|
-- 會員 / 註冊 --
|
|
|
|
Python數據分析與可視化 ( 簡體 字) |
作者:呂云翔 李伊琳 | 類別:1. -> 程式設計 -> Python 2. -> 程式設計 -> Tableau |
譯者: |
出版社:人民郵電出版社 | 3dWoo書號: 54189 詢問書籍請說出此書號!【缺書】 NT售價: 250 元 |
出版日:2/1/2021 |
頁數:199 |
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:9787115544346 |
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:使用Python進行數據分析與可視化是十分便利且高效的,因此Python被認為是最優秀的數據分析工具之一。本書從理論和實戰兩個角度對數據分析與可視化和Python工具進行了介紹。本書采用理論分析和Python編程實戰相結合的形式,按照數據分析與可視化的基本步驟,數據分析與可視化的基本理論知識和相應的Python庫進行了詳細的介紹,讓讀者能夠在了解基本理論知識的同時快速上手實現數據分析與可視化的程序。 本書適合Python初學者、數據分析從業人員以及高等院校計算機科學、軟件工程、大數據、人工智能等相關專業的師生閱讀。 |
目錄:第1章 數據分析是什么 1 1.1 數據分析與數據挖掘的關系 1 1.2 機器學習與數據分析的關系 1 1.3 數據分析的基本步驟 2 1.4 Python和數據分析 2 1.5 本章小結 3 第2章 Python——從了解Python開始 4 2.1 Python及pandas、scikit-learn、Matplotlib的安裝 4 2.1.1 Windows操作系統下Python的安裝 4 2.1.2 macOS下Python的安裝 5 2.1.3 pandas、scikit-learn和Matplotlib的安裝 5 2.1.4 使用科學計算發行版Python進行快速安裝 5 2.2 Python基礎知識 6 2.2.1 縮進 6 2.2.2 模塊化的系統 7 2.2.3 注釋 7 2.2.4 語法 7 2.3 重要的Python庫 7 2.3.1 pandas 7 2.3.2 scikit-learn 8 2.3.3 Matplotlib 8 2.3.4 其他 8 2.4 Jupyter 9 2.5 本章小結 9 第3章 數據預處理——不了解數據,一切都是空談 10 3.1 了解數據 10 3.2 數據質量 12 3.2.1 完整性 12 3.2.2 一致性 13 3.2.3 準確性 14 3.2.4 及時性 14 3.3 數據清洗 14 3.4 特征工程 16 3.4.1 特征選擇 16 3.4.2 特征構建 16 3.4.3 特征提取 17 3.5 本章小結 17 第4章 NumPy——數據分析基礎工具 18 4.1 多維數組對象:ndarray對象 18 4.1.1 ndarray對象的創建 19 4.1.2 ndarray對象的數據類型 21 4.2 ndarray對象的索引、切片和迭代 21 4.3 ndarray對象的shape操作 23 4.4 ndarray對象的基礎操作 23 4.5 本章小結 25 第5章 pandas——處理結構化數據 26 5.1 基本數據結構 26 5.1.1 Series 26 5.1.2 DataFrame 28 5.2 基于pandas的Index對象的訪問操作 32 5.2.1 pandas的Index對象 33 5.2.2 索引的不同訪問方式 35 5.3 數學統計和計算工具 38 5.3.1 統計函數:協方差、相關系數、排序 38 5.3.2 窗口函數 40 5.4 數學聚合和分組運算 45 5.4.1 agg函數的聚合操作 47 5.4.2 transform函數的轉換操作 48 5.4.3 apply函數的一般操作 49 5.5 本章小結 49 第6章 數據分析與知識發現——一些常用的方法 50 6.1 分類分析 50 6.1.1 邏輯回歸 51 6.1.2 線性判別分析 51 6.1.3 支持向量機 51 6.1.4 決策樹 52 6.1.5 k近鄰 53 6.1.6 樸素貝葉斯 54 6.2 關聯分析 54 6.2.1 基本概念 54 6.2.2 經典算法 55 6.3 聚類分析 60 6.3.1 k均值算法 60 6.3.2 DBSCAN 61 6.4 回歸分析 62 6.4.1 線性回歸分析 63 6.4.2 支持向量回歸 63 6.4.3 k近鄰回歸 63 6.5 本章小結 64 第7章 