本书适合对人工智能、机器学习、数据分析等方向感兴趣的初学者和爱好者。
电子书
编辑推荐
掌握数据分析技巧，运用强大的Python工具，解决工作中繁琐的数据问题。
内容简介
本书从数据分析的基本概念和Python的基础语法讲起，然后逐步深入到Python数据分析的编程技术方面，并结合实战重点讲解了如何使用主流Python数据分析库进行数据分析，让读者快速掌握Python的编程基础知识，并对Python数据分析有更加深入的理解。本书分为13章，涵盖的主要内容有数据分析概述、Python的特点和编程基础、NumPy数组的基础和进阶用法、Pandas数据处理和数据分析、数据的导入导出、数据可视化，以及Python网络爬虫和Scikit-learn机器学习的入门知识。本书内容丰富，语言简洁、通俗易懂，实用性强，还包含实战案例，特别适合Python的初学者和自学者，以及缺乏编程经验的数据分析从业人员阅读，也适合对数据分析编程感兴趣的爱好者阅读。
章节目录
- 版权信息
- 版 权
- 内 容 提 要
- 前言
- 第1章 数据分析概述
- 1.1 数据分析的含义
- 1.2 数据分析的基础流程
- 1.3 数据收集
- 1.3.1 线下收集
- 1.3.2 线上收集
- 1.4 统计分析策略
- 1.4.1 描述性统计分析
- 1.4.2 推断性统计分析
- 1.4.3 探索性统计分析
- 1.5 数据分析方法
- 1.5.1 公式拆解法
- 1.5.2 对比分析法
- 1.5.3 预测分析法
- 1.5.4 漏斗分析法
- 1.5.5 象限分析法
- 1.6 数据挖掘的标准流程（CRISP-DM模型）
- 1.7 数据分析工具
- 1.7.1 Microsoft Excel
- 1.7.2 R语言
- 1.7.3 Python
- 第2章 为什么选择Python
- 2.1 关于Python
- 2.1.1 Python的起源
- 2.1.2 Python 2和Python 3
- 2.2 了解Python的特点
- 2.2.1 简单易学
- 2.2.2 自由开放
- 2.2.3 解释型语言
- 2.2.4 封装与扩展性
- 2.3 Python在数据分析上的优势
- 2.3.1 自由的数据结构
- 2.3.2 黏合剂Python
- 2.3.3 丰富的第三方库
- 2.4 数据分析的第三方库
- 2.4.1 NumPy
- 2.4.2 Pandas
- 2.4.3 Matplotlib
- 2.4.4 SciPy
- 2.4.5 Scikit-learn
- 2.5 网络爬虫的第三方库
- 2.5.1 Request
- 2.5.2 lxml
- 2.5.3 html5lib
- 2.5.4 BeautifulSoup
- 2.5.5 Scrapy
- 第3章 Python编程基础
- 3.1 安装与配置
- 3.1.1 在Windows操作系统下安装Python
- 3.1.2 在macOS下安装Python
- 3.1.3 在GNU/Linux操作系统下安装Python
- 3.1.4 安装及更新Python库
- 3.1.5 集成开发环境
- 3.2 Hello World!
