包邮编程不难(全彩图解 + 微课 + Python编程)(鸢尾花数学大系:从加减乘除到机器学习)

目录 绪论 1 第 1章 聊聊“巨蟒” 9 1.1 Python 巨蟒 10 1.2 Python 和可视化有什么关系 14 1.3 Python 和数学有什么关系 14 1.4 Python 和机器学习有什么关系 20 1.5 相信“反复 + 精进 ”的力量！ 21 第 2章 安装使用Anaconda 29 2.1 集成开发环境 30 2.2 如何安装 Anaconda 31 2.3 测试 JupyterLab 33 2.4 查看 Python 第三方库版本号 35 2.5 安装、更新、卸载 Python 第三方库 38 第 3章 JupyterLab，用起来！ 41 3.1 什么是 JupyterLab 42 3.2 使用 JupyterLab：立刻用起来 43 3.3 快捷键：这一章可能*有用的内容 48 3.4 什么是 LaTeX 51 3.5 字母和符号 52 3.6 用 LaTex 写公式 57 第4章 Python语法，边学边用 63 4.1 Python 也有语法 64 4.2 注释：不被执行，却很重要 66 4.3 缩进：四个空格，标识代码块 69 4.4 变量：一个什么都能装的箱子 72 4.5 使用 import 导入包 74 4.6 Pythonic：Python 风格 76 第 5章 Python数据类型 77 5.1 数据类型有哪些 78 5.2 数字：整数、浮点数、复数 79 5.3 字符串：用引号定义的文本 81 5.4 列表：存储多个元素的序列 88 5.5 其他数据类型：元组、集合、字典 94 5.6 矩阵、向量：线性代数概念 95 第 6章 Python常见运算 101 6.1 几类运算符 102 6.2 算术运算符 103 6.3 比较运算符 105 6.4 逻辑运算符 106 6.5 赋值运算符 107 6.6 成员运算符 108 6.7 身份运算符 108 6.8 优先级 109 6.9 聊聊 math 库 109 6.10 聊聊 random 库和 statistics 库 113 第 7章 Python控制结构 123 7.1 什么是控制结构？ 124 7.2 条件语句：相当于开关 126 7.3 for循环语句 129 7.4 列表生成式 138 7.5 迭代器itertools 143 第 8章 Python函数 147 8.1 什么是 Python 函数 148 8.2 自定义函数 152 8.3 更多自定义线性代数函数 160 8.4 递归函数：自己反复调用自己 164 8.5 位置参数、关键字参数 165 8.6 使用 *args 和 **kwargs 167 8.7 匿名函数 169 8.8 构造模块、库 170 8.9 模仿别人的代码 171 第 9章 Python面向对象编程 175 9.1 什么是面向对象编程 176 9.2 定义属性 178 9.3 定义方法 180 9.4 装饰器 181 9.5 父类、子类 182 第 10章 聊聊可视化 187 10.1 解剖一幅图 188 10.2 使用 Matplotlib 绘制线图 190 10.3 图片美化 198 10.4 使用 Plotly 绘制线图 202 第 11章 二维和三维可视化 209 11.1 二维可视化方案 210 11.2 二维散点图 210 11.3 二维等高线图 216 11.4 热图 222 11.5 三维可视化方案 225 11.6 三维散点图 229 11.7 三维线图 231 11.8 三维网格曲面图 232 11.9 三维等高线图 234 11.10 箭头图 235 第 12章 Seaborn可视化数据 239 12.1 Seaborn：统计可视化利器 240 12.2 一元特征数据 241 12.3 二元特征数据 252 12.4 多元特征数据 257 第 13章 聊聊NumPy 265 13.1 什么是 NumPy 266 13.2 手动构造数组 267 13.3 生成数列 273 13.4 生成网格数据 274 13.5 特殊数组 276 13.6 随机数 276 13.7 数组导入、导出 280 第 14章 NumPy索引和切片 283 14.1 什么是索引、切片 284 14.2 一维数组索引、切片 284 14.3 视图 vs 副本 287 14.4 二维数组索引、切片 289 第 15章 NumPy常见运算 293 15.1 加、减、乘、除、乘幂 294 15.2 广播原则 295 15.3 统计运算 298 15.4 常见函数 301 第 16章 NumPy数组规整 307 16.1 从 reshape() 函数说起 309 16.2 一维数组 → 行向量、列向量 310 16.3 一维数组 → 二维数组 311 16.4 一维数组 → 三维数组 312 16.5 视图 vs 副本 312 16.6 转置 313 16.7 扁平化 314 16.8 旋转、翻转 314 16.9 堆叠 315 16.10 重复 317 16.11 分块矩阵 318 第 17章 NumPy线性代数 321 17.1 NumPy 的 linalg 模块 322 17.2 拆解矩阵 323 17.3 向量运算 325 17.4 矩阵运算 329 17.5 几个常见矩阵分解 333 第18章 NumPy爱因斯坦求和约定 337 18.1 什么是爱因斯坦求和约定？ 