定 價(jià)：59 元
叢書名：面向新工科高等院校大數(shù)據(jù)專業(yè)系列教材
- 作者：呂云翔姚澤良李伊琳等編著
- 出版時(shí)間：2022/4/1
- ISBN：9787111701187
- 出 版 社：機(jī)械工業(yè)出版社
- 中圖法分類：TP311.561
- 頁碼：
- 紙張：膠版紙
- 版次：
- 開本：16開
《Python數(shù)據(jù)分析與可視化》介紹了數(shù)據(jù)分析的各主要流程，并引入了6個(gè)完整的數(shù)據(jù)分析案例�！禤ython數(shù)據(jù)分析與可視化》從理論和案例兩個(gè)角度對數(shù)據(jù)分析與可視化以及Python的工具進(jìn)行了介紹，采用理論分析和編程實(shí)踐相結(jié)合的形式，按照數(shù)據(jù)分析的基本步驟介紹了數(shù)據(jù)分析的理論知識，并對相應(yīng)的Python庫進(jìn)行了詳細(xì)介紹，讓讀者在了解數(shù)據(jù)分析的基本理論知識的同時(shí)能夠快速上手實(shí)現(xiàn)數(shù)據(jù)分析的程序。
《Python數(shù)據(jù)分析與可視化》適合Python語言初學(xué)者、數(shù)據(jù)分析從業(yè)人士以及高等院校計(jì)算機(jī)、軟件工程、大數(shù)據(jù)、人工智能等相關(guān)專業(yè)的師生使用。
1）信息技術(shù)新工科產(chǎn)學(xué)研聯(lián)盟數(shù)據(jù)科學(xué)與大數(shù)據(jù)工作委員會推薦教材。
2）按照數(shù)據(jù)預(yù)處理、分析與知識發(fā)現(xiàn)、可視化三個(gè)步驟，講解數(shù)據(jù)分析涉及的理論。
3）引入了6個(gè)完整的數(shù)據(jù)分析案例，從理論和案例兩個(gè)角度，介紹數(shù)據(jù)分析與可視化和Python的工具。
4）隨書配備電子課件、習(xí)題答案、教學(xué)大綱、代碼和數(shù)據(jù)集、案例視頻講解等教學(xué)資源。
本書是面向初學(xué)者的數(shù)據(jù)分析與可視化的入門教程。按照數(shù)據(jù)分析的數(shù)據(jù)預(yù)處理、分析與知識發(fā)現(xiàn)和可視化3個(gè)主要步驟，逐步對數(shù)據(jù)分析涉及的理論進(jìn)行講解，并對實(shí)現(xiàn)這些步驟所用到的Python庫進(jìn)行了詳細(xì)的介紹。通過理論與實(shí)踐相結(jié)合的講解方式，讀者能夠在了解數(shù)據(jù)分析基礎(chǔ)知識的同時(shí)快速上手實(shí)現(xiàn)一些簡單的數(shù)據(jù)分析程序。
全書分14章，通過閱讀第1~8章的內(nèi)容，讀者可以對數(shù)據(jù)分析的各主要流程具有一定的認(rèn)識，但這些知識可能還未能形成一個(gè)完整的體系。因此在第9~14章引入了6個(gè)完整的數(shù)據(jù)分析案例，以幫助讀者建立知識點(diǎn)之間的聯(lián)系，形成對數(shù)據(jù)分析整個(gè)知識體系的清晰認(rèn)知。建議讀者在閱讀實(shí)戰(zhàn)章節(jié)時(shí)，可以跟隨介紹自己動手嘗試一下，一定會發(fā)現(xiàn)數(shù)據(jù)分析的魅力所在。
作為一本數(shù)據(jù)分析的入門書籍，本書著重對基礎(chǔ)知識的介紹，因此對前沿的內(nèi)容涉及不多，這些內(nèi)容留待讀者在更進(jìn)一步的學(xué)習(xí)中深入探索。對于Python語言的知識，本書僅對與數(shù)據(jù)分析和可視化相關(guān)的庫進(jìn)行了介紹，如果讀者對Python語言本身感興趣，還可以參考Python語言工具書及官方文檔等詳細(xì)了解Python的語法和底層原理等。另外，本書所有數(shù)據(jù)分析的程序?qū)崿F(xiàn)均是在單機(jī)的情況下進(jìn)行的，并沒有對如何使用Python進(jìn)行分布式數(shù)據(jù)分析的介紹，感興趣的讀者可以去了解一下Python分布式數(shù)據(jù)分析的相關(guān)庫，如Pyspark等。
本書的作者為呂云翔、姚澤良、李伊琳、王肇一、許麗華、韓延剛、謝謹(jǐn)蔓、洪振東、姜嶠、孔子喬，曾洪立參與了部分內(nèi)容的編寫并進(jìn)行了素材整理及配套資源制作等。
由于編者水平和能力有限，書中難免有疏漏之處，懇請廣大讀者給予批評指正，也希望各位能將實(shí)踐過程中的經(jīng)驗(yàn)和心得與我們交流。
前言
第1章數(shù)據(jù)分析是什么
1.1海量數(shù)據(jù)蘊(yùn)藏的知識
1.2數(shù)據(jù)分析與數(shù)據(jù)挖掘的關(guān)系
1.3機(jī)器學(xué)習(xí)概述
1.4機(jī)器學(xué)習(xí)與數(shù)據(jù)分析的關(guān)系
1.5數(shù)據(jù)分析的基本步驟
1.6Python和數(shù)據(jù)分析
習(xí)題
第2章Python語言基礎(chǔ)
2.1Python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
2.2.2Ubuntu和Mac環(huán)境下
Python的安裝
2.2.3集成開發(fā)環(huán)境
2.2.4使用pip安裝Pandas、
scikit-learn和Matplotlib
2.2.5使用第三方科學(xué)計(jì)算發(fā)行版
Python進(jìn)行快速安裝
2.3Pycharm
2.4Python基礎(chǔ)知識
2.4.1Python編碼規(guī)范
2.4.2模塊化的系統(tǒng)
2.5Python基礎(chǔ)語法
2.5.1數(shù)據(jù)類型
