第一章 數(shù)據(jù)分析方法 11.1 什么是數(shù)據(jù)分析2 1.2 數(shù)據(jù)分析標(biāo)準(zhǔn)流程2 1.3 數(shù)據(jù)清洗7 1.4 數(shù)據(jù)探索8 1.5 模型開發(fā)10 1.6 模型應(yīng)用11 第二章 初識Python12 2.1 Python基本概述13 2.2 Python編程語法基礎(chǔ)14 2.3 數(shù)據(jù)分析常用Python庫22 2.4 第三方Python庫介紹23 第三章 NumPy數(shù)組與矩陣25 3.1 Ndarray對象26 3.2 數(shù)據(jù)類型27 3.3 數(shù)組屬性28 3.4 創(chuàng)建數(shù)組30 3.5 數(shù)據(jù)索引與切片34 3.6 數(shù)組操作37 3.7 數(shù)組排序51 3.8 函數(shù)54 3.9 矩陣62 第四章 Pandas數(shù)據(jù)分析65 4.1 系列（Series）66 4.2 數(shù)據(jù)幀（DataFrame）68 4.3 基本功能介紹70 4.4 讀取和寫入數(shù)據(jù)78 4.5 索引和選擇數(shù)據(jù)84 4.6 數(shù)據(jù)合并87 4.7 累計(jì)與分組91 4.8 時間序列處理96 4.9 缺失數(shù)據(jù)處理101 4.10 函數(shù)107 4.11 描述性統(tǒng)計(jì)115 4.12 繪制圖形118 第五章 Scikit-Learn數(shù)據(jù)挖掘126 5.1 機(jī)器學(xué)習(xí)問題127 5.2 機(jī)器學(xué)習(xí)的基本流程127 5.3 數(shù)據(jù)處理128 5.4 特征選擇131 5.5 模型調(diào)用135 5.6 模型參數(shù)說明138 5.7 交叉驗(yàn)證148 5.8 模型部署151 第六章 數(shù)據(jù)可視化153 6.1 Matplotlib繪制圖形154 6.2 Seaborn繪制圖形163 6.3 重要類型圖形的繪制184 第七章 數(shù)據(jù)導(dǎo)入與導(dǎo)出192 7.1 連接數(shù)據(jù)庫193 7.2 讀取外部數(shù)據(jù)194 7.3 導(dǎo)出數(shù)據(jù)201 第八章 數(shù)據(jù)預(yù)處理203 8.1 數(shù)據(jù)去重204 8.2 缺失值處理205 8.3 變量操作210 8.4 樣本選擇217 8.5 數(shù)據(jù)集操作220 第九章 數(shù)據(jù)探索226 9.1 集中趨勢227 9.2 離散程度230 9.3 分布狀態(tài)234 9.4 相關(guān)分析236 第十章 線性回歸分析241 10.1 線性回歸模型242 10.2 最小二乘估計(jì)243 10.3 顯著性檢驗(yàn)244 10.4 預(yù)測245 10.5 相關(guān)性246 10.6 共線性247 10.7 案例分析——波士頓地區(qū)房價預(yù)測247 第十一章 Logistic回歸分析260 11.1 邏輯回歸模型介紹261 11.2 案例分析——泰坦尼克生存預(yù)測262 第十二章 決策樹275 12.1 決策樹介紹276 12.2 案例分析——金融產(chǎn)品推薦277 第十三章 主成分分析292 13.1 主成分分析的數(shù)學(xué)模型293 13.2 PCA函數(shù)說明294 13.3 案例分析——數(shù)據(jù)降維295 第十四章 聚類分析304 14.1 距離305 14.2 聚類方法306 14.3 確定聚類數(shù)309 14.4 聚類的分析步驟311 14.5 案例分析——客戶群聚類分析312 第十五章 時間序列分析323 15.1 時間序列的組成部分324 15.2 確定性的時間序列模型325 15.3 隨機(jī)時間序列模型325 15.4 ARMA模型的識別327 15.5 時間序列的分析步驟329 15.6 模型參數(shù)的估計(jì)329 15.7 案例分析——大氣二氧化碳濃度預(yù)測331