6.4 选择组中的所有行
- 6.5 总结
- 第7章 合并数据
- 7.1 合并Python数据结构
- 7.1.1 使用“+”合并列表和元组
- 7.1.2 使用“**”合并字典
- 7.1.3 合并两个结构的对应行
- 7.1.4 列表的多种合并方式
- 7.2 合并NumPy数组
- 7.3 合并pandas数据结构
- 7.3.1 连接数据框
- 7.3.2 合并两个数据框
- 7.4 总结
- 第8章 数据可视化
- 8.1 常见可视化形式
- 8.1.1 折线图
- 8.1.2 柱状图
- 8.1.3 饼状图
- 8.1.4 直方图
- 8.2 使用Matplotlib库绘制图
- 8.2.1 安装Matplotlib库
- 8.2.2 使用matplotlib.pyplot
- 8.2.3 使用Figure和Axes对象
- 8.3 总结
- 第9章 分析空间数据
- 9.1 获取空间数据
- 9.1.1 将人可读的地址转换为地理坐标
- 9.1.2 获取移动对象的地理坐标
- 9.2 基于geopy库和Shapely库的空间数据分析
- 9.2.1 查找最近的对象
- 9.2.2 在特定区域中查找对象
- 9.2.3 结合两种方法
- 9.3 结合空间数据和非空间数据
- 9.3.1 提取非空间属性
- 9.3.2 合并空间数据集和非空间数据集
- 9.4 总结
- 第10章 分析时间序列数据
- 10.1 规则时间序列与不规则时间序列
- 10.2 常见的时间序列分析技术
- 10.2.1 计算百分比变化
- 10.2.2 滚动窗口计算
- 10.2.3 计算滚动平均值的百分比变化
- 10.3 多元时间序列
- 10.3.1 处理多元时间序列
- 10.3.2 分析变量之间的依赖性
- 10.4 总结
- 第11章 从数据中挖掘信息
- 11.1 关联法则
- 11.1.1 支持度
- 11.1.2 置信度
- 11.1.3 提升度
- 11.2 Apriori算法
- 11.2.1 创建交易数据集
- 11.2.2 识别频繁项集
- 11.2.3 生成关联规则
- 11.3 可视化关联规则
- 11.4 从关联规则获得可操作信息
- 11.4.1 生成推荐信息
- 11.4.2 基于关联规则的折扣规划
- 11.5 总结
- 第12章 数据分析的机器学习
- 12.1 为什么选择机器学习
- 12.2 机器学习的类型
- 12.2.1 有监督学习
- 12.2.2 无监督学习
- 12.3 机器学习的工作原理
- 12.3.1 训练数据
- 12.3.2 统计模型
- 12.3.3 预测数据
- 12.4 情感分析示例：产品评论分类
- 12.4.1 获取产品评论
- 12.4.2 清理数据
- 12.4.3 拆分和转换数据
- 12.4.4 训练模型
- 12.4.5 评估模型
- 12.5 预测股票走势
- 12.5.1 获取数据
- 12.5.2 从连续数据中提取特征
- 12.5.3 生成输出变量
- 12.5.4 训练和评估模型
- 12.6 总结
展开全部
Python数据科学实战是2024年由人民邮电出版社出版,作者著。
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数据科学实战》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。
电子书
电子书
本书以实践出发，全面地介绍数据可视化的流程和Python数据可视化的应用，并详细阐述使用Python解决企业实际问题的方法。全书共8章，分为基础模块(第1-5章)和实战模块(第6-8章)。基础模块包括Python数据可视化概述、数据的读取与处理、Matplotlib数据可视化基础、用seaborn绘制进阶图形、pyecharts交互式图形绘制；实战模块包括广电大数据可视化项目实战、新零售智能销售数
电子书
|a本书以Python数据分析常用技术与真实案例相结合的方式，介绍Python商务数据分析应用的重要内容。全书共10章，内容包括：商务数据分析概述、Python数据分析简介、数据获取、探索性分析、数据预处理等。
电子书
本书共11章，分为基础篇(第1-5章)和实战篇(第6-11章)，基础篇包括数据挖掘基础、Python数据挖掘编程基础、数据探索、数据预处理、数据挖掘算法基础等基础知识：实战篇包括6个案例，分别为信用卡高风险客户识别、餐饮企业菜品关联分析、金融服务机构资金流量预测、O2O优惠券使用预测、电视产品个性化推荐，以及基于TipDM大数据挖掘建模平台实现金融服务机构资金流量预测。本书大部分章节包含实训和课后
电子书
本书系统地描述了如何利用Python语言进行数据分析。由浅入深的编写方式可以帮助读者轻松愉快地进入数据的世界。全书从理论到实践、从基础语法到科学计算库，循序渐进地讲解了Python数据分析所需要学习的技能。搭配项目实战帮助读者更好、更快地掌握Python数据分析知识点。此外，还全面介绍了数据分析的必知必会技能。本书提供代码资源下载服务，每章均配有重要知识点串讲视频。本书不仅适合零基础喜欢数据分析的
电子书
数据挖掘旨在发现蕴含在数据中的有价值的数据模式、知识或规律，是目前非常热门的研究领域。理解数据挖掘模型的原理、方法并熟练掌握其实现技术是数据挖掘从业者必备的能力。本书从理论模型和技术实战两个角度，全面讲述数据挖掘的基本流程、模型方法、实现技术及案例应用，帮助读者系统地掌握数据挖掘的核心技术，培养读者从事数据挖掘工作的基本能力。全书共12章，主要内容包括数据探索、数据预处理、特征选择、基础分类模型及
电子书
本书从数据科学的角度，讲解了Python和R的语言特性以及各自的优缺点，介绍了包括包、框架和工作流在内的开源生态系统，分析了Python和R分别适用于哪些业务场景，并通过真实的案例演示如何在单个工作流中集成Python与R,使两种语言充分发挥优势，改善业务应用的效果。本书还提供了Python和R的对照翻译，帮助读者在两种语言间快速切换。本书适合数据科学领域有一定Python或R基础的开发人员阅读，
电子书
本书以Python数据分析的常用技术与交通行业真实案例相结合的方式，深入浅出地介绍了Python数据分析与挖掘技术的重要内容。全书共10章，内容包括绪论、Python数据分析简介、数据获取、数据探索、数据预处理、构建模型、运输车辆驾驶行为分析、公交车站点设置优化分析、铁路站点客流量预测，以及基于TipDM大数据挖掘建模平台实现运输车辆驾驶行为分析。本书大部分章节包含课后习题，通过练习和操作实践，读
