编辑推荐



“学习pandas和matplotlib的很好的专业入门材料。”
“书如其名，内容充实、实用，例子有趣吸引人。如果你想利用Python进行数据分析的话，这《Python数据分析实战》很合适。”

了解Python在信息处理、管理和检索方面的强大功能
学会如何利用Python及其衍生工具处理、分析数据
详尽探究三个真实Python数据分析案例，将理论付诸实践

内容简介

Python简单易学，拥有丰富的库，并且具有极强的包容性。《Python数据分析实战》展示了如何利用Python语言的强大功能，以小的编程代价进行数据的提取、处理和分析，主要内容包括：数据分析和Python的基本介绍，NumPy库，pandas库，如何使用pandas读写和提取数据，用matplotlib库和scikit-learn库分别实现数据可视化和机器学习，以实例演示如何从原始数据获得信息、D3库嵌入和手写体数字的识别。

作者简介

作者简介

FabioNelli
IRBM科学园IT科学应用专家，曾为IBM、EDS等企业提供咨询。目前正在开发Java应用，对接科学仪器和Oracle数据库，生成数据和Web服务器应用，为研究人员提供实时分析结果。他还是MeccanismoComplesso社区（www.meccanismocomplesso.org）的项目协调人。

译者简介

杜春晓
英语语言文学学士，软件工程硕士。其他译著有《电子达人——我的**本RaspberryPi入门手册》和《Python数据挖掘入门与实践》。新浪微博：@宜_生。

