利用Python進(jìn)行數(shù)據(jù)分析（原書第2版）

前言1
第1章 準(zhǔn)備工作7
1.1 本書內(nèi)容7
1.1.1 什么類型的數(shù)據(jù)7
1.2 為何利用Python進(jìn)行數(shù)據(jù)分析8
1.2.1 Python作為膠水8
1.2.2 解決“雙語(yǔ)言”難題8
1.2.3 為何不使用Python9
1.3 重要的Python庫(kù)9
1.3.1 NumPy9
1.3.2 pandas10
1.3.3 matplotlib11
1.3.4 IPython與Jupyter11
1.3.5 SciPy12
1.3.6 scikit-learn12
1.3.7 statsmodels13
1.4 安裝與設(shè)置13
1.4.1 Windows14
1.4.2 Apple（OS X和macOS）14
1.4.3 GNU/Linux14
1.4.4 安裝及更新Python包15
1.4.5 Python 2和Python 316
1.4.6 集成開發(fā)環(huán)境和文本編輯器16
1.5 社區(qū)和會(huì)議17
1.6 快速瀏覽本書17
1.6.1 代碼示例18
1.6.2 示例數(shù)據(jù)18
1.6.3導(dǎo)入約定18
1.6.4術(shù)語(yǔ)19
第2章 Python語(yǔ)言基礎(chǔ)、IPython及Jupyter notebook20
2.1 Python解釋器21
2.2 IPython基礎(chǔ)22
2.2.1 運(yùn)行IPython命令行22
2.2.2 運(yùn)行 Jupyter notebook23
2.2.3 Tab補(bǔ)全25
2.2.4 內(nèi)省27
2.2.5 %run命令28
2.2.6 執(zhí)行剪貼板中的程序30
2.2.7 終端快捷鍵30
2.2.8 關(guān)于魔術(shù)命令31
2.2.9　matplotlib集成33
2.3 Python語(yǔ)言基礎(chǔ)34
2.3.1 語(yǔ)言語(yǔ)義34
2.3.2 標(biāo)量類型42
2.3.3 控制流49
第3章 內(nèi)建數(shù)據(jù)結(jié)構(gòu)、函數(shù)及文件54
3.1 數(shù)據(jù)結(jié)構(gòu)和序列54
3.1.1 元組54
3.1.2 列表57
3.1.3 內(nèi)建序列函數(shù)61
3.1.4 字典64
3.1.5集合67
3.1.6 列表、集合和字典的推導(dǎo)式69
3.2 函數(shù)72
3.2.1 命名空間、作用域和本地函數(shù)72
3.2.2 返回多個(gè)值73
3.2.3 函數(shù)是對(duì)象74
3.2.4 匿名（Lambda）函數(shù)75
3.2.5 柯里化：部分參數(shù)應(yīng)用76
3.2.6 生成器77
3.2.7 錯(cuò)誤和異常處理79
3.3 文件與操作系統(tǒng)82
3.3.1 字節(jié)與Unicode文件85
3.4 本章小結(jié)86
第4章 NumPy基礎(chǔ)：數(shù)組與向量化計(jì)算87
4.1 NumPy ndarray：多維數(shù)組對(duì)象89
4.1.1 生成ndarray90
4.1.2 ndarray的數(shù)據(jù)類型92
4.1.3 NumPy數(shù)組算術(shù)94
4.1.4 基礎(chǔ)索引與切片95
4.1.5 布爾索引100
4.1.6 神奇索引103
4.1.7 數(shù)組轉(zhuǎn)置和換軸104
4.2 通用函數(shù)：快速的逐元素?cái)?shù)組函數(shù)106
4.3 使用數(shù)組進(jìn)行面向數(shù)組編程109
4.3.1 將條件邏輯作為數(shù)組操作110
4.3.2 數(shù)學(xué)和統(tǒng)計(jì)方法111
4.3.3 布爾值數(shù)組的方法113
4.3.4 排序114
4.3.5 唯一值與其他集合邏輯115
4.4 使用數(shù)組進(jìn)行文件輸入和輸出115
4.5 線性代數(shù)116
4.6 偽隨機(jī)數(shù)生成118
4.7 示例：隨機(jī)漫步120
4.7.1 一次性模擬多次隨機(jī)漫步121
4.8 本章小結(jié)122
第5章 pandas入門123
5.1 pandas數(shù)據(jù)結(jié)構(gòu)介紹123
5.1.1 Series123
5.1.2 DataFrame128
5.1.3 索引對(duì)象134
5.2 基本功能135
......