版權聲明
獻詞
譯者序
第 1章 數據分析簡介 1
1．1 數據分析 1
1．2 數據分析師的知識范疇 2
1．2．1 計算機科學 2
1．2．2 數學和統(tǒng)計學 3
1．2．3 機器學習和人工智能 3
1．2．4 數據來源領域 3
1．3 理解數據的性質 4
1．3．1 數據到信息的轉變 4
1．3．2 信息到知識的轉變 4
1．3．3 數據的類型 4
1．4 數據分析過程 4
1．4．1 問題定義 5
1．4．2 數據抽取 6
1．4．3 數據準備 6
1．4．4 數據探索和可視化 7
1．4．5 預測建模 7
1．4．6 模型驗證 8
1．4．7 部署 8
1．5 定量和定性數據分析 9
1．6 開放數據 9
1．7 Python和數據分析 10
1．8 結論 11
第 2章 Python世界簡介 12
2．1 Python——編程語言 12
2．2 Python 2和Python 3 14
2．2．1 安裝Python 15
2．2．2 Python發(fā)行版 15
2．2．3 使用Python 17
2．2．4 編寫Python代碼 18
2．2．5 IPython 22
2．3 PyPI倉庫——Python包索引 25
2．4 SciPy 29
2．4．1 NumPy 29
2．4．2 pandas 29
2．4．3 matplotlib 30
2．5 小結 30
第3章 NumPy庫 31
3．1 NumPy簡史 31
3．2 NumPy安裝 31
3．3 ndarray：NumPy庫的心臟 32
3．3．1 創(chuàng)建數組 33
3．3．2 數據類型 34
3．3．3 dtype選項 34
3．3．4 自帶的數組創(chuàng)建方法 35
3．4 基本操作 36
3．4．1 算術運算符 36
3．4．2 矩陣積 37
3．4．3 自增和自減運算符 38
3．4．4 通用函數 39
3．4．5 聚合函數 39
3．5 索引機制、切片和迭代方法 40
3．5．1 索引機制 40
3．5．2 切片操作 41
3．5．3 數組迭代 42
3．6 條件和布爾數組 44
3．7 形狀變換 44
3．8 數組操作 45
3．8．1 連接數組 45
3．8．2 數組切分 46
3．9 常用概念 48
3．9．1 對象的副本或視圖 48
3．9．2 向量化 48
3．9．3 廣播機制 49
3．10 結構化數組 51
3．11 數組數據文件的讀寫 52
3．11．1 二進制文件的讀寫 53
3．11．2 讀取文件中的列表形式數據 53
3．12 小結 54
第4章pandas庫簡介 55
4．1 pandas：Python數據分析庫 55
4．2 安裝pandas 56
4．2．1 用Anaconda安裝 56
4．2．2 用PyPI安裝 56
4．2．3 在Linux系統(tǒng)的安裝方法 57
4．2．4 用源代碼安裝 57
4．2．5 Windows模塊倉庫 57
4．3 測試pandas是否安裝成功 57
4．4 開始pandas之旅 58
4．5 pandas數據結構簡介 58
4．5．1 Series對象 59
4．5．2 DataFrame對象 65
4．5．3 Index對象 71
4．6 索引對象的其他功能 72
4．6．1 更換索引 72
4．6．2 刪除 74
4．6．3 算術和數據對齊 75
4．7 數據結構之間的運算 76
4．7．1 靈活的算術運算方法 76
4．7．2 DataFrame和Series對象之間的運算 77
4．8 函數應用和映射 78
4．8．1 操作元素的函數 78
4．8．2 按行或列執(zhí)行操作的函數 78
4．8．3 統(tǒng)計函數 79
4．9 排序和排位次 80
4．10 相關性和協方差 82
4．11 NaN數據 84
4．11．1 為元素賦NaN值 84
4．11．2 過濾NaN 84
4．11．3 為NaN元素填充其他值 85
4．12 等級索引和分級 85
4．12．1 重新調整順序和為層級排序 87
4．12．2 按層級統(tǒng)計數據 88
4．13 小結 88
第5章 pandas：數據讀寫 89
5．1 I/O API工具 89
5．2 CSV和文本文件 90
5．3 讀取CSV或文本文件中的數據 90
5．3．1 用RegExp解析TXT文件 92
5．3．2 從TXT文件讀取部分數據 94
