第1章　準備你的數據科學環境　1
　簡介　1
　理解數據科學管道　3
　處理流程　3
　工作原理　3
　在Windows、Mac OS X、Linux上安裝R　5
　準備工作　5
　處理流程　5
　工作原理　7
　參考資料　7
　在R和RStudio中安裝擴展包　7
　準備工作　8
　處理流程　8
　工作原理　9
　更多內容　10
　參考資料　10
　在Linux和Mac OS X上安裝Python　10
　準備工作　11
　處理流程　11
　工作原理　11
　更多內容　11
　參考資料　12
　在Windows上安裝Python　12
　處理流程　13
　工作原理　13
　參考資料　14
　在Mac OS X和Linux上安裝Python數據分析庫　14
　準備工作　14
　處理流程　14
　工作原理　15
　更多內容　16
　參考資料　16
　安裝更多Python包　17
　準備工作　17
　處理流程　17
　工作原理　18
　更多內容　18
　參考資料　18
　安裝和使用virtualenv　19
　準備工作　19
　處理流程　19
　工作原理　21
　更多內容　21
　參考資料　22
第2章　汽車數據的可視化分析（R）　23
　簡介　23
　獲取汽車燃料效率數據　24
　準備工作　24
　處理流程　25
　工作原理　25
　為了你的第一個項目準備好R　26
　準備工作　26
　處理流程　26
　工作原理　26
　參考資料　26
　將汽車燃料效率數據導入R　27
　準備工作　27
　處理流程　27
　工作原理　28
　更多內容　29
　參考資料　30
　探索和描述燃料效率數據　30
　準備工作　30
　處理流程　30
　工作原理　32
　更多內容　33
　進一步分析汽車燃料效率數據　34
　準備工作　34
　處理流程　34
　工作原理　43
　參考資料　44
　研究汽車的產量以及車型　44
　準備工作　44
　處理流程　44
　工作原理　46
　更多內容　47
　參考資料　47
第3章　模擬美式橄欖球比賽數據（R）　48
　簡介　48
　準備工作　49
　獲取和清洗美式橄欖球比賽數據　49
　準備工作　50
　處理流程　50
　工作原理　53
　參考資料　53
　分析和理解美式橄欖球比賽數據　53
　準備工作　53
　處理流程　53
　工作原理　61
　更多內容　61
　參考資料　62
　構建度量攻防能力的指標　62
　準備工作　62
　處理流程　62
　工作原理　64
　參考資料　65
　模擬單場由程序決定勝負的比賽　65
　準備工作　65
　處理流程　65
　工作原理　68
　模擬多場由計算決定勝負的比賽　68
　準備工作　68
　處理流程　69
　工作原理　73
　更多內容　74
第4章　建模分析股票市場數據（R）　75
　簡介　75
　準備工作　76
　獲取股票市場數據　76
　處理流程　77
　描述數據　78
　準備工作　79
　工作原理　80
　更多內容　81
　清洗和研究數據　82
　準備工作　82
　處理流程　82
　工作原理　87
　參考資料　87
　形成相對估值法　87
　準備工作　87
　處理流程　88
　工作原理　91
　分析歷史價格篩選股票　92
　準備工作　92
　處理流程　92
　工作原理　98
第5章　就業數據的可視化探索（R）　99
　簡介　99
　分析前的準備　100
　準備工作　101
　處理流程　101
　工作原理　102
　參考資料　102
　將就業數據導入R　103
　準備工作　103
　處理流程　103
　工作原理　104
　更多內容　104
　參考資料　105
　就業數據探究　105
　準備條件　105
　處理流程　105
　工作原理　107
　參考資料　107
　獲取和合并添加附加信息　107
　準備工作　107
　處理流程　108
　工作原理　109
　添加地理信息　110
　準備工作　110
　處理流程　110
　工作原理　113
　參考資料　114
　獲取州和縣級水平的薪資和就業信息　114
　準備工作　114
　處理流程　114
　工作原理　116
　參考資料　117
　可視化薪資的地理分布特性　117
　準備工作　118
　處理流程　118
　工作原理　120
　參考資料　121
　探究各行業工作的地理分布情況　121
　處理流程　122
　工作原理　123
　更多內容　124
　參考資料　124
　繪制地理空間的時間序列地圖　124
　準備工作　124
　處理流程　125
　工作原理　128
　更多內容　128
　函數性能測試和比較　128
　準備工作　129
　處理流程　129
　工作原理　131
　更多內容　132
　參考資料　132
第6章　運用稅務數據進行應用導向的數據分析（Python）　133
　簡介　133
　應用導向方法簡介　134
　準備高收入數據集的分析　135
　準備工作　135
　處理流程　135
　工作原理　136
　導入并熟悉世界各國高收入數據集　136
　準備工作　137
　處理流程　137
　工作原理　143
　更多內容　144
　參考資料　144
　分析并可視化美國的高收入數據集　144
　準備工作　144
　處理流程　145
　工作原理　151
　進一步分析美國的高收入階層　152
　準備工作　152
　處理流程　152
　工作原理　156
　用Jinja2匯報結果　157
　準備工作　157
　處理流程　157
　工作原理　162
　更多內容　162
　參考資料　163
第7章　運用汽車數據進行可視化分析（Python）　164
　簡介　164
　IPython入門　165
　準備工作　165
　處理流程　165
　工作原理　167
　參考資料　167
　熟悉IPython Notebook　167
　準備工作　168
　處理流程　168
　工作原理　170
　更多內容　170
　參考資料　171
　準備分析汽車油耗　171
　準備工作　171
　處理流程　171
　工作原理　173
　更多內容　173
　參考資料　174
　用Python熟悉并描述汽車油耗數據　174
　準備工作　174
　處理流程　174
　工作原理　177
　更多內容　177
　參考資料　177
　用Python分析汽車油耗隨時間變化趨勢　177
