Jupyter數(shù)據(jù)科學(xué)實戰(zhàn)

第 1章　數(shù)據(jù)科學(xué)基本概念　1
1．1　數(shù)據(jù)的概念　2
1．1．1　結(jié)構(gòu)化數(shù)據(jù)　2
1．1．2　非結(jié)構(gòu)化數(shù)據(jù)　2
1．1．3　半結(jié)構(gòu)化數(shù)據(jù)　3
1．2　數(shù)據(jù)科學(xué)的定義　3
1．3　數(shù)據(jù)科學(xué)家的工作　4
1．4　數(shù)據(jù)科學(xué)應(yīng)用實例　5
1．5　為何Python適合數(shù)據(jù)科學(xué)　6
1．6　小結(jié)　7
第　2章 軟件安裝與配置　8
2．1　系統(tǒng)要求　9
2．2　下載Anaconda　9
2．3　在Windows系統(tǒng)上安裝Anaconda　10
2．4　在Linux系統(tǒng)上安裝Anaconda　11
2．5　如何在Anaconda中安裝新的Python庫　13
2．6　打開筆記本—Jupyter　14
2．7　了解筆記本　15
2．8　小結(jié)　19
第3章　列表與字典　20
3．1　什么是列表　21
3．2　如何創(chuàng)建列表　21
3．3　列表的不同操作　22
3．4　列表與數(shù)組的差異　25
3．5　什么是字典　26
3．6　如何創(chuàng)建字典　26
3．7　字典的相關(guān)操作　26
3．8　小結(jié)　28
第4章　函數(shù)與包　29
4．1　Python的Help()函數(shù)　30
4．2　如何導(dǎo)入Python包　30
4．3　如何創(chuàng)建并調(diào)用函數(shù)　31
4．4　在函數(shù)中傳遞參數(shù)　31
4．5　函數(shù)的默認(rèn)參數(shù)　32
4．6　如何在函數(shù)中使用未知參數(shù)　32
4．7　函數(shù)的全局與本地變量　33
4．8　Lambda函數(shù)　35
4．9　了解Python中的main方法　35
4．10　小結(jié)　38
第5章　NumPy基本概念　39
5．1　導(dǎo)入NumPy包　39
5．2　為何NumPy數(shù)組優(yōu)于列表　40
5．3　NumPy數(shù)組屬性　41
5．4　創(chuàng)建NumPy數(shù)組　41
5．5　訪問NumPy數(shù)組中的元素　43
5．6　NumPy數(shù)組的切片　44
5．7　數(shù)組連接　46
5．8　小結(jié)　47
第6章　Pandas和數(shù)據(jù)幀　48
6．1　導(dǎo)入Pandas　48
6．2　Pandas數(shù)據(jù)結(jié)構(gòu)　49
6．3　．loc[]和．iloc[]　54
6．4　一些有用的數(shù)據(jù)幀函數(shù)　55
6．5　處理數(shù)據(jù)幀中的缺失值　57
6．6　小結(jié)　60
第7章　與數(shù)據(jù)庫交互　61
7．1　SQLAlchemy　62
7．2　安裝SQLAlchemy包　62
7．3　如何使用SQLAlchemy　63
7．4　SQLAlchemy引擎配置　64
7．5　在數(shù)據(jù)庫中新建表　65
7．6　在表中插入數(shù)據(jù)　66
7．7　更新記錄　67
7．8　如何合并表格　68
7．8．1　內(nèi)連接　68
7．8．2　左連接　69
7．8．3　右連接　70
7．9　小結(jié)　70
第8章　數(shù)據(jù)科學(xué)中的統(tǒng)計思維　71
8．1　數(shù)據(jù)科學(xué)中的統(tǒng)計學(xué)　72
8．2　統(tǒng)計數(shù)據(jù)/變量的類型　72
8．3　平均數(shù)、中位數(shù)和眾數(shù)　73
8．4　概率的基本概念　74
8．5　統(tǒng)計分布　75
8．6　Pearson相關(guān)系數(shù)　77
8．7　概率密度函數(shù)　78
8．8　真實案例　79
8．9　統(tǒng)計推斷與假設(shè)檢驗　79
8．10　小結(jié)　86
第9章　如何在Python中導(dǎo)入數(shù)據(jù)　87