2.5.2基本計(jì)算
2.5.3控制語句
2.6重要的Python庫
2.6.1Pandas
2.6.2scikit-learn
2.6.3Matplotlib
2.6.4其他
2.7Jupyter
習(xí)題
第3章數(shù)據(jù)預(yù)處理
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(zhǔn)確性
3.2.4及時(shí)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
習(xí)題
第4章NumPy數(shù)據(jù)分析基礎(chǔ)
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操作
4.4ndarray的基礎(chǔ)操作
4.5習(xí)題
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(xué)統(tǒng)計(jì)和計(jì)算工具
5.3.1統(tǒng)計(jì)函數(shù)：協(xié)方差、相關(guān)
系數(shù)、排序
5.3.2窗口函數(shù)
5.4數(shù)學(xué)聚合和分組運(yùn)算
5.4.1agg函數(shù)的聚合操作
5.4.2transform函數(shù)的轉(zhuǎn)換
操作
5.4.3apply函數(shù)實(shí)現(xiàn)一般的
操作
習(xí)題
第6章數(shù)據(jù)分析與知識發(fā)現(xiàn)的一些
常用方法
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(jī)
6.1.4決策樹
6.1.5K鄰近
6.1.6樸素貝葉斯
6.2關(guān)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算法
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鄰近回歸
習(xí)題
第7章Pandas與scikit-learn實(shí)
現(xiàn)數(shù)據(jù)的分析
7.1分類方法
7.1.1Logistic回歸
7.1.2支持向量機(jī)
7.1.3近鄰算法
7.1.4決策樹
7.1.5隨機(jī)梯度下降
7.1.6高斯過程分類
7.1.7神經(jīng)網(wǎng)絡(luò)分類（多層感
知器）
7.1.8樸素貝葉斯
7.2回歸方法
7.2.1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近鄰回歸
7.3聚類方法
7.3.1K-means算法
7.3.2AffinityPropagation算法
7.3.3Mean-shift算法
7.3.4SpectralClustering算法
7.3.5HierarchicalClustering
算法
7.3.6DBSCAN算法
7.3.7Birch算法
習(xí)題
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(xiàng)
接口
8.3基礎(chǔ)圖表繪制
8.3.1直方圖
8.3.2散點(diǎn)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(biāo)系下的圖像
8.4matplot3D
8.5Matplotlib與Jupyter結(jié)合
習(xí)題
第9章案例：新生信息分析與
可視化
9.1使用Pandas對數(shù)據(jù)預(yù)
處理
9.2使用Matplotlib庫畫圖
9.3使用Pandas進(jìn)行繪圖
第10章案例：用戶流失預(yù)警
10.1讀入數(shù)據(jù)
10.2數(shù)據(jù)預(yù)處理
10.3五折交叉驗(yàn)證
10.4引入3種模型
10.5調(diào)整prob閾值輸出精確
評估
第11章案例：美國加利福尼亞房價(jià)
預(yù)測的數(shù)據(jù)分析
11.1數(shù)據(jù)分析常用的Python
工具庫
11.1.1Pandas
11.1.2NumPy
11.1.3Matplotlib
11.1.4Sklearn
11.2數(shù)據(jù)的讀入和初步分析
11.2.1數(shù)據(jù)讀入
11.2.2分割測試集與訓(xùn)練集
11.2.3數(shù)據(jù)的初步分析
11.3數(shù)據(jù)的預(yù)處理
11.3.1拆分?jǐn)?shù)據(jù)
11.3.2空白值的填充
11.3.3數(shù)據(jù)的標(biāo)準(zhǔn)化
11.3.4數(shù)據(jù)的流程化處理
11.4模型的構(gòu)建
11.4.1查看不同模型的表現(xiàn)
11.4.2選擇效果好的模型進(jìn)行
預(yù)測
第12章案例：基于上下文感知的
多模態(tài)交通推薦
12.1題目理解
12.1.1題目背景
12.1.2數(shù)據(jù)說明
12.1.3評測指標(biāo)
12.1.4輸出格式
12.2解決方案
12.2.1工具包導(dǎo)入
12.2.2特征工程
第13章案例：機(jī)器人路徑走
迷宮
13.1關(guān)鍵技術(shù)
13.1.1馬爾科夫決策過程
13.1.2Bellman方程
13.2程序設(shè)計(jì)步驟
13.2.1初始化迷宮地圖
13.2.2計(jì)算不同位置
路徑
第14章案例：基于Python Elasticsearch
實(shí)現(xiàn)搜索附近小區(qū)房價(jià)
14.1程序設(shè)計(jì)
14.2準(zhǔn)備數(shù)據(jù)
14.3安裝以及使用
Elasticsearch
14.4實(shí)現(xiàn)附近房價(jià)搜索
的搜索引擎
參考文獻(xiàn)
書單推薦
