Python統(tǒng)計分析：Python

第 一部分　Python和統(tǒng)計學
第 1章　為什么學習統(tǒng)計學　2
第 2章　Python　4
2．1　開始　4
2．1．1　慣例　4
2．1．2　發(fā)行版和包　5
2．1．3　安裝Python　7
2．1．4　安裝R和rpy2　8
2．1．5　個性化IPython/Jupyter　9
2．1．6　Python資源　12
2．1．7　第 一個Python程序　13
2．2　Python數(shù)據(jù)結構　14
2．2．1　Python數(shù)據(jù)類型　14
2．2．2　索引和切片　16
2．2．3　向量和數(shù)組　17
2．3　IPython/Jupyter：一個交互式的Python編程環(huán)境　18
2．3．1　Qt控制臺的第 一個會話　19
2．3．2　Notebook和rpy2　21
2．3．3　IPython小貼士　23
2．4　開發(fā)Python程序　24
2．4．1　將交互式命令轉化為一個Python程序　24
2．4．2　函數(shù)、模塊和包　26
2．4．3　Python小貼士　30
2．4．4　代碼版本控制　31
2．5　Pandas：用于統(tǒng)計學的數(shù)據(jù)結構　31
2．5．1　數(shù)據(jù)處理　31
2．5．2　分組（Grouping）　33
2．6　Statsmodels：統(tǒng)計建模的工具　34
2．7　Seaborn：數(shù)據(jù)可視化　35
2．8　一般慣例　36
2．9　練習　36
第3章　數(shù)據(jù)輸入　38
3．1　從文本文件中輸入　38
3．1．1　目視檢查　38
3．1．2　讀入ASCII數(shù)據(jù)到Python中　38
3．2　從MS Excel中導入　42
3．3　從其他格式導入數(shù)據(jù)　43
第4章　統(tǒng)計數(shù)據(jù)的展示　45
4．1　數(shù)據(jù)類型　45
4．1．1　分類數(shù)據(jù)　45
4．1．2　數(shù)值型　46
4．2　在Python中作圖　46
4．2．1　函數(shù)式和面向對象式的繪圖方法　47
4．2．2　交互式繪圖　48
4．3　展示統(tǒng)計學數(shù)據(jù)集　52
4．3．1　單變量數(shù)據(jù)　53
4．3．2　二元變量和多元變量繪圖　59
4．4　練習　61
第二部分　分布和假設檢驗
第5章　背景　63
5．1　總體和樣本　63
5．2　概率分布　64
5．2．1　離散分布　64
5．2．2　連續(xù)分布　65
5．2．3　期望值和方差　65
5．3　自由度　66
5．4　研究設計　66
5．4．1　術語　67
5．4．2　概述　67
5．4．3　研究類型　68
5．4．4　實驗設計　69
5．4．5　個人建議　72
5．4．6　臨床研究計劃　73
第6章　單變量的分布　74
6．1　分布的特征描述　74
6．1．1　分布中心　74
6．1．2　量化變異度　76
6．1．3　分布形狀的參數(shù)描述　79
6．1．4　概率密度的重要展示　81
6．2　離散分布　82
6．2．1　伯努利分布　82
6．2．2　二項分布　83
6．2．3　泊松分布　85
6．3　正態(tài)分布　86
6．3．1　正態(tài)分布的例子　88
6．3．2　中心極限定理　88
6．3．3　分布和假設檢驗　89
6．4　來自正態(tài)分布的連續(xù)型分布　90
6．4．1　t分布　90
6．4．2　卡方分布　92
6．4．3　F分布　94
6．5　其他連續(xù)型分布　95
6．5．1　對數(shù)正態(tài)分布　96
6．5．2　韋伯分布　96
6．5．3　指數(shù)分布　97
6．5．4　均勻分布　98
6．6　練習　98
第7章　假設檢驗　100
7．1　典型分析步驟　100
7．1．1　數(shù)據(jù)篩選和離群值　100
7．1．2　正態(tài)性檢驗　101
7．1．3　轉換　104
7．2　假設概念、錯誤、p值和樣本量　104
7．2．1　一個例子　104
