Python數(shù)據(jù)分析與機器學習（微課視頻版）

源碼下載
第1章Python語言與開發(fā)環(huán)境概述
1．1Python語言的特點
1．2Python的下載與安裝
1．3開始使用Python
1．3．1交互方式
1．3．2代碼文件方式
1．3．3代碼文件的打開
1．3．4代碼風格
1．4模塊與庫
1．4．1模塊及其導入方式
1．4．2標準模塊與第三方模塊
1．5使用幫助
1．6Anaconda簡介
1．6．1Anaconda模塊的安裝
1．6．2Spyder的使用
1．6．3Jupyter Notebook的使用
1．6．4Jupyter Notebook默認路徑的設置
1．6．5任意路徑下創(chuàng)建Jupyter Notebook文件
習題1
第2章Python語言基礎
2．1控制臺的輸入與輸出
2．1．1數(shù)據(jù)的輸入
2．1．2數(shù)據(jù)的輸出
2．2標識符、變量與賦值語句
2．2．1標識符
2．2．2變量
2．2．3賦值語句
2．3常用數(shù)據(jù)類型
2．3．1數(shù)值類型
2．3．2布爾類型
2．3．3常用序列類型
2．3．4映射類型
2．3．5集合類型
2．4運算符與表達式
 
 
2．4．1運算符分類
2．4．2運算規(guī)則與表達式
2．4．3條件表達式
2．4．4復合賦值運算符
2．5分支結構
2．5．1單分支if語句
2．5．2雙分支if/else語句
2．5．3多分支if/elif/else語句
2．5．4分支結構的嵌套
2．5．5分支結構的三元運算
2．5．6match/case分支結構
2．6循環(huán)結構
2．6．1簡單的while循環(huán)結構
2．6．2簡單的for循環(huán)結構
2．6．3break語句和continue語句
2．6．4循環(huán)的嵌套
2．7常用組合類型
2．7．1列表
2．7．2元組
2．7．3列表與元組之間的相互生成
2．7．4字符串
2．7．5字典
2．7．6集合
2．7．7推導式
2．7．8常用的內(nèi)置函數(shù)
2．8正則表達式
習題2
第3章函數(shù)
3．1函數(shù)的定義
3．2函數(shù)的調(diào)用
3．3形參與實參
3．4函數(shù)的返回
3．5位置參數(shù)與關鍵參數(shù)
3．6默認參數(shù)
3．7個數(shù)可變的參數(shù)
3．7．1以組合對象為形參接收多個實參
3．7．2以組合對象為實參給多個形參分配參數(shù)
3．7．3形參和實參均為組合類型
3．8參數(shù)與返回值類型注解
3．9lambda表達式
3．10函數(shù)式編程的常用類與函數(shù)
習題3
第4章自定義類與對象
4．1Python中的對象與方法
4．2類的定義與對象的創(chuàng)建
4．3類的繼承
4．3．1父類與子類
4．3．2繼承的語法
4．3．3子類繼承父類的屬性
4．3．4子類繼承父類的方法
習題4
第5章NumPy數(shù)據(jù)處理基礎
5．1數(shù)據(jù)結構
5．1．1利用numpy．a(chǎn)rray（）函數(shù)創(chuàng)建數(shù)組
5．1．2訪問數(shù)組對象屬性
5．1．3數(shù)組對象的類型
5．1．4創(chuàng)建常用數(shù)組
5．2數(shù)據(jù)準備
5．2．1隨機數(shù)的生成
5．2．2NumPy數(shù)組在文本文件中的存取
5．3常用數(shù)組運算與函數(shù)
5．3．1數(shù)組的索引
5．3．2數(shù)組的切片
5．3．3改變數(shù)組的形狀
5．3．4數(shù)組對角線上替換新元素值
5．3．5用np．newaxis或None插入一個維度
5．3．6數(shù)組的基本運算
5．3．7數(shù)組的排序
5．3．8數(shù)組的組合
5．3．9數(shù)組的分割
5．3．10隨機打亂數(shù)組中的元素順序
5．3．11多維數(shù)組的展開
5．3．12其他常用函數(shù)與對象
5．4使用NumPy進行簡單統(tǒng)計分析
5．5數(shù)組在其他文件中的存取
5．5．1數(shù)組在無格式二進制文件中的存取
5．5．2數(shù)組在npy文件中的存取