5．3．3 將數據寫入CSV文件 94
5．4 讀寫HTML文件 96
5．4．1 寫入數據到HTML文件 96
5．4．2 從HTML文件讀取數據 98
5．5 從XML讀取數據 99
5．6 讀寫Microsoft Excel文件 101
5．7 JSON數據 102
5．8 HDF5格式 105
5．9 pickle——Python對象序列化 106
5．9．1 用cPickle實現Python對象序列化 106
5．9．2 用pandas實現對象序列化 107
5．10 對接數據庫 108
5．10．1 SQLite3數據讀寫 108
5．10．2 PostgreSQL數據讀寫 110
5．11 NoSQL數據庫MongoDB數據讀寫 112
5．12 小結 113
第6章 深入pandas：數據處理 114
6．1 數據準備 114
合并 115
6．2 拼接 118
6．2．1 組合 121
6．2．2 軸向旋轉 122
6．2．3 刪除 124
6．3 數據轉換 124
6．3．1 刪除重復元素 125
6．3．2 映射 125
6．4 離散化和面元劃分 129
6．5 排序 133
6．6 字符串處理 134
6．6．1 內置的字符串處理方法 134
6．6．2 正則表達式 135
6．7 數據聚合 137
6．7．1 GroupBy 137
6．7．2 實例 138
6．7．3 等級分組 139
6．8 組迭代 140
6．8．1 鏈式轉換 140
6．8．2 分組函數 141
6．9 高級數據聚合 142
6．10 小結 145
第7章 用matplotlib實現數據可視化 146
7．1 matplotlib庫 146
7．2 安裝 147
7．3 IPython和Jupyter QtConsole 147
7．4 matplotlib架構 148
7．4．1 Backend層 149
7．4．2 Artist層 149
7．4．3 Scripting層（pyplot） 150
7．4．4 pylab和pyplot 150
7．5 pyplot 151
7．6 繪圖窗口 152
7．6．1 設置圖形的屬性 153
7．6．2 matplotlib和NumPy 155
7．7 使用kwargs 157
7．8 為圖表添加更多元素 159
7．8．1 添加文本 159
7．8．2 添加網格 162
7．8．3 添加圖例 163
7．9 保存圖表 165
7．9．1 保存代碼 165
7．9．2 將會話轉換為HTML文件 167
7．9．3 將圖表直接保存為圖片 168
7．10 處理日期值 168
7．11 圖表類型 170
7．12 線性圖 170
7．13 直方圖 177
7．14 條狀圖 178
7．14．1 水平條狀圖 180
7．14．2 多序列條狀圖 181
7．14．3 為pandas DataFrame生成多序列條狀圖 182
7．14．4 多序列堆積條狀圖 183
7．14．5 為pandas DataFrame繪制堆積條狀圖 186
7．14．6 其他條狀圖 187
7．15 餅圖 187
7．16 高級圖表 190
7．16．1 等值線圖 190
7．16．2 極區(qū)圖 192
7．17 mplot3d工具集 194
7．17．1 3D曲面 194
7．17．2 3D散點圖 195
7．17．3 3D條狀圖 196
7．18 多面板圖形 197
7．18．1 在其他子圖中顯示子圖 197
7．18．2 子圖網格 199
7．19 小結 200
第8章 用scikit-learn庫實現機器學習 201
8．1 scikit-learn庫 201
8．2 機器學習 201
8．2．1 有監(jiān)督和無監(jiān)督學習 201
8．2．2 訓練集和測試集 202
8．3 用 scikit-learn實現有監(jiān)督學習 202
8．4 Iris數據集 202
8．5 K-近鄰分類器 207
8．6 Diabetes數據集 210
8．7 線性回歸：最小平方回歸 211
8．8 支持向量機 214
8．8．1 支持向量分類 215
8．8．2 非線性 SVC 218
8．8．3 繪制SVM分類器對Iris數據集的分類效果圖 220
8．8．4 支持向量回歸 222
8．9 小結 224
第9章 用TensorFlow庫實現深度學習 225
9．1 人工智能、機器學習和深度學習 225