7．2．2　推廣和應用　105
7．2．3　p值的解釋　106
7．2．4　錯誤的類型　107
7．2．5　樣本量　108
7．3　靈敏度和特異度　110
7．4　受試者操作特征（ROC）曲線　113
第8章　數(shù)值型數(shù)據(jù)的均值檢驗　114
8．1　樣本均值的分布　114
8．1．1　單樣本均值的t檢驗　114
8．1．2　Wilcoxon符號秩和檢驗　116
8．2　兩組之間的比較　117
8．2．1　配對t檢驗　117
8．2．2　獨立組別之間的t檢驗　118
8．2．3　兩組之間的非參數(shù)比較：Mann-Whitney檢驗　118
8．2．4　統(tǒng)計學假設檢驗與統(tǒng)計學建?！?18
8．3　多組比較　120
8．3．1　方差分析（ANOVA）　120
8．3．2　多重比較　123
8．3．3　Kruskal–Wallis檢驗　125
8．3．4　兩因素方差分析　126
8．3．5　三因素方差分析　126
8．4　總結：選擇正確的檢驗方法進行組間比較　127
8．4．1　典型的檢驗　127
8．4．2　假設的例子　128
8．5　練習　129
第9章　分類數(shù)據(jù)的檢驗　131
9．1　單個率　131
9．1．1　置信區(qū)間　131
9．1．2　解釋　132
9．1．3　例子　132
9．2　頻數(shù)表　133
9．2．1　單因素卡方檢驗　133
9．2．2　卡方列聯(lián)表檢驗　134
9．2．3　Fisher精確檢驗　136
9．2．4　McNemar檢驗　139
9．2．5　Cochran's Q檢驗　140
9．3　練習　141
第 10章　生存時間分析　144
10．1　生存分布　144
10．2　生存概率　145
10．2．1　刪失　145
10．2．2　Kaplan–Meier生存曲線　146
10．3　在兩組間比較生存曲線　148
第三部分　統(tǒng)計建模
第 11章　線性回歸模型　150
11．1　線性相關　150
11．1．1　相關系數(shù)　150
11．1．2　秩相關　151
11．2　一般線性回歸模型　152
11．2．1　例子1：簡單線性回歸　153
11．2．2　例子2：二次方擬合　153
11．2．3　決定系數(shù)　154
11．3　Patsy：公式的語言　155
11．4　用Python進行線性回歸分析　158
11．4．1　例子1：擬合帶置信區(qū)間的直線　158
11．4．2　例子2：嘈雜的二次多項式　159
11．5　線性回歸模型的結果　162
11．5．1　例子：英國的煙草和酒精　162
11．5．2　帶有截距的回歸的定義　165
11．5．3　R2值　165
11．5．4　調整后的R2值　165
11．5．5　模型的系數(shù)和它們的解釋　168
11．5．6　殘差分析　171
11．5．7　異常值　174
11．5．8　用Sklearn進行回歸　175
11．5．9　結論　176
11．6　線性回歸模型的假設　177
11．7　線性回歸模型結果的解釋　180
11．8　Bootstrapping　180
11．9　練習　181
第 12章　多元數(shù)據(jù)分析　182
12．1　可視化多元相關　182
12．1．1　散點圖矩陣　182
12．1．2　相關性矩陣　182
12．2　多重線性回歸　184
第 13章　離散數(shù)據(jù)的檢驗　185
13．1　等級資料的組間比較　185
13．2　Logistic回歸　186
13．3　廣義線性模型　188
13．3．1　指數(shù)族分布　189
13．3．2　線性預測器和連接函數(shù)　189
13．4　有序Logistic回歸　189
13．4．1　問題定義　189
13．4．2　優(yōu)化　191
13．4．3　代碼　191
13．4．4　性能　191
第 14章　貝葉斯統(tǒng)計學　193
14．1　貝葉斯學派與頻率學派的解釋　193
14．2　計算機時代的貝葉斯方法　195
14．3　例子：用馬爾可夫鏈蒙特卡洛模擬分析挑戰(zhàn)者號災難　195
14．4　總結　198
參考答案　199
術語表　219
參考文獻　223