Jupyter数据科学实战

第 1章　数据科学基本概念　1
1．1　数据的概念　2
1．1．1　结构化数据　2
1．1．2　非结构化数据　2
1．1．3　半结构化数据　3
1．2　数据科学的定义　3
1．3　数据科学家的工作　4
1．4　数据科学应用实例　5
1．5　为何Python适合数据科学　6
1．6　小结　7
第　2章 软件安装与配置　8
2．1　系统要求　9
2．2　下载Anaconda　9
2．3　在Windows系统上安装Anaconda　10
2．4　在Linux系统上安装Anaconda　11
2．5　如何在Anaconda中安装新的Python库　13
2．6　打开笔记本—Jupyter　14
2．7　了解笔记本　15
2．8　小结　19
第3章　列表与字典　20
3．1　什么是列表　21
3．2　如何创建列表　21
3．3　列表的不同操作　22
3．4　列表与数组的差异　25
3．5　什么是字典　26
3．6　如何创建字典　26
3．7　字典的相关操作　26
3．8　小结　28
第4章　函数与包　29
4．1　Python的Help()函数　30
4．2　如何导入Python包　30
4．3　如何创建并调用函数　31
4．4　在函数中传递参数　31
4．5　函数的默认参数　32
4．6　如何在函数中使用未知参数　32
4．7　函数的全局与本地变量　33
4．8　Lambda函数　35
4．9　了解Python中的main方法　35
4．10　小结　38
第5章　NumPy基本概念　39
5．1　导入NumPy包　39
5．2　为何NumPy数组优于列表　40
5．3　NumPy数组属性　41
5．4　创建NumPy数组　41
5．5　访问NumPy数组中的元素　43
5．6　NumPy数组的切片　44
5．7　数组连接　46
5．8　小结　47
第6章　Pandas和数据帧　48
6．1　导入Pandas　48
6．2　Pandas数据结构　49
6．3　．loc[]和．iloc[]　54
6．4　一些有用的数据帧函数　55
6．5　处理数据帧中的缺失值　57
6．6　小结　60
第7章　与数据库交互　61
7．1　SQLAlchemy　62
7．2　安装SQLAlchemy包　62
7．3　如何使用SQLAlchemy　63
7．4　SQLAlchemy引擎配置　64
7．5　在数据库中新建表　65
7．6　在表中插入数据　66
7．7　更新记录　67
7．8　如何合并表格　68
7．8．1　内连接　68
7．8．2　左连接　69
7．8．3　右连接　70
7．9　小结　70
第8章　数据科学中的统计思维　71
8．1　数据科学中的统计学　72
8．2　统计数据/变量的类型　72
8．3　平均数、中位数和众数　73
8．4　概率的基本概念　74
8．5　统计分布　75
8．6　Pearson相关系数　77
8．7　概率密度函数　78
8．8　真实案例　79
8．9　统计推断与假设检验　79
8．10　小结　86
第9章　如何在Python中导入数据　87
9．1　导入TXT数据　88
9．2　导入CSV数据　89
9．3　导入Excel数据　90
9．4　导入JSON数据　90
9．5　导入腌制数据　91
9．6　导入压缩数据　91
9．7　小结　92
第　10章 清洗导入的数据　93
10．1　了解数据　94
10．2　分析缺失值　95
10．3　丢弃缺失值　97
10．4　自动填充缺失值　98
10．5　如何缩放和归一化数据　99
10．6　如何解析日期　102
10．7　如何应用字符编码　104
10．8　清洗不一致的数据　105
10．9　小结　106
第　11章 数据可视化　107
11．1　条形图　108
11．2　折线图　109
11．3　直方图　110
11．4　散点图　111
11．5　堆积图　111
11．6　箱线图　113
11．7　小结　115
第　12章 数据预处理　116
12．1　关于案例研究　116
12．2　导入数据集　117
12．3　探索性数据分析　118
12．4　数据清洗与预处理　122
12．5　特征工程　124
12．6　小结　129
第　13章 监督式机器学习　130
13．1　常见的机器学习术语　131
13．2　机器学习导论　132
13．3　常用机器学习算法列述　133
13．4　监督式机器学习基础　134
13．5　解决分类机器学习问题　136
13．6　为何要进行训练/测试拆分和交叉验证　140
13．7　解决回归机器学习问题　144
13．8　如何调整机器学习模型　152
13．9　如何处理sklearn中的分类变量　154
13．10　处理缺失数据的高级技术　155
13．11　小结　158
第　14章 无监督式机器学习　159
14．1　为何选择无监督式机器学习　160
14．2　无监督式机器学习技术　160
14．2．1　聚类　161
14．2．2　主成分分析　169
14．3　案例研究　172
14．4　验证无监督式机器学习　178
14．5　小结　179
第　15章 处理时间序列数据　180
15．1　为何时间序列重要　181
15．2　如何处理日期和时间　181
15．3　转换时间序列数据　184
15．4　操作时间序列数据　187
15．5　比较时间序列的增长率　189
15．6　如何改变时间序列频率　192
15．7　小结　198
第　16章 时间序列法　199
16．1　时间序列预测的定义　200
16．2　预测的基本步骤　200
16．3　时间序列预测的技术　201
16．3．1　自回归　201
16．3．2　移动平均　202
16．3．3　自回归移动平均　203
16．3．4　自回归积分移动平均　203
16．3．5　季节性自回归积分移动平均　204
16．3．6　季节性自回归积分移动平均与外生回归因子　205
16．3．7　向量自回归移动平均　205
16．3．8　Holt-Winters指数平滑　206
16．4　预测网页的未来流量　207
16．5　小结　214
第　17章 案例研究1　215
第　18章 案例研究2　230
第　19章 案例研究3　239
第　20章 案例研究4　247