- 3.2.1 Python解释器
- 3.2.2 运行IPython
- 3.3 基础语法
- 3.3.1 缩进
- 3.3.2 注释
- 3.3.3 标识符
- 3.3.4 关键字
- 3.4 变量和数据类型
- 3.4.1 变量赋值
- 3.4.2 布尔型
- 3.4.3 数值类型
- 3.4.4 字符串
- 3.5 内置的数据结构
- 3.5.1 集合
- 3.5.2 元组
- 3.5.3 列表
- 3.5.4 字典
- 3.6 控制流
- 3.6.1 条件语句
- 3.6.2 循环语句
- 3.6.3 break和continue关键字
- 3.7 函数
- 3.7.1 函数定义
- 3.7.2 函数调用
- 3.7.3 lambda函数
- 3.8 类
- 3.8.1 类定义
- 3.8.2 类的实例化
- 3.8.3 类的属性访问
- 3.8.4 类的方法调用
- 3.9 文件操作
- 3.9.1 打开和关闭文件
- 3.9.2 读写文件
- 第4章 NumPy数组：基础篇
- 4.1 数组对象
- 4.1.1 对象属性
- 4.1.2 数据类型
- 4.2 创建数组
- 4.2.1 通用的创建方式
- 4.2.2 填充数组
- 4.2.3 对角矩阵
- 4.2.4 空数组
- 4.2.5 等差数组
- 4.2.6 随机数组
- 4.3 数组访问
- 4.3.1 基础索引
- 4.3.2 数组切片
- 4.3.3 索引切片
- 4.4 数组更新
- 4.4.1 更新数组元素
- 4.4.2 插入数组元素
- 4.4.3 删除数组元素
- 4.4.4 复制数组
- 4.5 数组变换
- 4.5.1 数组重塑
- 4.5.2 轴变换
- 4.5.3 数组合并：拼接
- 4.5.4 数组合并：堆叠
- 4.5.5 数组拆分
- 4.6 矩阵运算
- 4.6.1 矩阵对象
- 4.6.2 矩阵乘法
- 4.6.3 逆矩阵和共轭矩阵
- 4.6.4 数值特征和特征值
- 4.6.5 矩阵分解
- 4.7 数组运算
- 4.7.1 算术运算
- 4.7.2 绝对值
- 4.7.3 指数和对数
- 4.7.4 三角和反三角函数
- 4.8 聚合统计
- 4.8.1 求和与乘积
- 4.8.2 均值和标准差
- 4.8.3 最大值和最小值
- 4.8.4 中位数和百分位数
- 4.8.5 逻辑统计函数
- 4.8.6 多维数组的聚合
- 第5章 NumPy数组：进阶篇
- 5.1 NumPy的高效运算
- 5.1.1 快速的矢量化计算
- 5.1.2 灵活的广播机制
- 5.1.3 广播的规则
- 5.2 通用函数
- 5.2.1 初识通用函数
- 5.2.2 通用函数的实例方法
- 5.2.3 定义新的通用函数
- 5.3 数组形式的条件判断
- 5.3.1 布尔表达式
- 5.3.2 where函数
- 5.3.3 where参数
- 5.4 数组的高级索引
- 5.4.1 布尔索引
- 5.4.2 Fancy索引
- 5.4.3 索引组合
- 5.5 数组排序
- 5.5.1 直接排序
- 5.5.2 间接排序
- 5.5.3 分区排序
- 5.6 结构化数组
- 5.6.1 结构化数组的创建
- 5.6.2 结构化数组的索引访问
- 5.6.3 记录数组
- 第6章 Pandas：数据处理
- 6.1 Pandas数据结构
- 6.1.1 Series对象
- 6.1.2 DataFrame对象
- 6.1.3 索引对象
- 6.2 数据索引和选取
- 6.2.1 Series中的数据选取
- 6.2.2 DataFrame中的数据选取
- 6.3 处理缺失数bb据
- 6.3.1 表示缺失数据的策略
- 6.3.2 Pandas中的缺失数据
- 6.3.3 对缺失值的操作
- 6.4 数据集合并
- 6.4.1 append函数
- 6.4.2 concat函数
- 6.4.3 join函数
- 6.4.4 merge函数
- 6.5 分层索引
- 6.5.1 分层索引：从一维到多维
- 6.5.2 分层索引的构建方法
- 6.5.3 多层级切片
- 6.5.4 重新排列分层索引
- 第7章 Pandas：数据分析
- 7.1 Pandas中的数组运算
- 7.1.1 Pandas中的通用函数
- 7.1.2 索引保留
- 7.1.3 索引对齐
- 7.1.4 Series和DataFrame之间的运算
- 7.2 数据聚合
- 7.2.1 基础的聚合操作
- 7.2.2 灵活的聚合函数
- 7.2.3 基于行索引的分组聚合
- 7.3 数据分组
- 7.3.1 分组对象
- 7.3.2 分组键
- 7.3.3 分组聚合
- 7.3.4 过滤分组数据
- 7.3.5 基于分组的数据转换
- 7.4 数据透视表
- 7.4.1 透视表和分组对象
- 7.4.2 定制透视表
