Python數(shù)據(jù)分析從0到1

初識篇
第1章Python與數(shù)據(jù)分析
1.1數(shù)據(jù)分析概念
1.2為什么使用Python
1.2.1智能時代的通用語言
1.2.2強大高效的第三方庫
1.2.3輕松的代碼結合能力
1.3數(shù)據(jù)分析領域的應用場景
1.3.1醫(yī)療健康
1.3.2交通出行
1.3.3商業(yè)策略
1.3.4經(jīng)濟金融
1.3.5城鄉(xiāng)規(guī)劃
1.3.6氣象變化
1.3.7科研及自動化辦公
1.4本章小結
第2章初識Python
2.1Python語言特點
2.2Python安裝方式
2.2.1Anaconda安裝
2.2.2官網(wǎng)安裝
2.3Python集成開發(fā)環(huán)境
2.3.1Jupyter Notebook
2.3.2Spyder
2.3.3PyCharm
2.4本章小結
基礎篇
第3章Python基礎
3.1變量與賦值
3.1.1變量
3.1.2賦值
3.2輸入與輸出
3.2.1輸入
3.2.2輸出
3.3Python對象
3.3.1Python對象的概念
3.3.2變量與對象的關系
3.4數(shù)據(jù)類型
3.4.1數(shù)字
3.4.2字符串
3.4.3列表
3.4.4元組
3.4.5字典
3.4.6集合
3.5運算符與表達式
3.5.1算術運算符
3.5.2比較運算符
3.5.3邏輯運算符
3.5.4位運算符
3.5.5賦值運算符
3.5.6成員運算符
3.5.7身份運算符
3.6選擇結構
3.6.1if語句
3.6.2ifelse語句
3.6.3ifelifelse語句
3.7循環(huán)結構
3.7.1while循環(huán)
3.7.2for循環(huán)
3.7.3循環(huán)嵌套
3.7.4循環(huán)控制語句
3.8綜合示例
3.9本章小結
第4章Python函數(shù)與模塊
4.1函數(shù)
4.1.1函數(shù)的概念
4.1.2函數(shù)的聲明
4.1.3函數(shù)的參數(shù)
4.1.4函數(shù)的調用及參數(shù)值的傳遞過程
4.1.5變量的作用域
4.1.6lambda函數(shù)
4.1.7函數(shù)編程示例
4.1.8遞歸函數(shù)
4.2第三方模塊
4.2.1概念與作用
4.2.2第三方模塊的導入與使用
4.3本章小結
第5章面向對象編程
5.1面向對象
5.1.1類和對象的概念
5.1.2面向過程編程與面向對象編程比較
5.2類、對象的創(chuàng)建和使用
5.2.1類的定義及實例化
5.2.2類變量和類方法的權限
5.2.3綜合示例
5.3類的繼承
5.3.1繼承的概念
5.3.2繼承的語法和使用
5.4Python中的異常處理機制
5.4.1異常的概念
5.4.2異常處理語句
5.4.3assert斷言
5.4.4自定義異常
5.5本章小結
第6章Python文件操作
6.1文件字符的編碼方式
6.2Python文件的操作步驟
6.3文件的打開與關閉 
6.4文件的讀取與寫入 
6.5Excel文件操作庫簡介
6.6Python文件的批量自動化操作
6.7本章小結
第7章數(shù)據(jù)可視化
7.1Matplotlib
7.1.1Matplotlib簡介及安裝
7.1.2Matplotlib繪圖基礎
7.1.3默認屬性值的修改與繪圖填充
7.1.4常用繪圖形式
7.1.5詞云
7.2Seaborn
7.2.1折線圖
7.2.2散點圖
7.2.3關聯(lián)圖
7.2.4直方圖
7.2.5其他常用繪圖形式
7.2.6繪圖風格與數(shù)據(jù)分組
7.3本章小結
第8章數(shù)值計算擴展庫
8.1NumPy簡介及安裝
8.2數(shù)組的創(chuàng)建
8.3數(shù)組對象ndarray的常用屬性
8.4數(shù)組對象的數(shù)據(jù)取值
8.4.1索引取值
8.4.2索引列表取值
