 |
-- 會員 / 註冊 --
|
 |
|
|
|
Python統計分析 ( 簡體 字) |
| 作者：[奧地利]托馬斯·哈斯爾萬特(Thomas Haslwanter) | 類別：1. -> 程式設計 -> Python |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 50295
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：12/1/2018 |
| 頁數：224 |
| 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：9787115493842 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (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：本書以基礎的統計學知識和假設檢驗為重點，簡明扼要地講述了Python在數據分析、可視化和統計建模中的應用。主要包括Python的簡單介紹、研究設計、數據管理、概率分布、不同數據類型的假設檢驗、廣義線性模型、生存分析和貝葉斯統計學等從入門到高級的內容。
本書利用Python這門開源語言，不僅在直觀上對數據分析和統計檢驗提供了很好的理解，而且在相關數學公式的講解上也能夠做到深入淺出。本書的可操作性很強，配套提供相關的代碼和數據，讀者可以依照書中所講，復現和加深對相關知識的理解。
本書適合對統計學和Python有興趣的讀者，特別是在實驗學科中需要利用Python的強大功能來進行數據處理和統計分析的學生和研究人員。 |
目錄：第 一部分 Python和統計學
第 1章 為什么學習統計學 2
第 2章 Python 4
2.1 開始 4
2.1.1 慣例 4
2.1.2 發行版和包 5
2.1.3 安裝Python 7
2.1.4 安裝R和rpy2 8
2.1.5 個性化IPython/Jupyter 9
2.1.6 Python資源 12
2.1.7 第 一個Python程序 13
2.2 Python數據結構 14
2.2.1 Python數據類型 14
2.2.2 索引和切片 16
2.2.3 向量和數組 17
2.3 IPython/Jupyter：一個交互式的Python編程環境 18
2.3.1 Qt控制臺的第 一個會話 19
2.3.2 Notebook和rpy2 21
2.3.3 IPython小貼士 23
2.4 開發Python程序 24
2.4.1 將交互式命令轉化為一個Python程序 24
2.4.2 函數、模塊和包 26
2.4.3 Python小貼士 30
2.4.4 代碼版本控制 31
2.5 Pandas：用于統計學的數據結構 31
2.5.1 數據處理 31
2.5.2 分組（Grouping） 33
2.6 Statsmodels：統計建模的工具 34
2.7 Seaborn：數據可視化 35
2.8 一般慣例 36
2.9 練習 36
第3章 數據輸入 38
3.1 從文本文件中輸入 38
3.1.1 目視檢查 38
3.1.2 讀入ASCII數據到Python中 38
3.2 從MS Excel中導入 42
3.3 從其他格式導入數據 43
第4章 統計數據的展示 45
4.1 數據類型 45
4.1.1 分類數據 45
4.1.2 數值型 46
4.2 在Python中作圖 46
4.2.1 函數式和面向對象式的繪圖方法 47
4.2.2 交互式繪圖 48
4.3 展示統計學數據集 52
4.3.1 單變量數據 53
4.3.2 二元變量和多元變量繪圖 59
4.4 練習 61
第二部分 分布和假設檢驗
第5章 背景 63
5.1 總體和樣本 63
5.2 概率分布 64
5.2.1 離散分布 64
5.2.2 連續分布 65
5.2.3 期望值和方差 65
5.3 自由度 66
5.4 研究設計 66
5.4.1 術語 67
5.4.2 概述 67
5.4.3 研究類型 68
5.4.4 實驗設計 69
5.4.5 個人建議 72
5.4.6 臨床研究計劃 73
第6章 單變量的分布 74
6.1 分布的特征描述 74
6.1.1 分布中心 74
6.1.2 量化變異度 76
6.1.3 分布形狀的參數描述 79
6.1.4 概率密度的重要展示 81
6.2 離散分布 82
6.2.1 伯努利分布 82
6.2.2 二項分布 83
6.2.3 泊松分布 85
6.3 正態分布 86
6.3.1 正態分布的例子 88
