-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

Python資料科學手冊

( 簡體 字)
作者:[美]傑克•萬托布拉斯(Jake VanderPlas)類別:1. -> 程式設計 -> Python
譯者:
出版社:人民郵電出版社Python資料科學手冊 3dWoo書號: 48565
詢問書籍請說出此書號!

有庫存
NT售價: 545

出版日:2/1/2018
頁數:448
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787115475893
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

從計算環境配置到機器學習實戰書籍 大量示例 逐步講解 舉一反三 掌握用Scikit-Learn NumPy等工具高效存儲 處理和分析資料 切實解決工作痛點


《Python資料科學手冊》是對以資料深度需求為中心的科學、研究以及針對計算和統計方法的參考書。本書共五章,每章介紹一到兩個Python資料科學中的重點工具包。首先從IPython和Jupyter開始,它們提供了資料科學家需要的計算環境;第 2章講解能提供ndarray物件的NumPy,它可以用Python高效地存儲和操作大型陣列;第3章主要涉及提供DataFrame對象的Pandas,它可以用Python高效地存儲和操作帶標籤的/列式資料;第4章的主角是Matplotlib,它為Python提供了許多資料視覺化功能;第5章以Scikit-Learn為主,這個程式庫為重要的機器學習演算法提供了高效整潔的Python版實現。

《Python資料科學手冊》適合有程式設計背景,並打算將開源Python工具用作分析、操作、視覺化以及學習資料的資料科學研究人員。
目錄:

