Python科學(xué)計(jì)算

前言 \n
第1章數(shù)據(jù)科學(xué)導(dǎo)論 \n
1.1數(shù)據(jù)科學(xué)的由來 \n
1.2數(shù)據(jù)科學(xué)在不同場景中的應(yīng)用 \n
1.3數(shù)據(jù)科學(xué)工作的一般流程 \n
1.4IPython的概念 \n
1.5IPython的安裝 \n
1.6IPython的功能特點(diǎn) \n
1.6.1magic特性 \n
1.6.2Tab補(bǔ)全功能 \n
1.6.3代碼自省 \n
1.7Jupyter Notebook的使用 \n
1.7.1Jupyter Notebook的概念及特點(diǎn) \n
1.7.2安裝Jupyter Notebook \n
1.7.3啟動(dòng)Jupyter Notebook \n
1.8本章小結(jié) \n
1.9練習(xí) \n
第2章NumPy基礎(chǔ) \n
2.1NumPy的概念 \n
2.1.1什么是NumPy \n
2.1.2NumPy的優(yōu)勢 \n
2.2ndarray對(duì)象基本應(yīng)用 \n
2.2.1創(chuàng)建ndarray \n
2.2.2元素的類型 \n
2.2.3數(shù)組的屬性 \n
2.3索引與切片 \n
2.3.1基本的索引與切片 \n
2.3.2切片索引 \n
2.3.3布爾型索引 \n
2.3.4花式索引 \n
2.4內(nèi)置函數(shù) \n
2.4.1字符串函數(shù) \n
2.4.2統(tǒng)計(jì)函數(shù) \n
2.4.3數(shù)學(xué)函數(shù) \n
2.4.4算術(shù)函數(shù) \n
2.4.5排序、篩選函數(shù) \n
2.5數(shù)組的運(yùn)算 \n
2.5.1四則運(yùn)算 \n
2.5.2廣播 \n
2.5.3邏輯運(yùn)算 \n
2.6基于數(shù)組的文件輸入與輸出 \n
2.7利用數(shù)組進(jìn)行數(shù)據(jù)處理 \n
2.7.1條件邏輯表述為數(shù)組運(yùn)算 \n
2.7.2用于布爾型數(shù)組的方法 \n
2.8本章小結(jié) \n
2.9練習(xí) \n
第3章Pandas入門 \n
3.1Pandas介紹 \n
3.2Pandas數(shù)據(jù)結(jié)構(gòu) Series \n
3.2.1創(chuàng)建Series對(duì)象 \n
3.2.2Series數(shù)據(jù)的訪問 \n
3.2.3通過NumPy和其他Series對(duì)象 \n
定義新的Series對(duì)象 \n
3.2.4Series的元素判斷和過濾 \n
3.2.5Series的元素組成 \n
3.2.6Series的計(jì)算 \n
3.3Pandas數(shù)據(jù)結(jié)構(gòu) DataFrame \n
3.3.1創(chuàng)建DataFrame \n
3.3.2DataFrame數(shù)據(jù)的訪問 \n
3.3.3DataFrame 基礎(chǔ)信息查看 \n
3.3.4DataFrame數(shù)據(jù)的選取和過濾 \n
3.4Pandas的算術(shù)運(yùn)算 \n
3.5Pandas函數(shù)應(yīng)用與映射 \n
3.6本章小結(jié) \n
3.7練習(xí) \n
第4章Pandas數(shù)據(jù)加載 \n
4.1讀取CSV文件中的數(shù)據(jù) \n
4.2處理CSV文件中的無效數(shù)據(jù) \n
4.3逐塊讀取文本文件 \n
4.4從數(shù)據(jù)庫中讀取數(shù)據(jù) \n
4.5讀取JSON數(shù)據(jù) \n
4.6將數(shù)據(jù)寫入CSV文件 \n
4.7本章小結(jié) \n
4.8練習(xí) \n
Python科學(xué)計(jì)算目錄第5章Pandas數(shù)據(jù)預(yù)處理 \n
5.1了解缺失值 \n
5.1.1None ：Python對(duì)象類型 \n
的缺失值 \n
5.1.2NaN:數(shù)值類型的缺失值 \n
5.1.3Pandas中常用缺失值的總結(jié) \n
5.2處理缺失值 \n
5.2.1探索缺失值 \n
5.2.2刪除缺失值 \n
5.2.3替換缺失值 \n
5.3本章小結(jié) \n
5.4練習(xí) \n
第6章Pandas索引的應(yīng)用 \n
6.1索引對(duì)象 \n
6.1.1初識(shí)Index對(duì)象 \n
6.1.2創(chuàng)建并使用Index對(duì)象 \n
6.1.3創(chuàng)建并使用MultiIndex對(duì)象 \n
6.2索引及切片 \n
6.2.1Series對(duì)象 \n
6.2.2DataFrame對(duì)象 \n
6.3本章小結(jié) \n
6.4練習(xí) \n
第7章Pandas數(shù)據(jù)合并及常見字符串 \n
處理7.1字符串常見操作 \n
7.2Series類中str對(duì)象的方法 \n
7.3數(shù)據(jù)拼接 \n
7.3.1低維度數(shù)據(jù)合并 \n
7.3.2高維度數(shù)據(jù)合并 \n
7.4數(shù)據(jù)連接 \n
7.5本章小結(jié) \n
7.6練習(xí) \n
第8章Pandas分組 \n
8.1數(shù)據(jù)分組 \n
8.2數(shù)據(jù)分組高級(jí)使用 \n
8.3透視表制作 \n
8.4本章小結(jié) \n
8.5練習(xí) \n
第9章使用matplotlib完成數(shù)據(jù) \n
可視化9.1matplotlib的安裝 \n
9.2matplotlib的快速使用 \n
9.3pyplot的用法詳解 \n
9.3.1pyplot的快速使用 \n
9.3.2繪制多個(gè)子圖 \n
9.3.3為圖表添加文本 \n
9.3.4為圖表添加圖例 \n
9.3.5日期類型的數(shù)據(jù) \n
9.3.6注解的使用 \n
9.4折線圖 \n
9.5柱狀圖 \n
9.6散點(diǎn)圖 \n
9.7誤差線 \n
9.8本章小結(jié) \n
9.9練習(xí) \n
第10章招聘數(shù)據(jù)綜合分析 \n
10.1不同崗位公司類型占比 \n
10.2數(shù)據(jù)分析崗位各招聘公司規(guī)模分布 \n
10.3數(shù)據(jù)分析崗位招聘學(xué)歷以及經(jīng)驗(yàn) \n
要求 \n
10.4數(shù)據(jù)分析崗位招聘城市需求數(shù)量 \n
占比 \n
10.5數(shù)據(jù)分析崗位招聘不同地區(qū)薪資 \n
分布 \n
10.6本章小結(jié) \n
10.7練習(xí) \n
參考文獻(xiàn) \n