目录

目录

致谢
译者序
第1章数据分析简介1
1．1数据分析1
1．2数据分析师的知识范畴2
1．2．1计算机科学2
1．2．2数学和统计学3
1．2．3机器学习和人工智能3
1．2．4数据来源领域3
1．3理解数据的性质4
1．3．1数据到信息的转变4
1．3．2信息到知识的转变4
1．3．3数据的类型4
1．4数据分析过程4
1．4．1问题定义5
1．4．2数据抽取6
1．4．3数据准备6
1．4．4数据探索和可视化7
1．4．5预测模型7
1．4．6模型评估8
1．4．7部署8
1．5定量和定性数据分析9
1．6开放数据9
1．7Python和数据分析11
1．8结论11
第2章Python世界简介12
2．1Python——编程语言12
2．2Python——解释器13
2．2．1Cython14
2．2．2Jython14
2．2．3PyPy14
2．3Python2和Python314
2．4安装Python15
2．5Python发行版15
2．5．1Anaconda15
2．5．2EnthoughtCanopy16
2．5．3Python(x，y)17
2．6使用Python17
2．6．1Pythonshell17
2．6．2运行完整的Python程序17
2．6．3使用IDE编写代码18
2．6．4跟Python交互18
2．7编写Python代码18
2．7．1数学运算18
2．7．2导入新的库和函数19
2．7．3函数式编程21
2．7．4缩进22
2．8IPython23
2．8．1IPythonshell23
2．8．2IPythonQt-Console24
2．9PyPI仓库——Python包索引25
2．10多种PythonIDE26
2．10．1IDLE26
2．10．2Spyder27
2．10．3Eclipse（pyDev）27
2．10．4Sublime28
2．10．5Liclipse29
2．10．6NinjaIDE29
2．10．7KomodoIDE29
2．11SciPy30
2．11．1NumPy30
2．11．2pandas30
2．11．3matplotlib31
2．12小结31
第3章NumPy库32
3．1NumPy简史32
3．2NumPy安装32
3．3ndarray：NumPy库的心脏33
3．3．1创建数组34
3．3．2数据类型34
3．3．3dtype选项35
3．3．4自带的数组创建方法36
3．4基本操作37
3．4．1算术运算符37
3．4．2矩阵积38
3．4．3自增和自减运算符39
3．4．4通用函数40
3．4．5聚合函数40
3．5索引机制、切片和迭代方法41
3．5．1索引机制41
3．5．2切片操作42
3．5．3数组迭代43
3．6条件和布尔数组45
3．7形状变换45
3．8数组操作46
3．8．1连接数组46
3．8．2数组切分47
3．9常用概念49
3．9．1对象的副本或视图49
3．9．2向量化50
3．9．3广播机制50
3．10结构化数组52
3．11数组数据文件的读写53
3．11．1二进制文件的读写54
3．11．2读取文件中的列表形式数据54
3．12小结55
第4章pandas库简介56
4．1pandas：Python数据分析库56
4．2安装57
4．2．1用Anaconda安装57
4．2．2用PyPI安装58
4．2．3在Linux系统的安装方法58
4．2．4用源代码安装58
4．2．5Windows模块仓库59
4．3测试pandas是否安装成功59
4．4开始pandas之旅59
4．5pandas数据结构简介60
4．5．1Series对象60
4．5．2DataFrame对象66
4．5．3Index对象72
4．6索引对象的其他功能74
4．6．1更换索引74
4．6．2删除75
4．6．3算术和数据对齐77
4．7数据结构之间的运算78
4．7．1灵活的算术运算方法78
4．7．2DataFrame和Series对象之间的运算78
4．8函数应用和映射79
4．8．1操作元素的函数79
4．8．2按行或列执行操作的函数80
4．8．3统计函数81
4．9排序和排位次81
4．10相关性和协方差84
4．11NaN数据85
4．11．1为元素赋NaN值85
4．11．2过滤NaN86
4．11．3为NaN元素填充其他值86
4．12等级索引和分级87
4．12．1重新调整顺序和为层级排序89
4．12．2按层级统计数据89
4．13小结90
第5章pandas：数据读写91
5．1I/OAPI工具91
5．2CSV和文本文件92
5．3读取CSV或文本文件中的数据92
5．3．1用RegExp解析TXT文件94
5．3．2从TXT文件读取部分数据96
5．3．3往CSV文件写入数据97
5．4读写HTML文件98
5．4．1写入数据到HTML文件99
5．4．2从HTML文件读取数据100
5．5从XML读取数据101
5．6读写MicrosoftExcel文件103
5．7JSON数据105
5．8HDF5格式107
5．9pickle——Python对象序列化108
5．9．1用cPickle实现Python对象序列化109
5．9．2用pandas实现对象序列化109
5．10对接数据库110
5．10．1SQLite3数据读写111
5．10．2PostgreSQL数据读写112
5．11NoSQL数据库MongoDB数据读写114
5．12小结116
第6章深入pandas：数据处理117
6．1数据准备117
6．2拼接122
6．2．1组合124
6．2．2轴向旋转125
6．2．3删除127
6．3数据转换128
6．3．1删除重复元素128
6．3．2映射129
6．4离散化和面元划分132
6．5排序136
6．6字符串处理137
6．6．1内置的字符串处理方法137
6．6．2正则表达式139
6．7数据聚合140
6．7．1GroupBy141
6．7．2实例141
6．7．3等级分组142
6．8组迭代143
6．8．1链式转换144
6．8．2分组函数145
6．9高级数据聚合145
6．10小结148
第7章用matplotlib实现数据可视化149
7．1matplotlib库149
7．2安装150
7．3IPython和IPythonQtConsole150
7．4matplotlib架构151
7．4．1Backend层152
7．4．2Artist层152
7．4．3Scripting层（pyplot）153
7．4．4pylab和pyplot153
7．5pyplot154
7．5．1生成一幅简单的交互式图表154
7．5．2设置图形的属性156
7．5．3matplotlib和NumPy158
7．6使用kwargs160
7．7为图表添加更多元素162
7．7．1添加文本162
7．7．2添加网格165
7．7．3添加图例166
7．8保存图表168
7．8．1保存代码169
7．8．2将会话转换为HTML文件170
7．8．3将图表直接保存为图片171
7．9处理日期值171
7．10图表类型173
7．11线性图173
7．12直方图180
7．13条状图181
7．13．1水平条状图183
7．13．2多序列条状图184
7．13．3为pandasDataFrame生成多序列条状图185
7．13．4多序列堆积条状图186
7．13．5为pandasDataFrame绘制堆积条状图189
7．13．6其他条状图190
7．14饼图190
7．15高级图表193
7．15．1等值线图193
7．15．2极区图195
7．16mplot3d197
7．16．13D曲面197
7．16．23D散点图198
7．16．33D条状图199
7．17多面板图形200
7．17．1在其他子图中显示子图200
7．17．2子图网格202
7．18小结204
第8章用scikit-learn库实现机器学习205
8．1scikit-learn库205
8．2机器学习205
8．2．1有监督和无监督学习205
8．2．2训练集和测试集206
8．3用scikit-learn实现有监督学习206
8．4Iris数据集206
8．5K-近邻分类器211
8．6Diabetes数据集214
8．7线性回归：最小平方回归215
8．8支持向量机219
8．8．1支持向量分类219
8．8．2非线性SVC223
8．8．3绘制SVM分类器对Iris数据集的分类效果图225
8．8．4支持向量回归227
8．9小结229
第9章数据分析实例——气象数据230
9．1待检验的假设：靠海对气候的影响230
9．2数据源233
9．3用IPythonNotebook做数据分析234
9．4风向频率玫瑰图246
9．5小结251
第10章IPythonNotebook内嵌JavaScript库D3252
10．1开放的人口数据源252
10．2JavaScript库D3255
10．3绘制簇状条状图259
10．4地区分布图262
10．52014年美国人口地区分布图266
10．6小结270
第11章识别手写体数字271
11．1手写体识别271
11．2用scikit-learn识别手写体数字271
11．3Digits数据集272
11．4学习和预测274
11．5小结276
附录A用LaTeX编写数学表达式277
附录B开放数据源287

其他推荐