- 7.4.3 透视表的进阶用法
- 7.5 时间序列
- 7.5.1 时间数据的类型
- 7.5.2 时间序列的索引
- 7.5.3 时间序列的数据访问
- 第8章 数据的导入导出
- 8.1 文本数据
- 8.1.1 从文本导入数据
- 8.1.2 导出数据到文本
- 8.2 Excel数据
- 8.2.1 从电子表格导入数据
- 8.2.2 导出数据到电子表格
- 8.3 网络数据
- 8.3.1 JSON格式
- 8.3.2 XML和HTML格式
- 8.4 数据库
- 8.4.1 关系数据库
- 8.4.2 数据库API
- 8.5 Pandas数据对象的导入导出
- 8.5.1 分隔文本格式
- 8.5.2 Excel数据格式
- 8.5.3 JSON数据格式
- 8.5.4 读取数据库
- 第9章 数据可视化
- 9.1 Matplotlib绘图的基础设置
- 9.1.1 绘图面板
- 9.1.2 图形样式
- 9.1.3 坐标轴
- 9.1.4 图例
- 9.2 Pandas绘图接口
- 9.2.1 折线图
- 9.2.2 柱状图
- 9.2.3 直方图和密度图
- 9.2.4 散点图
- 第10章 实战：数据预处理
- 10.1 数据导入
- 10.1.1 数据描述
- 10.1.2 数据读取
- 10.1.3 数据合并
- 10.2 数据清洗
- 10.2.1 冗余数据
- 10.2.2 缺失数据
- 10.2.3 无效数据
- 10.3 数据转换
- 10.3.1 数据类型转换
- 10.3.2 分层索引
- 10.3.3 生成时间序列
- 10.4 数据过滤
- 10.5 数据导出
- 第11章 实战：数据分析
- 11.1 时间序列分析
- 11.1.1 导入时间序列
- 11.1.2 生成时间区间数据
- 11.1.3 时间窗函数
- 11.2 统计分析
- 11.2.1 描述性统计
- 11.2.2 聚合统计
- 11.2.3 分组统计
- 11.3 关联分析
- 11.3.1 数据联合
- 11.3.2 协方差和相关系数
- 11.4 透视表分析
- 11.4.1 数据集整合
- 11.4.2 分层透视表
- 第12章 Python网络爬虫
- 12.1 Robots协议
- 12.2 数据抓取
- 12.2.1 最基本的数据抓取
- 12.2.2 处理登录请求
- 12.2.3 连接超时
- 12.3 Scrapy库
- 12.3.1 搭建工程项目
- 12.3.2 编写爬虫
- 12.3.3 数据选择器
- 12.3.4 定义数据对象
- 12.3.5 数据管道
- 第13章 Scikit-learn机器学习
- 13.1 选择合适的机器学习模型
- 13.2 数据预处理
- 13.2.1 标准化
- 13.2.2 归一化
- 13.2.3 正态化
- 13.3 监督学习
- 13.3.1 线性模型
- 13.3.2 最近邻算法
- 13.3.3 支持向量机
- 13.3.4 随机森林
- 13.4 无监督学习
- 13.4.1 K-means聚类算法
- 13.4.2 主成分分析（PCA）
- 13.4.3 高斯混合模型
展开全部
Python数据分析入门与实战是2023年由人民邮电出版社出版,作者刘麟 编著。
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数据分析入门与实战》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
数据分析是当今大数据时代最关键的技术，其广泛应用于包括医学在内的各个领域。
电子书
12年办公图书口碑品牌
500000 读者的共同选择
实战案例 精选的案例全部来自实际工作
轻便易携 将高效办公进行到底
资源赠送300集Word、Excel、PPT应用技巧视频
电子书
本书介绍了大数据时代下多源异构数据集成的一项新技术：数据虚拟化。
电子书
运维数据治理开山之作，企业基础平台数据资源建设必备图书。
电子书
面向大数据开发工程师，大数据运维工程师围绕Hadoop、Spark、Flink三大主流平台，详解大数据平台的搭建及数据分析（离线/实时）随书配备全套数据集、安装包、配置文件、海量教学视频（近30GB），方便学用
电子书
深入描述了Elasticsearch的各种运行机制。
电子书
随着云计算、大数据等的快速发展，越来越多的组织用信息化手段进行流程管理。如何提升流程执行的智能化程度、动态性和柔性，以提高对非标准业务的管理效率，是流程管理面临的一个重要问题。本书基于流程管理系统积累的日志，提出了3种流程管理的工作流活动推荐方法，分别为基于用户类别近邻的活动推荐方法、基于Pearson相关系数的活动推荐方法和基于协同过滤的活动推荐方法，并介绍了一种流程信息的可视化算法，实现了一个