338 18.2 二维数组求和 340 18.3 转置 341 18.4 矩阵乘法 343 18.5 一维数组 345 18.6 方阵 346 18.7 统计运算 347 第 19章 聊聊Pandas 351 19.1 什么是 Pandas 353 19.2 创建数据帧：从字典、列表、NumPy 数组 354 19.3 数据帧操作：以鸢尾花数据为例 357 19.4 四则运算：各列之间 363 19.5 统计运算：聚合、降维、压缩、折叠 365 19.6 时间序列：按时间顺序排列的数据 368 第 20章 Pandas快速可视化 373 20.1 Pandas 的可视化功能 374 20.2 线图：pandas.DataFrame.plot() 375 20.3 散点图 378 20.4 柱状图 381 20.5 箱型图 382 20.6 直方图和核密度估计曲线 382 第 21章 Pandas索引和切片 385 21.1 数据帧的索引和切片 386 21.2 提取特定列 387 21.3 提取特定行 388 21.4 提取特定元素 388 21.5 条件索引 389 21.6 多层索引 391 21.7 时间序列数据帧索引和切片 395 第 22章 Pandas规整 399 22.1 Pandas 数据帧规整 400 22.2 拼接：pandas.concat() 401 22.3 合并：pandas.join() 402 22.4 合并：pandas.merge() 405 22.5 长格式转换为宽格式：pivot() 409 22.6 宽格式转换为长格式：stack() 411 22.7 长格式转换为宽格式：unstack() 414 22.8 分组聚合：groupby() 415 22.9 自定义操作：apply() 417 第 23章 Plotly统计可视化 421 23.1 Plotly 常见可视化方案：以鸢尾花数据为例 422 23.2 增加一组分类标签 424 23.3 两组标签：两个维度 428 23.4 可视化比例：柱状图、饼图 432 23.5 钻取：多个层次之间的导航和探索 434 23.6 太阳爆炸图：展示层次结构 438 23.7 增加第三切割维度 440 23.8 平均值的钻取：全集 vs 子集 447 第 24章 Pandas时间序列数据 453 24.1 什么是时间序列 454 24.2 缺失值：用 NaN 表示 457 24.3 移动平均：一种平滑技术 460 24.4 收益率：相对涨跌 462 24.5 统计分析：均值、波动率等 464 24.6 相关性：也可以随时间变化 474 第 25章 SymPy符号运算 481 25.1 什么是 SymPy 482 25.2 代数 482 25.3 线性代数 487 第 26章 SciPy数学运算 499 26.1 什么是 SciPy ？ 500 26.2 距离 502 26.3 插值 507 26.4 高斯分布 510 第 27章 Statsmodels统计模型 517 27.1 什么是 Statsmodels 518 27.2 二维散点图 + 椭圆 519 27.3 *小二乘线性回归 522 27.4 主成分分析 524 27.5 概率密度估计：高斯 KDE 535 第 28章 Scikit-Learn机器学习 545 28.1 什么是机器学习 546 28.2 有标签数据、无标签数据 549 28.3 回归：找到自变量与因变量关系 550 28.4 降维：降低数据维度，提取主要特征 551 28.5 分类：针对有标签数据 552 28.6 聚类：针对无标签数据 553 28.7 什么是 Scikit-Learn 554 第29章 Scikit-Learn数据 555 29.1 Scikit-Learn 中有关数据的工具 557 29.2 样本数据集 557 29.3 生成样本数据 558 29.4 特征缩放 561 29.5 处理缺失值 563 29.6 处理离群值 566 29.7 训练集 vs 测试集 570 第30章 Scikit-Learn回归 573 30.1 聊聊回归 574 30.2 一元线性回归 575 30.3 二元线性回归 577 30.4 多项式回归 579 30.5 正则化：抑制过度拟合 584 第 31章 Scikit-Learn降维 589 31.1 降维 590 31.2 主成分分析 591 31.3 两特征 PCA 595 31.4 三特征 PCA 601 第 32章 Scikit-Learn分类 605 32.1 什么是分类？ 606 32.2 k *近邻分类：近朱者赤，近墨者黑 607 32.3 高斯朴素贝叶斯分类：贝叶斯定理的应用 611 32.4 支持向量机：间隔*大化 613 32.5 核技巧：数据映射到高维空间 616 第 33章 Scikit-Learn聚类 619 33.1 聚类 620 33.2 K 均值聚类 621 33.3 高斯混合模型 624 第 34章 了解一下Spyder 633 34.1 什么是 Spyder 634 34.2 Spyder 用起来 637 34.3 快捷键：这章可能*有用的内容 639 第 35章 Streamlit搭建Apps 641 35.1 什么是 Streamlit ？ 642 35.2 显示 645 35.3 可视化 646 35.4 输入工具 647 35.5 App 布局 649 第 36章 Streamlit搭建机器学习Apps 653 36.1 搭建应用 App：编程 + 数学 + 可视化 + 机器学习 654 36.2 一元高斯分布 654 36.3 二元高斯分布 655 36.4 三元高斯分布 656 36.5 多项式回归 657 36.6 主成分分析 657 36.7 k *近邻分类 658 36.8 支持向量机 + 高斯核 659 36.9 高斯混合模型聚类 660