第 1 章 IPython:超越Python 1
1.1 shell還是Notebook 1
1.1.1 啟動IPython shell 2
1.1.2 啟動Jupyter Notebook 2
1.2 IPython的幫助和文檔 3
1.2.1 用符號 獲取文檔 3
1.2.2 通過符號 獲取原始程式碼 4
1.2.3 用Tab補全的方式探索模組 5
1.3 IPython shell中的快速鍵 7
1.3.1 導航快速鍵 7
1.3.2 文本輸入快速鍵 7
1.3.3 命令歷史快速鍵 8
1.3.4 其他快速鍵 9
1.4 IPython魔法命令 9
1.4.1 粘貼代碼塊:%paste和%cpaste 9
1.4.2 執行外部代碼:%run 10
1.4.3 計算代碼執行時間:%timeit 11
1.4.4 魔法函數的?明: 、%magic 和%lsmagic 11
1.5 輸入和輸出歷史 12
1.5.1 IPython的輸入和輸出物件 12
1.5.2 底線快速鍵和以前的輸出 13
1.5.3 禁止輸出 13
1.5.4 相關的魔法命令 13
1.6 IPython和shell命令 14
1.6.1 shell快速入門 14
1.6.2 IPython中的shell命令 15
1.6.3 在shell中傳入或傳出值 15
1.7 與shell相關的魔法命令 16
1.8 錯誤和調試 17
1.8.1 控制異常:%xmode 17
1.8.2 調試:當閱讀軌跡追溯不足以解決問題時 19
1.9 代碼的分析和計時 21
1.9.1 程式碼片段計時:%timeit和%time 22
1.9.2 分析整個腳本:%prun 23
1.9.3 用%lprun進行逐行分析 24
1.9.4 用%memit和%mprun進行記憶體分析 25
1.10 IPython參考資料 26
1.10.1 網路資源 26
1.10.2 相關圖書 27
第 2 章 NumPy入門 28
2.1 理解Python中的資料類型 29
2.1.1 Python整型不僅僅是一個整型 30
2.1.2 Python列表不僅僅是一個列表 31
2.1.3 Python中的固定類型陣列 32
2.1.4 從Python清單創建陣列 32
2.1.5 從頭創建陣列 33
2.1.6 NumPy標準資料類型 34
2.2 NumPy陣列基礎 35
2.2.1 NumPy陣列的屬性 36
2.2.2 陣列索引:獲取單個元素 37
2.2.3 陣列切片:獲取子陣列 38
2.2.4 陣列的變形 41
2.2.5 陣列拼接和分裂 42
2.3 NumPy陣列的計算:通用函數 44
2.3.1 緩慢的迴圈 44
2.3.2 通用函數介紹 45
2.3.3 探索NumPy的通用函數 46
2.3.4 通用函數特性 49
2.3.5 通用函數:更多的資訊 51
2.4 聚合:*小值、*大值和其他值 51
2.4.1 陣列值求和 51
2.4.2 *小值和*大值 52
2.4.3 示例:美國總統的身高是多少 54
2.5 陣列的計算:廣播 55
2.5.1 廣播的介紹 55
2.5.2 廣播的規則 57
2.5.3 廣播的實際應用 60
2.6 比較、遮罩和布林邏輯 61
2.6.1 示例:統計下雨天數 61
2.6.2 和通用函數類似的比較操作 62
2.6.3 操作布林陣列 64
2.6.4 將布林陣列作為遮罩 66
2.7 花哨的索引 69
2.7.1 探索花哨的索引 69
2.7.2 組合索引 70
2.7.3 示例:選擇隨機點 71
2.7.4 用花哨的索引修改值 72
2.7.5 示例:資料區間劃分 73
2.8 陣列的排序 75
2.8.1 NumPy中的快速排序:np.sort和np.argsort 76
2.8.2 部分排序:分隔 77
2.8.3 示例:K個*近鄰 78
2.9 結構化資料:NumPy的結構化陣列 81
2.9.1 生成結構化陣列 83
2.9.2 更高 級的複合類型 84
2.9.3 記錄陣列:結構化陣列的扭轉 84
2.9.4 關於Pandas 85
第3 章 Pandas資料處理 86
3.1 安裝並使用Pandas 86
3.2 Pandas對象簡介 87
3.2.1 Pandas的Series對象 87
3.2.2 Pandas的DataFrame對象 90
3.2.3 Pandas的Index對象 93
3.3 資料取值與選擇 95
3.3.1 Series資料選擇方法 95
3.3.2 DataFrame資料選擇方法 98
3.4 Pandas數值運算方法 102
3.4.1 通用函數:保留索引 102
3.4.2 通用函數:索引對齊 103
3.4.3 通用函數:DataFrame與Series的運算 105
3.5 處理缺失值 106
3.5.1 選擇處理缺失值的方法 106
3.5.2 Pandas的缺失值 107
3.5.3 處理缺失值 110
3.6 層級索引 113
3.6.1 多級索引Series 113
3.6.2 多級索引的創建方法 116
3.6.3 多級索引的取值與切片 119
3.6.4 多級索引行列轉換 121
3.6.5 多級索引的資料累計方法 124
3.7 合併資料集:Concat與Append操作 125
3.7.1 知識回顧:NumPy陣列的合併 126
3.7.2 通過pd.concat實現簡易合併 126
3.8 合併資料集:合併與連接 129
3.8.1 關聯代數 129
3.8.2 資料連接的類型 130
3.8.3 設置數據合併的鍵 132
3.8.4 設置資料連接的集合操作規則 134
3.8.5 重複列名:suffixes參數 135
3.8.6 案例:美國各州的統計資料 136
3.9 累計與分組 140
3.9.1 行星數據 140
3.9.2 Pandas的簡單累計功能 141
3.9.3 GroupBy:分割、應用和組合 142
3.10 樞紐分析表 150
3.10.1 演示樞紐分析表 150
3.10.2 手工製作樞紐分析表 151
3.10.3 樞紐分析表語法 151
3.10.4 案例:美國人的生日 153
3.11 向量化字串操作 157
3.11.1 Pandas字串操作簡介 157
3.11.2 Pandas字串方法清單 159
3.11.3 案例:食譜資料庫 163
3.12 處理時間序列 166
3.12.1 Python的日期與時間工具 166
3.12.2 Pandas時間序列:用時間作索引 169
3.12.3 Pandas時間序列資料結構 170
3.12.4 時間頻率與偏移量 172
3.12.5 重新取樣、遷移和窗口 173
3.12.6 更多學習資料 178
3.12.7 案例:美國西雅圖自行車統計資料的視覺化 179
3.13 高性能Pandas:eval()與query() 184
3.13.1 query()與eval()的設計動機:複合代數式 184
3.13.2 用pandas.eval()實現高性能運算 185
3.13.3 用DataFrame.eval()實現列間運算 187