scikit-learn——實現數據的分析 65 7.1 分類方法 65 7.1.1 邏輯回歸 65 7.1.2 支持向量機 66 7.1.3 最近鄰 67 7.1.4 決策樹 68 7.1.5 隨機梯度下降 68 7.1.6 高斯過程分類 69 7.1.7 多層感知器 69 7.1.8 樸素貝葉斯 70 7.2 回歸方法 71 7.2.1 最小二乘法 71 7.2.2 嶺回歸 71 7.2.3 Lasso回歸 72 7.2.4 貝葉斯嶺回歸 72 7.2.5 決策樹回歸 73 7.2.6 高斯過程回歸 73 7.2.7 最近鄰回歸 74 7.3 聚類方法 75 7.3.1 k均值 75 7.3.2 相似性傳播 76 7.3.3 均值漂移 76 7.3.4 譜聚類 77 7.3.5 層次聚類 77 7.3.6 DBSCAN 78 7.3.7 BIRCH 79 7.4 本章小結 80 第8章 Matplotlib——交互式圖表繪制 81 8.1 基本布局對象 81 8.2 圖表樣式的修改以及圖表裝飾項接口 84 8.3 基礎圖表繪制 88 8.3.1 直方圖 88 8.3.2 散點圖 89 8.3.3 餅圖 91 8.3.4 柱狀圖 92 8.3.5 折線圖 95 8.3.6 表格 96 8.3.7 不同坐標系下的圖像 97 8.4 matplot3D 98 8.5 Matplotlib與Jupyter結合 99 8.6 本章小結 101 第9章 實戰:影評數據分析與電影推薦 102 9.1 明確目標與數據準備 102 9.1.1 明確目標 102 9.1.2 數據采集與處理 102 9.1.3 工具選擇 103 9.2 初步分析 104 9.2.1 用戶角度分析 104 9.2.2 電影角度分析 107 9.3 電影推薦 110 9.4 本章小結 111 第10章 實戰:汽車貸款違約的數據分析 112 10.1 數據分析常用的Python庫 112 10.2 數據樣本分析 113 10.2.1 初步分析樣本的所有變量 113 10.2.2 變量類型分析 114 10.2.3 Python代碼實踐 115 10.3 數據分析的預處理 116 10.3.1 目標變量探索 116 10.3.2 X變量初步探索 117 10.3.3 連續變量的缺失值處理 118 10.3.4 分類變量的缺失值處理 120 10.4 數據分析的模型建立與模型評估 122 10.4.1 數據預處理與訓練集劃分 122 10.4.2 采用回歸模型進行數據分析 123 10.4.3 采用決策樹模型進行數據分析 125 10.4.4 采用隨機森林模型優化決策樹模型 127 10.5 本章小結 128 第11章 實戰:Python表格數據分析 129 11.1 背景介紹 129 11.2 前期準備與基本操作 130 11.2.1 基本術語概念說明 130 11.2.2 安裝openpyxl并創建一個工作簿 130 11.2.3 從Excel工作簿中讀取數據 131 11.2.4 迭代訪問數據 133 11.2.5 修改與插入數據 135 11.3 進階內容 137 11.3.1 為Excel工作簿添加公式 137 11.3.2 為Excel工作簿添加條件格式 139 11.3.3 為Excel工作簿添加圖表 142 11.4 數據分析實例 145 11.4.1 背景與前期準備 145 11.4.2 使用openpyxl讀取數據并將其轉化為Dataframe對象 145 11.4.3 繪制數值列直方圖 146 11.4.4 繪制相關性矩陣 147 11.4.5 繪制散布矩陣 149 11.4.6 將可視化結果插入Excel工作簿中 150 11.5 本章小結 151 第12章 實戰:利用手機的購物評論分析手機特征 152 12.1 項目介紹 152 12.2 從Kaggle上下載數據 152 12.3 篩選想要的數據 156 12.4 分析數據 159 12.4.1 算法介紹 159 12.4.2 算法應用 160 12.5 本章小結 171 第13章 實戰:基于k近鄰模型預測葡萄酒種類的數據分析與可視化 172 13.1 機器學習的模型和數據 172 13.2 k近鄰模型的介紹與初步建立 173 13.2.1 k近鄰模型的初步建立 173 13.2.2 使用專業庫建立k近鄰模型 178 13.2.3 使用scikit-learn 182 13.3 數據可視化 183 13.4 本章小結 185 第14章 實戰:美國波士頓房價預測 186 14.1 數據清洗 187 14.2 數據分析 195 14.3 分析結果 199 14.4 本章小結 199 |
序: |
|