9．1　導(dǎo)入TXT數(shù)據(jù)　88
9．2　導(dǎo)入CSV數(shù)據(jù)　89
9．3　導(dǎo)入Excel數(shù)據(jù)　90
9．4　導(dǎo)入JSON數(shù)據(jù)　90
9．5　導(dǎo)入腌制數(shù)據(jù)　91
9．6　導(dǎo)入壓縮數(shù)據(jù)　91
9．7　小結(jié)　92
第　10章 清洗導(dǎo)入的數(shù)據(jù)　93
10．1　了解數(shù)據(jù)　94
10．2　分析缺失值　95
10．3　丟棄缺失值　97
10．4　自動填充缺失值　98
10．5　如何縮放和歸一化數(shù)據(jù)　99
10．6　如何解析日期　102
10．7　如何應(yīng)用字符編碼　104
10．8　清洗不一致的數(shù)據(jù)　105
10．9　小結(jié)　106
第　11章 數(shù)據(jù)可視化　107
11．1　條形圖　108
11．2　折線圖　109
11．3　直方圖　110
11．4　散點(diǎn)圖　111
11．5　堆積圖　111
11．6　箱線圖　113
11．7　小結(jié)　115
第　12章 數(shù)據(jù)預(yù)處理　116
12．1　關(guān)于案例研究　116
12．2　導(dǎo)入數(shù)據(jù)集　117
12．3　探索性數(shù)據(jù)分析　118
12．4　數(shù)據(jù)清洗與預(yù)處理　122
12．5　特征工程　124
12．6　小結(jié)　129
第　13章 監(jiān)督式機(jī)器學(xué)習(xí)　130
13．1　常見的機(jī)器學(xué)習(xí)術(shù)語　131
13．2　機(jī)器學(xué)習(xí)導(dǎo)論　132
13．3　常用機(jī)器學(xué)習(xí)算法列述　133
13．4　監(jiān)督式機(jī)器學(xué)習(xí)基礎(chǔ)　134
13．5　解決分類機(jī)器學(xué)習(xí)問題　136
13．6　為何要進(jìn)行訓(xùn)練/測試拆分和交叉驗證　140
13．7　解決回歸機(jī)器學(xué)習(xí)問題　144
13．8　如何調(diào)整機(jī)器學(xué)習(xí)模型　152
13．9　如何處理sklearn中的分類變量　154
13．10　處理缺失數(shù)據(jù)的高級技術(shù)　155
13．11　小結(jié)　158
第　14章 無監(jiān)督式機(jī)器學(xué)習(xí)　159
14．1　為何選擇無監(jiān)督式機(jī)器學(xué)習(xí)　160
14．2　無監(jiān)督式機(jī)器學(xué)習(xí)技術(shù)　160
14．2．1　聚類　161
14．2．2　主成分分析　169
14．3　案例研究　172
14．4　驗證無監(jiān)督式機(jī)器學(xué)習(xí)　178
14．5　小結(jié)　179
第　15章 處理時間序列數(shù)據(jù)　180
15．1　為何時間序列重要　181
15．2　如何處理日期和時間　181
15．3　轉(zhuǎn)換時間序列數(shù)據(jù)　184
15．4　操作時間序列數(shù)據(jù)　187
15．5　比較時間序列的增長率　189
15．6　如何改變時間序列頻率　192
15．7　小結(jié)　198
第　16章 時間序列法　199
16．1　時間序列預(yù)測的定義　200
16．2　預(yù)測的基本步驟　200
16．3　時間序列預(yù)測的技術(shù)　201
16．3．1　自回歸　201
16．3．2　移動平均　202
16．3．3　自回歸移動平均　203
16．3．4　自回歸積分移動平均　203
16．3．5　季節(jié)性自回歸積分移動平均　204
16．3．6　季節(jié)性自回歸積分移動平均與外生回歸因子　205
16．3．7　向量自回歸移動平均　205
16．3．8　Holt-Winters指數(shù)平滑　206
16．4　預(yù)測網(wǎng)頁的未來流量　207
16．5　小結(jié)　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