6.3.2 中心極限定理 88
6.3.3 分布和假設檢驗 89
6.4 來自正態分布的連續型分布 90
6.4.1 t分布 90
6.4.2 卡方分布 92
6.4.3 F分布 94
6.5 其他連續型分布 95
6.5.1 對數正態分布 96
6.5.2 韋伯分布 96
6.5.3 指數分布 97
6.5.4 均勻分布 98
6.6 練習 98
第7章 假設檢驗 100
7.1 典型分析步驟 100
7.1.1 數據篩選和離群值 100
7.1.2 正態性檢驗 101
7.1.3 轉換 104
7.2 假設概念、錯誤、p值和樣本量 104
7.2.1 一個例子 104
7.2.2 推廣和應用 105
7.2.3 p值的解釋 106
7.2.4 錯誤的類型 107
7.2.5 樣本量 108
7.3 靈敏度和特異度 110
7.4 受試者操作特征（ROC）曲線 113
第8章 數值型數據的均值檢驗 114
8.1 樣本均值的分布 114
8.1.1 單樣本均值的t檢驗 114
8.1.2 Wilcoxon符號秩和檢驗 116
8.2 兩組之間的比較 117
8.2.1 配對t檢驗 117
8.2.2 獨立組別之間的t檢驗 118
8.2.3 兩組之間的非參數比較：Mann-Whitney檢驗 118
8.2.4 統計學假設檢驗與統計學建模 118
8.3 多組比較 120
8.3.1 方差分析（ANOVA） 120
8.3.2 多重比較 123
8.3.3 Kruskal–Wallis檢驗 125
8.3.4 兩因素方差分析 126
8.3.5 三因素方差分析 126
8.4 總結：選擇正確的檢驗方法進行組間比較 127
8.4.1 典型的檢驗 127
8.4.2 假設的例子 128
8.5 練習 129
第9章 分類數據的檢驗 131
9.1 單個率 131
9.1.1 置信區間 131
9.1.2 解釋 132
9.1.3 例子 132
9.2 頻數表 133
9.2.1 單因素卡方檢驗 133
9.2.2 卡方列聯表檢驗 134
9.2.3 Fisher精確檢驗 136
9.2.4 McNemar檢驗 139
9.2.5 Cochrans Q檢驗 140
9.3 練習 141
第 10章 生存時間分析 144
10.1 生存分布 144
10.2 生存概率 145
10.2.1 刪失 145
10.2.2 Kaplan–Meier生存曲線 146
10.3 在兩組間比較生存曲線 148
第三部分 統計建模
第 11章 線性回歸模型 150
11.1 線性相關 150
11.1.1 相關系數 150
11.1.2 秩相關 151
11.2 一般線性回歸模型 152
11.2.1 例子1：簡單線性回歸 153
11.2.2 例子2：二次方擬合 153
11.2.3 決定系數 154
11.3 Patsy：公式的語言 155
11.4 用Python進行線性回歸分析 158
11.4.1 例子1：擬合帶置信區間的直線 158
11.4.2 例子2：嘈雜的二次多項式 159
11.5 線性回歸模型的結果 162
11.5.1 例子：英國的煙草和酒精 162
11.5.2 帶有截距的回歸的定義 165
11.5.3 R2值 165
11.5.4 調整后的R2值 165
11.5.5 模型的系數和它們的解釋 168
11.5.6 殘差分析 171
11.5.7 異常值 174
11.5.8 用Sklearn進行回歸 175
11.5.9 結論 176
11.6 線性回歸模型的假設 177
11.7 線性回歸模型結果的解釋 180
11.8 Bootstrapping 180
11.9 練習 181
第 12章 多元數據分析 182
12.1 可視化多元相關 182
12.1.1 散點圖矩陣 182
12.1.2 相關性矩陣 182
12.2 多重線性回歸 184
第 13章 離散數據的檢驗 185
13.1 等級資料的組間比較 185
13.2 Logistic回歸 186
13.3 廣義線性模型 188
13.3.1 指數族分布 189
13.3.2 線性預測器和連接函數 189
13.4 有序Logistic回歸 189
13.4.1 問題定義 189
13.4.2 優化 191
13.4.3 代碼 191
13.4.4 性能 191
第 14章 貝葉斯統計學 193
14.1 貝葉斯學派與頻率學派的解釋 193
14.2 計算機時代的貝葉斯方法 195
14.3 例子：用馬爾可夫鏈蒙特卡洛模擬分析挑戰者號災難 195
14.4 總結 198
參考答案 199
術語表 219
參考文獻 223 |
| 序： |
|