9．1．1 人工智能 225
9．1．2 機器學習是人工智能的分支 226
9．1．3 深度學習是機器學習的分支 226
9．1．4 人工智能、機器學習和深度學習的關系 226
9．2 深度學習 227
9．2．1 神經網絡和GPU 227
9．2．2 數據可用：開源數據資源、物聯網和大數據 228
9．2．3 Python 228
9．2．4 Python深度學習框架 228
9．3 人工神經網絡 229
9．3．1 人工神經網絡的結構 229
9．3．2 單層感知器 230
9．3．3 多層感知器 232
9．3．4 人工神經網絡和生物神經網絡的一致性 232
9．4 TensorFlow 233
9．4．1 TensorFlow：Google開發(fā)的框架 233
9．4．2 TensorFlow：數據流圖 233
9．5 開始TensorFlow 編程 234
9．5．1 安裝TensorFlow 234
9．5．2 Jupyter QtConsole編程 234
9．5．3 TensorFlow的模型和會話 234
9．5．4 張量 236
9．5．5 張量運算 238
9．6 用 TensorFlow實現SLP 239
9．6．1 開始之前 239
9．6．2 待分析的數據 239
9．6．3 SLP模型定義 241
9．6．4 學習階段 243
9．6．5 測試階段和正確率估計 246
9．7 用TensorFlow實現MLP（含一個隱含層） 248
9．7．1 MLP模型的定義 249
9．7．2 學習階段 250
9．7．3 測試階段和正確率計算 253
9．8 用TensorFlow實現多層感知器（含兩個隱含層） 255
9．8．1 測試階段和正確率計算 259
9．8．2 實驗數據評估 260
9．9 小結 262
第 10章 數據分析實例——氣象數據 263
10．1 待檢驗的假設：靠海對氣候的影響 263
10．2 數據源 265
10．3 用Jupyter Notebook分析數據 266
10．4 分析預處理過的氣象數據 269
10．5 風向頻率玫瑰圖 279
10．5 小結 283
第 11章 Jupyter Notebook 內嵌
JavaScript庫D3 284
11．1 開放的人口數據源 284
11．2 JavaScript庫D3 286
11．3 繪制簇狀條狀圖 290
11．4 地區(qū)分布圖 293
11．5 2014年美國人口地區(qū)分布圖 296
11．6 小結 300
第 12章 識別手寫體數字 301
12．1 手寫體識別 301
12．2 用scikit-learn識別手寫體數字 301
12．3 Digits數據集 302
12．4 使用估計器學習并預測 304
12．5 用TensorFlow識別手寫體數字 306
12．6 使用神經網絡學習并預測 307
12．7 小結 310
第 13章 用NLTK分析文本數據 311
13．1 文本分析技術 311
13．1．1 自然語言處理工具集 311
13．1．2 導入NLTK庫和NLTK下載器 312
13．1．3 在NLTK語料庫檢索單詞 314
13．1．4 分析詞頻 315
13．1．5 從文本選擇單詞 317
13．1．6 二元組和搭配 318
13．2 網絡文本數據的應用 319
13．2．1 從HTML文檔抽取文本 320
13．2．2 情感分析 320
13．3 小結 322
第 14章 用OpenCV庫實現圖像分析和視覺計算 323
14．1 圖像分析和計算視覺 323
14．2 OpenCV和Python 324
14．3 OpenCV和深度學習 324
14．4 安裝OpenCV 324
14．5 圖像處理和分析的第 1類方法 324
14．5．1 開始之前 324
14．5．2 加載和顯示圖像 325
14．5．3 圖像處理 326
14．5．4 保存新圖 327
14．5．5 圖像的基本操作 327
14．5．6 圖像混合 330
14．6 圖像分析 331
14．7 邊緣檢測和圖像梯度分析 332
14．7．1 邊緣檢測 332
14．7．2 圖像梯度理論 332
14．7．3 用梯度分析檢測圖像邊緣示例 333
14．8 深度學習示例：面部識別 337
14．9 小結 339
附錄A 用LaTeX編寫數學表達式 340
附錄B 開放數據源 350
鄂公網安備 42010302001612號 