　準備工作　177
　處理流程　178
　工作原理　183
　更多內容　184
　參考資料　185
　用Python調查汽車的制造商和型號　185
　準備工作　185
　處理流程　185
　工作原理　189
　參考資料　189
第8章　社交網絡分析（Python）　190
　簡介　190
　理解圖和網絡　191
　準備用Python進行社交網絡的分析工作　192
　準備工作　192
　處理流程　193
　工作原理　193
　更多內容　193
　導入網絡　194
　準備工作　194
　處理流程　194
　工作原理　196
　探索英雄網絡的子圖　196
　準備工作　197
　處理流程　197
　工作原理　199
　更多內容　199
　找出強關聯　200
　準備工作　201
　處理流程　201
　工作原理　203
　更多內容　204
　找出關鍵人物　204
　準備工作　205
　處理流程　205
　工作原理　208
　更多內容　209
　調查全網的特征　215
　準備工作　216
　處理流程　216
　工作原理　217
　社交網絡中的聚類和發現社群　217
　準備工作　217
　處理流程　218
　工作原理　221
　更多內容　221
　可視化圖　222
　準備工作　222
　處理流程　222
　工作原理　224
第9章　大規模電影推薦（Python）　225
　簡介　226
　對偏好建模　227
　處理流程　227
　工作原理　228
　理解數據　229
　準備工作　229
　處理流程　229
　工作原理　231
　更多內容　231
　加載電影評分數據　231
　準備工作　231
　處理流程　232
　工作原理　234
　尋找高評分電影　235
　準備工作　236
　處理流程　236
　工作原理　237
　更多內容　238
　參考資料　238
　提升電影評分系統　238
　準備工作　238
　處理流程　238
　工作原理　239
　更多內容　240
　參考資料　240
　計算用戶在偏好空間中的距離　240
　準備工作　241
　處理流程　241
　工作原理　243
　更多內容　243
　參考資料　243
　計算用戶相關性　244
　準備工作　244
　處理流程　244
　工作原理　245
　更多內容　246
　為特定用戶尋找最好的影評人　246
　準備工作　246
　處理流程　246
　工作原理　247
　預測用戶評分　249
　準備工作　249
　處理流程　249
　工作原理　250
　基于物品的協同過濾　251
　準備工作　251
　處理流程　252
　工作原理　253
　建立非負矩陣分解模型　254
　處理流程　255
　工作原理　255
　參考資料　256
　將數據集載入內存　256
　準備工作　257
　處理流程　257
　工作原理　258
　更多內容　258
　導出SVD模型至硬盤　259
　處理流程　259
　工作原理　260
　訓練SVD模型　261
　處理流程　261
　工作原理　262
　更多內容　263
　測試SVD模型　264
　處理流程　264
　工作原理　264
　更多內容　264
第10章　獲取和定位Twitter數據（Python）　266
　簡介　266
　創建Twitter應用　267
　準備工作　268
　處理流程　268
　工作原理　271
　參考資料　271
　了解Twitter API v1.1　271
　準備工作　272
　處理流程　272
　工作原理　273
　更多內容　274
　參考資料　275
　獲取粉絲和朋友信息　275
　準備工作　275
　處理流程　275
　工作原理　277
　更多內容　277
　參考資料　278
　提取Twitter用戶檔案　278
　準備工作　278
　處理流程　278
　工作原理　279
　更多內容　279
　參考資料　280
　避免Twitter速度限制　280
　準備工作　280
　處理流程　280
　工作原理　281
　存儲JSON數據至硬盤　281
　準備工作　282
　處理流程　282
　工作原理　282
　安裝MongoDB　283
　準備工作　283
　處理流程　283
　工作原理　284
　更多內容　284
　參考資料　285
　利用PyMongo將用戶信息存入MongoDB　285
　準備工作　285
　處理流程　285
　工作原理　286
　探索用戶地理信息　287
　準備工作　287
　處理流程　287
　工作原理　289
　更多內容　290
　參考資料　290
　利用Python繪制地理分布圖　290
　準備工作　290
　處理流程　291
　工作原理　292
　更多內容　293
　參考資料　294
第11章　利用NumPy和SciPy優化數值計算（Python）　295
　簡介　295
　了解優化的步驟　297
　處理流程　297
　工作原理　297
　更多內容　298
　識別代碼中常見性能瓶頸　298
　處理流程　299
　工作原理　299
　通讀代碼　301
　準備工作　302
　處理流程　302
　工作原理　302
　參考資料　304
　利用Unix time函數剖析Python代碼　305
　準備工作　305
　處理流程　305
　工作原理　306
　參考資料　306
　利用Python內建函數剖析Python代碼　306
　準備工作　306
　處理流程　306
　工作原理　307
　參考資料　308
　利用IPython %timeit函數剖析Python代碼　308
　處理流程　308
　工作原理　309
　利用line_profiler剖析Python代碼　309
　準備工作　310
　處理流程　310
　工作原理　311
　更多內容　312
　參考資料　312
　摘取低處的（經過優化的）果實　312
　準備工作　312
　處理流程　312
　工作原理　314
　測試NumPy帶來的性能提升　315
　準備工作　315
　處理流程　315
　工作原理　316
　更多內容　317
　參考資料　317
　用NumPy重寫函數　317
　準備工作　317
　處理流程　318
　工作原理　320
　用NumPy優化最內層循環　322
　準備工作　322
　處理流程　322
　工作原理　324
　更多內容　325