5．5．3數(shù)組在npz文件中的存取
5．5．4數(shù)組在hdf5文件中的存取
習題5
第6章Matplotlib數(shù)據(jù)可視化基礎
6．1繪制基本圖形
6．1．1折線圖
6．1．2線條屬性的設置
6．1．3圖標題、坐標軸標題和坐標軸范圍的設置
6．1．4繪制多圖與圖例的設置
6．1．5散點圖
6．1．6直方圖
6．1．7餅圖
6．2繪制多軸圖
6．2．1用subplot()函數(shù)繪制多軸圖
6．2．2用subplot2grid()函數(shù)繪制多軸圖
6．2．3多軸圖的軸展開與遍歷
6．3坐標軸的刻度標簽
6．4坐標軸的主次刻度、網(wǎng)格設置
6．5移動坐標軸
6．6文字說明和注釋
6．7顯示圖片
6．8日期作為橫坐標
6．9繪制橫線與豎線作為輔助線
6．9．1使用hlines()和vlines()函數(shù)繪制輔助線
6．9．2使用axhline()和axvline()函數(shù)繪制輔助線
6．10繪制其他二維圖表
6．10．1箱線圖
6．10．2小提琴圖
6．10．3熱力圖
6．10．4填充圖
6．10．5等高線圖
6．11繪制三維圖表
6．11．1三維折線圖
6．11．2三維散點圖
6．11．3三維曲面圖
習題6
第7章Pandas數(shù)據(jù)處理與分析
7．1數(shù)據(jù)結構與基本操作
7．1．1Series基礎
7．1．2DataFrame基礎
7．2文件與數(shù)據(jù)庫中存取DataFrame對象
7．2．1csv文件中存取DataFrame對象
7．2．2Excel文件中存取DataFrame對象
7．2．3數(shù)據(jù)庫中存取DataFrame對象
7．3常用函數(shù)與方法
7．3．1用drop()刪除指定的行或列
7．3．2用append()添加元素
7．3．3用unique()去除重復元素
7．3．4用Series．map()實現(xiàn)數(shù)據(jù)替換
7．3．5用apply()將指定函數(shù)應用于數(shù)據(jù)
7．3．6用applymap()將指定函數(shù)應用于元素
7．3．7用replace()替換指定元素
7．3．8用align()對齊兩個對象的行列
7．3．9用groupby()實現(xiàn)分組
7．3．10用assign()添加新列
7．3．11用where()篩選與替換數(shù)據(jù)
7．3．12用value_counts()統(tǒng)計元素出現(xiàn)的次數(shù)或頻率
7．3．13用pivot()按指定列值重新組織數(shù)據(jù)
7．3．14用pivot_table()創(chuàng)建數(shù)據(jù)透視圖
7．3．15用idxmax()/idxmin（）獲取值/小值所在的行或列
標簽
7．4DataFrame對象的數(shù)據(jù)清洗與處理
7．4．1用concat（）根據(jù)行列標簽合并數(shù)據(jù)
7．4．2數(shù)據(jù)排序
7．4．3記錄排名
7．4．4記錄抽取
7．4．5重建索引
7．4．6根據(jù)新索引填充新位置的值
7．4．7缺失值處理
7．4．8重復值處理
7．4．9數(shù)據(jù)轉換與替代
7．4．10數(shù)據(jù)計算
7．4．11用merge（）根據(jù)列內(nèi)容或行標簽合并數(shù)據(jù)對象
7．4．12combine（）基于指定函數(shù)合并數(shù)據(jù)
7．4．13combine_first（）用一個對象更新另一個對象中的空值
7．5時間處理
7．5．1Python標準庫中的時間處理
7．5．2用dateutil解析字符串格式的日期
7．5．3Pandas中的時間數(shù)據(jù)處理
7．5．4時間作為行或列的標簽
7．5．5根據(jù)時間頻率重新采樣
7．6移動數(shù)據(jù)與時間索引
7．7統(tǒng)計分析
7．7．1基本統(tǒng)計分析
7．7．2相關分析
7．8Pandas中的繪圖方法
7．8．1繪圖基本接口plot()
7．8．2其他繪圖函數(shù)
習題7
第8章機器學習方法概述與數(shù)據(jù)加載
8．1機器學習概述
8．1．1用有監(jiān)督學習做預測
