P清華科技大講堂：ython數(shù)據(jù)分析實戰(zhàn)

定　價：￥39.00

作　者：	呂云翔，李伊琳，王肇一，張雅素
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302518389	出版時間：	2018-12-01	包裝：	平裝
開本：	16開	頁數(shù)：	184	字數(shù)：

內(nèi)容簡介

　　使用Python進行數(shù)據(jù)分析是十分便利且高效的，因此它被認為是優(yōu)秀的數(shù)據(jù)分析工具之一。本書從理論和實戰(zhàn)兩個角度對Python數(shù)據(jù)分析工具進行了介紹，并采用理論分析和Python實踐相結(jié)合的形式，按照數(shù)據(jù)分析的基本步驟對數(shù)據(jù)分析的理論知識以及相應的Python庫進行了詳細的介紹，讓讀者在了解數(shù)據(jù)分析的基本理論知識的同時能夠快速上手實現(xiàn)數(shù)據(jù)分析程序。本書適用于對數(shù)據(jù)分析有濃厚興趣但不知從何下手的初學者，在閱讀數(shù)據(jù)分析的基礎理論知識的同時可以通過Python實現(xiàn)簡單的數(shù)據(jù)分析程序，從而快速對數(shù)據(jù)分析的理論和實現(xiàn)兩個層次形成一定的認知。

作者簡介

暫缺《P清華科技大講堂：ython數(shù)據(jù)分析實戰(zhàn)》作者簡介

圖書目錄

第1章數(shù)據(jù)分析是什么
1.1海量數(shù)據(jù)背后蘊藏的知識
1.2數(shù)據(jù)分析與數(shù)據(jù)挖掘的關系
1.3機器學習與數(shù)據(jù)分析的關系
1.4數(shù)據(jù)分析的基本步驟
1.5Python和數(shù)據(jù)分析
第2章Python——從了解Python開始
2.1Python的發(fā)展史
2.2Python及Pandas、scikitlearn、Matplotlib的安裝
2.2.1Windows環(huán)境下Python的安裝
2.2.2Mac環(huán)境下Python的安裝
2.2.3Pandas、scikitlearn和Matplotlib的安裝
2.2.4使用科學計算發(fā)行版Python進行快速安裝
2.3Python基礎知識
2.3.1縮進很重要
2.3.2模塊化的系統(tǒng)
2.3.3注釋
2.3.4語法
2.4重要的Python庫
2.4.1Pandas
2.4.2scikitlearn
2.4.3Matplotlib
2.4.4其他
2.5Jupyter
第3章數(shù)據(jù)預處理——不了解數(shù)據(jù)一切都是空談
3.1了解數(shù)據(jù)
3.2數(shù)據(jù)質(zhì)量
3.2.1完整性
3.2.2一致性
3.2.3準確性
3.2.4及時性
3.3數(shù)據(jù)清洗
3.4特征工程
3.4.1特征選擇
3.4.2特征構(gòu)建
3.4.3特征提取
第4章NumPy——數(shù)據(jù)分析基礎工具
4.1多維數(shù)組對象ndarray
4.1.1ndarray的創(chuàng)建
4.1.2ndarray的數(shù)據(jù)類型
4.2ndarray的索引、切片和迭代
4.3ndarray的shape的操作
4.4ndarray的基礎操作
第5章Pandas——處理結(jié)構(gòu)化數(shù)據(jù)
5.1基本數(shù)據(jù)結(jié)構(gòu)
5.1.1Series
5.1.2DataFrame
5.2基于Pandas的Index對象的訪問操作
5.2.1Pandas的Index對象
5.2.2索引的不同訪問方式
5.3數(shù)學統(tǒng)計和計算工具
5.3.1統(tǒng)計函數(shù)：協(xié)方差、相關系數(shù)、排序
5.3.2窗口函數(shù)
5.4數(shù)學聚合和分組運算
5.4.1agg（）函數(shù)的聚合操作
5.4.2transform（）函數(shù)的轉(zhuǎn)換操作
5.4.3使用apply()函數(shù)實現(xiàn)一般的操作
第6章數(shù)據(jù)分析與知識發(fā)現(xiàn)——一些常用的方法
6.1分類分析
6.1.1邏輯回歸
6.1.2線性判別分析
6.1.3支持向量機
6.1.4決策樹
6.1.5K近鄰
6.1.6樸素貝葉斯
6.2關聯(lián)分析
6.2.1基本概念
6.2.2典型算法
6.3聚類分析
6.3.1K均值算法
6.3.2DBSCAN
6.4回歸分析
6.4.1線性回歸分析
6.4.2支持向量回歸
6.4.3K近鄰回歸
第7章scikitlearn——實現(xiàn)數(shù)據(jù)的分析
7.1分類方法
7.1.1Logistic回歸
7.1.2SVM
7.1.3Nearest neighbors
7.1.4Decision Tree
7.1.5隨機梯度下降
7.1.6高斯過程分類
7.1.7神經(jīng)網(wǎng)絡分類（多層感知器）
7.1.8樸素貝葉斯示例
7.2回歸方法
7.2.1最小二乘法
7.2.2嶺回歸
7.2.3Lasso
7.2.4貝葉斯嶺回歸
7.2.5決策樹回歸
7.2.6高斯過程回歸
7.2.7最近鄰回歸
7.3聚類方法
7.3.1Kmeans
7.3.2Affinity propagation
7.3.3Meanshift
7.3.4Spectral clustering
7.3.5Hierarchical clustering
7.3.6DBSCAN
7.3.7Birch
第8章Matplotlib——交互式圖表繪制
8.1基本布局對象
8.2圖表樣式的修改以及裝飾項接口
8.3基礎圖表的繪制
8.3.1直方圖
8.3.2散點圖
8.3.3餅圖
8.3.4柱狀圖
8.3.5折線圖
8.3.6表格
8.3.7不同坐標系下的圖像
8.4matplot3D
8.5Matplotlib與Jupyter結(jié)合
第9章實例：科比職業(yè)生涯進球分析
9.1預處理
9.2分析科比的命中率
9.3分析科比的投籃習慣
第10章實例：世界杯
10.1數(shù)據(jù)說明
10.2世界杯觀眾
10.3世界杯冠軍
10.4世界杯參賽隊伍與比賽
10.5世界杯進球
參考文獻