8.4.3切片取值
8.4.4布爾取值
8.4.5搭配取值
8.4.6迭代取值
8.5數(shù)組對象元素的更新
8.6數(shù)組對象的合并與拆分
8.7數(shù)組對象的基本運算與廣播機制
8.8數(shù)組對象支持的數(shù)據(jù)類型
8.9數(shù)組對象的維度轉換
8.10NumPy的隨機數(shù)組
8.11數(shù)組對象的常用數(shù)據(jù)統(tǒng)計函數(shù)
8.12數(shù)據(jù)處理常用操作
8.13數(shù)組對象的常用數(shù)學函數(shù)
8.14NumPy與線性代數(shù)計算
8.15NumPy文件和批量數(shù)據(jù)操作
8.16本章小結
第9章結構化數(shù)據(jù)分析庫
9.1Pandas簡介及安裝
9.2Pandas支持的數(shù)據(jù)類型
9.3Series對象詳細講解
9.3.1Series對象的創(chuàng)建方法
9.3.2Series對象的屬性
9.3.3Series對象的取值
9.3.4Series對象的更新
9.3.5Series對象的基本運算
9.3.6Series對象的統(tǒng)計函數(shù)
9.3.7Series對象的字符串處理
9.3.8Series對象的常用函數(shù)
9.4DataFrame對象詳細講解
9.4.1DataFrame對象的創(chuàng)建方法
9.4.2DataFrame對象的屬性
9.4.3DataFrame對象的取值
9.4.4DataFrame對象的更新
9.4.5DataFrame對象的基本運算
9.4.6DataFrame對象的統(tǒng)計函數(shù)
9.4.7DataFrame對象的字符串處理
9.4.8DataFrame對象的常用函數(shù)
9.5Pandas的文件操作
9.5.1讀取和寫入Excel文件
9.5.2批量處理多個Excel文件數(shù)據(jù)
9.5.3讀取和寫入csv文件
9.5.4讀取和寫入txt文件
9.6Pandas的數(shù)據(jù)分組與聚合
9.6.1數(shù)據(jù)分組
9.6.2數(shù)據(jù)聚合
9.6.3綜合示例
9.7Pandas的透視表與交叉表
9.7.1透視表
9.7.2交叉表
9.8Pandas的數(shù)據(jù)預處理
9.8.1缺失值處理
9.8.2重復值處理
9.8.3歸一化處理
9.8.4有效性審校
9.8.5連續(xù)值離散化
9.8.6離散值編碼
9.9Pandas的時間序列處理
9.9.1創(chuàng)建時間序列
9.9.2時間序列格式化
9.9.3時間序列運算
9.9.4時間序列屬性
9.9.5時間序列處理綜合示例
9.10Pandas數(shù)據(jù)的可視化
9.11本章小結
進階篇
第10章數(shù)據(jù)分析常用算法
10.1機器學習基礎
10.2監(jiān)督學習算法
10.2.1線性回歸
10.2.2邏輯回歸
10.2.3KNN算法
10.2.4基于PyTorch搭建神經(jīng)網(wǎng)絡
10.2.5線性判別分析
10.2.6樸素貝葉斯分類器
10.2.7SVM支持向量機
10.2.8決策樹
10.3無監(jiān)督學習算法
10.3.1聚類
10.3.2PCA數(shù)據(jù)降維
10.4編程算法在數(shù)據(jù)分析中的應用
10.4.1編程算法與數(shù)據(jù)分析
10.4.2動態(tài)規(guī)劃算法概念
10.4.3動態(tài)規(guī)劃算法編程示例
10.4.4動態(tài)規(guī)劃算法在數(shù)據(jù)分析中的應用示例
10.5本章小結
第11章數(shù)據(jù)分析實戰(zhàn)
11.1數(shù)據(jù)集介紹
11.2實戰(zhàn)演練
11.2.1數(shù)據(jù)預處理
11.2.2統(tǒng)計分析與繪圖
11.2.3機器學習建模
11.3本章小結
參考文獻