8．1．2用無監(jiān)督學習發(fā)現(xiàn)數(shù)據(jù)之間的關系
8．2scikitlearn的簡介與安裝
8．2．1scikitlearn的安裝
8．2．2scikitlearn中的數(shù)據(jù)表示
8．2．3scikitlearn中的機器學習基本步驟
8．3加載數(shù)據(jù)
8．3．1加載scikitlearn中的小數(shù)據(jù)集
8．3．2下載并加載scikitlearn中的大數(shù)據(jù)集
8．3．3用scikitlearn構造仿真數(shù)據(jù)集
8．3．4加載scikitlearn中的其他數(shù)據(jù)集
8．3．5通過pandasdatareader導入金融數(shù)據(jù)
8．3．6通過第三方平臺API加載數(shù)據(jù)
8．4劃分數(shù)據(jù)分別用于訓練和測試
8．5scikitlearn中機器學習的基本步驟示例
8．5．1有監(jiān)督分類學習步驟示例
8．5．2有監(jiān)督回歸學習步驟示例
8．5．3無監(jiān)督聚類學習步驟示例
8．6scikitlearn編程接口的風格
習題8
第9章數(shù)據(jù)預處理
9．1特征的離散化
9．1．1使用NumPy中的digitize()函數(shù)離散化
9．1．2使用Pandas中的cut()函數(shù)離散化
9．2識別與處理異常值
9．3特征值的MinMax縮放
9．4特征值的標準化
9．5特征值的穩(wěn)健縮放
9．6無序分類數(shù)據(jù)的熱編碼
9．7有序分類數(shù)據(jù)編碼
9．8每個樣本特征值的正則化
習題9
第10章模型評估與軌道
10．1模型評估的基本方法
10．1．1監(jiān)督學習下的泛化、過擬合與欠擬合
10．1．2模型評估指標
10．1．3交叉驗證
10．2軌道的創(chuàng)建與使用
10．2．1創(chuàng)建和使用軌道
10．2．2交叉驗證中使用軌道
習題10
第11章有監(jiān)督學習之分類與回歸
11．1分類與回歸概述
11．2線性回歸
11．2．1普通線性回歸
11．2．2嶺回歸使用l2正則化減小方差
11．2．3Lasso回歸使用l1正則化減小特征個數(shù)
11．2．4同時使用l1和l2正則化的彈性網(wǎng)絡
11．2．5多項式回歸
11．3邏輯回歸與嶺回歸實現(xiàn)線性分類
11．3．1單標簽二分類
11．3．2單標簽多分類
11．3．3通過正則化降低過擬合
11．4支持向量機用于分類和回歸
11．4．1支持向量機線性分類
11．4．2支持向量機非線性分類
11．4．3支持向量機回歸模型
11．5樸素貝葉斯分類
11．6決策樹用于分類和回歸
11．6．1決策樹用于分類
11．6．2決策樹用于回歸
習題11
第12章集成學習
12．1投票法集成
12．1．1投票分類器
12．1．2投票回歸器
12．2bagging/pasting法集成
12．2．1bagging/pasting分類器
12．2．2bagging/pasting回歸器
12．2．3隨機森林
12．2．4隨機樹集成
12．3提升法集成
12．3．1AdaBoost
12．3．2梯度提升
12．3．3XGBoost
12．3．4基于直方圖的梯度提升
12．4堆疊法集成
12．4．1StackingClassifer集成分類
12．4．2StackingRegressor集成回歸
習題12
第13章無監(jiān)督學習之聚類與降維
13．1用k均值算法基于相似性聚類
13．2層次聚類
13．3基于密度的聚類
13．4聚類性能的評估
13．4．1數(shù)據(jù)帶真實標簽的聚類評估
13．4．2數(shù)據(jù)不帶真實標簽的聚類評估
13．5無監(jiān)督的降維
13．5．1主成分分析
13．5．2核主成分分析
習題13
第14章超參數(shù)調(diào)優(yōu)與模型選擇
14．1搜索超參數(shù)來選擇模型
14．1．1基于循環(huán)語句的網(wǎng)格搜索
14．1．2劃分驗證集避免過擬合
14．1．3帶交叉驗證的網(wǎng)格搜索
14．1．4帶交叉驗證的隨機搜索
14．1．5搜索多個不同特征的空間
14．2對軌道中的超參數(shù)進行搜索
14．3搜索算法和超參數(shù)
習題14
參考文獻