3.13.4 DataFrame.query()方法 188
3.13.5 性能決定使用時機 189
3.14 參考資料 189
第4 章 Matplotlib數據視覺化 191
4.1 Matplotlib常用技巧 192
4.1.1 導入Matplotlib 192
4.1.2 設置繪圖樣式 192
4.1.3 用不用show()?如何顯示圖形 192
4.1.4 將圖形保存為檔 194
4.2 兩種畫圖介面 195
4.2.1 MATLAB風格介面 195
4.2.2 物件導向介面 196
4.3 簡易線形圖 197
4.3.1 調整圖形:線條的顏色與風格 199
4.3.2 調整圖形:坐標軸上下限 200
4.3.3 設置圖形標籤 203
4.4 簡易散點圖 204
4.4.1 用plt.plot畫散點圖 205
4.4.2 用plt.scatter畫散點圖 206
4.4.3 plot與scatter:效率對比 208
4.5 視覺化異常處理 208
4.5.1 基本誤差線 209
4.5.2 連續誤差 210
4.6 密度圖與等高線圖 211
4.7 頻次長條圖、資料區間劃分和分佈密度 215
4.8 配置圖例 219
4.8.1 選擇圖例顯示的元素 221
4.8.2 在圖例中顯示不同尺寸的點 222
4.8.3 同時顯示多個圖例 223
4.9 配置顏色條 224
4.9.1 配置顏色條 224
4.9.2 案例:手寫數字 228
4.10 多子圖 230
4.10.1 plt.axes:手動創建子圖 230
4.10.2 plt.subplot:簡易網格子圖 231
4.10.3 plt.subplots:用一行代碼創建網格 233
4.10.4 plt.GridSpec:實現更複雜的排列方式 234
4.11 文字與注釋 235
4.11.1 案例:節假日對美國出生率的影響 236
4.11.2 座標變換與文字位置 237
4.11.3 箭頭與注釋 239
4.12 自訂坐標軸刻度 241
4.12.1 主要刻度與次要刻度 242
4.12.2 隱藏刻度與標籤 243
4.12.3 增減刻度數量 244
4.12.4 花哨的刻度格式 245
4.12.5 格式生成器與定位器小結 247
4.13 Matplotlib自訂:設定檔與樣式表 248
4.13.1 手動配置圖形 248
4.13.2 修改預設配置:rcParams 249
4.13.3 樣式表 251
4.14 用Matplotlib畫三維圖 255
4.14.1 三維資料點與線 256
4.14.2 三維等高線圖 256
4.14.3 線框圖和曲面圖 258
4.14.4 曲面三角剖分 259
4.15 用Basemap視覺化地理資料 261
4.15.1 地圖投影 263
4.15.2 畫一個地圖背景 267
4.15.3 在地圖上畫資料 269
4.15.4 案例:美國加州城市資料 270
4.15.5 案例:地表溫度資料 271
4.16 用Seaborn做數據視覺化 273
4.16.1 Seaborn與Matplotlib 274
4.16.2 Seaborn圖形介紹 275
4.16.3 案例:探索馬拉松比賽成績資料 283
4.17 參考資料 290
4.17.1 Matplotlib資源 290
4.17.2 其他Python畫圖程式庫 290
第5 章 機器學習 291
5.1 什麼是機器學習 291
5.1.1 機器學習的分類 292
5.1.2 機器學習應用的定性示例 292
5.1.3 小結 299
5.2 Scikit-Learn簡介 300
5.2.1 Scikit-Learn的資料表示 300
5.2.2 Scikit-Learn的評估器API 302
5.2.3 應用:手寫數字探索 309
5.2.4 小結 313
5.3 超參數與模型驗證 313
5.3.1 什麼是模型驗證 314
5.3.2 選擇模型 317
5.3.3 學習曲線 322
5.3.4 驗證實踐:網格搜索 326
5.3.5 小結 327
5.4 特徵工程 327
5.4.1 分類特徵 327
5.4.2 文本特徵 329
5.4.3 圖像特徵 330
5.4.4 衍生特徵 330
5.4.5 缺失值填充 332
5.4.6 特徵管道 332
5.5 專題:樸素貝葉斯分類 333
5.5.1 貝葉斯分類 333
5.5.2 高斯樸素貝葉斯 334
5.5.3 多項式樸素貝葉斯 336
5.5.4 樸素貝葉斯的應用場景 339
5.6 專題:線性回歸 340
5.6.1 簡單線性回歸 340
5.6.2 基函數回歸 342
5.6.3 正則化 346
5.6.4 案例:預測自行車流量 349
5.7 專題:支持向量機 353
5.7.1 支持向量機的由來 354
5.7.2 支持向量機:邊界*大化 355
5.7.3 案例:人臉識別 363
5.7.4 支持向量機總結 366
5.8 專題:決策樹與隨機森林 367
5.8.1 隨機森林的誘因:決策樹 367
5.8.2 評估器集成演算法:隨機森林 371
5.8.3 隨機森林回歸 373
5.8.4 案例:用隨機森林識別手寫數字 374
5.8.5 隨機森林總結 376
5.9 專題:主成分分析 376
5.9.1 主成分分析簡介 377
5.9.2 用PCA作噪音過濾 383
5.9.3 案例:特徵臉 385
5.9.4 主成分分析總結 387
5.10 專題:流形學習 388
5.10.1 流形學習:“HELLO” 388
5.10.2 多維標度法(MDS) 389
5.10.3 將MDS用於流形學習 391
5.10.4 非線性嵌入:當MDS失敗時 393
5.10.5 非線性流形:局部線性嵌入 395
5.10.6 關於流形方法的一些思考 396
5.10.7 示例:用Isomap 處理人臉資料 397
5.10.8 示例:手寫數位的視覺化結構 400
5.11 專題:k-means聚類 402
5.11.1 k-means簡介 403
5.11.2 k-means演算法:期望*大化 404
5.11.3 案例 409
5.12 專題:高斯混合模型 415
5.12.1 高斯混合模型(GMM)為什麼會出現:k-means演算法
的缺陷 415
5.12.2 一般化E-M:高斯混合模型 417
5.12.3 將GMM用作密度估計 421
5.12.4 示例:用GMM生成新的資料 425
5.13 專題:核密度估計 427
5.13.1 KDE的由來:長條圖 428
5.13.2 核密度估計的實際應用 431
5.13.3 示例:球形空間的KDE 433
5.13.4 示例:不是很樸素的貝葉斯 436
5.14 應用:人臉識別管道 439
5.14.1 HOG特徵 440
5.14.2 HOG實戰:簡單人臉識別器 441
5.14.3 注意事項與改進方案 445
5.15 機器學習參考資料 446
5.15.1 Python中的機器學習 446
5.15.2 通用機器學習資源 447
關於作者 448
關於封面 448
序: