Python数据分析与可视化

前言 第1章数据分析是什么 1.1海量数据蕴藏的知识 1.2数据分析与数据挖掘的关系 1.3机器学习概述 1.4机器学习与数据分析的关系 1.5数据分析的基本步骤 1.6Python和数据分析 习题 第2章Python语言基础 2.1Python发展史 2.2Python及Pandas、scikit- learn、Matplotlib的 安装 2.2.1Windows环境下Python的 安装 2.2.2Ubuntu和Mac环境下 Python的安装 2.2.3集成开发环境 2.2.4使用pip安装Pandas、 scikit-learn和Matplotlib 2.2.5使用第三方科学计算发行版 Python进行快速安装 2.3Pycharm 2.4Python基础知识 2.4.1Python编码规范 2.4.2模块化的系统 2.5Python基础语法 2.5.1数据类型 2.5.2基本计算 2.5.3控制语句 2.6重要的Python库 2.6.1Pandas 2.6.2scikit-learn 2.6.3Matplotlib 2.6.4其他 2.7Jupyter 习题 第3章数据预处理 3.1了解数据 3.2数据质量 3.2.1完整性 3.2.2一致性 3.2.3准确性 3.2.4及时性 3.3数据清洗 3.4特征工程 3.4.1特征选择 3.4.2特征构建 3.4.3特征提取 习题 第4章NumPy——数据分析基础 工具 4.1多维数组对象：ndarray 4.1.1ndarray的创建 4.1.2ndarray的数据类型 4.2ndarray的索引、切片和 迭代 4.3ndarray的shape操作 4.4ndarray的基础操作 4.5习题 第5章Pandas——处理结构化 数据 5.1基本数据结构 5.1.1Series 5.1.2DataFrame 5.2基于Pandas的Index对象的 访问操作 5.2.1Pandas的Index对象 5.2.2索引的不同访问方式 5.3数学统计和计算工具 5.3.1统计函数：协方差、相关 系数、排序 5.3.2窗口函数 5.4数学聚合和分组运算 5.4.1agg函数的聚合操作 5.4.2transform函数的转换 操作 5.4.3apply函数实现一般的 操作 习题 第6章数据分析与知识发现的一些 常用方法 6.1分类分析 6.1.1逻辑回归 6.1.2线性判别分析 6.1.3支持向量机 6.1.4决策树 6.1.5K邻近 6.1.6朴素贝叶斯 6.2关联分析 6.2.1基本概念 6.2.2典型算法 6.3聚类分析 6.3.1K均值算法 6.3.2DBSCAN算法 6.4回归分析 6.4.1线性回归分析 6.4.2支持向量回归 6.4.3K邻近回归 习题 第7章Pandas与scikit-learn——实 现数据的分析 7.1分类方法 7.1.1Logistic回归 7.1.2支持向量机 7.1.3近邻算法 7.1.4决策树 7.1.5随机梯度下降 7.1.6高斯过程分类 7.1.7神经网络分类(多层感 知器) 7.1.8朴素贝叶斯 7.2回归方法 7.2.1*小二乘法 7.2.2岭回归 7.2.3Lasso 7.2.4贝叶斯岭回归 7.2.5决策树回归 7.2.6高斯过程回归 7.2.7*近邻回归 7.3聚类方法 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 习题 第8章Matplotlib——交互式图表 绘制 8.1基本布局对象 8.2图表样式的修改以及装饰项 接口 8.3基础图表绘制 8.3.1直方图 8.3.2散点图 8.3.3饼图 8.3.4柱状图 8.3.5折线图 8.3.6表格 8.3.7不同坐标系下的图像 8.4matplot3D 8.5Matplotlib与Jupyter结合 习题 第9章案例：新生信息分析与 可视化 9.1使用Pandas对数据预 处理 9.2使用Matplotlib库画图 9.3使用Pandas进行绘图 第10章案例：用户流失预警 10.1读入数据 10.2数据预处理 10.3五折交叉验证 10.4引入3种模型 10.5调整prob阈值输出精确 评估 第11章案例：美国加利福尼亚房价 预测的数据分析 11.1数据分析常用的Python 工具库 11.1.1Pandas 11.1.2NumPy 11.1.3Matplotlib 11.1.4Sklearn 11.2数据的读入和初步分析 11.2.1数据读入 11.2.2分割测试集与训练集 11.2.3数据的初步分析 11.3数据的预处理 11.3.1拆分数据 11.3.2空白值的填充 11.3.3数据的标准化 11.3.4数据的流程化处理 11.4模型的构建 11.4.1查看不同模型的表现 11.4.2选择效果*好的模型进行 预测 第12章案例：基于上下文感知的 多模态交通推荐 12.1题目理解 12.1.1题目背景 12.1.2数据说明 12.1.3评测指标 12.1.4输出格式 12.2解决方案 12.2.1工具包导入 12.2.2特征工程 第13章案例：机器人*优路径走 迷宫 13.1关键技术 13.1.1马尔科夫决策过程 13.1.2Bellman方程 13.2程序设计步骤 13.2.1初始化迷宫地图 13.2.2计算不同位置*优 路径 第14章案例：基于Python+Elasticsearch 实现搜索附近小区房价 14.1程序设计 14.2准备数据 14.3安装以及使用 Elasticsearch 14.4实现附近房价搜索 的搜索引擎 参考文献