●譯者序原書前言第1章  引言：成為獨角獸 1 1.1  數據科學家不僅僅是高薪統計人員 2 1.2  本書的內容是怎樣組織的 2 1.3  如何使用本書 3 1.4  無論如何，為什麼一切都在Python中 3 1.5  示例代碼及數據集 3 1.6  最後的話 4第Ⅰ部分  必須掌握的基礎素材第2章  數據科學路線圖 6 2.1  解決問題 7 2.2  理解數據：基本問題 8 2.3  理解數據：數據整理 9 2.4  理解數據：探索性分析 9 2.5  提取特征 10 2.6  模型 10 2.7  呈現結果 11 2.8  部署代碼 11 2.9  迭代 12 2.10  術語 12第3章  編程語言 13 3.1  為什麼使用編程語言，有無其他選項 13 3.2  數據科學編程語言綜述 14 3.2.1  Python語言 14 3.2.2  R語言 14 3.2.3  MATLAB和Octave 14 3.2.4  SAS 15 3.2.5  Scala 15 3.3  Python語言速成班 15 3.3.1  版本注解 15 3.3.2  “hello world”腳本 16 3.3.3  更為復雜的腳本 17 3.3.4  數據類型 19 3.4  字符串 19 3.4.1  注釋與文檔注釋 21 3.4.2  復雜數據類型 21 3.4.3  列表 22 3.4.4  字符串與列表 22 3.4.5 &nb組 23 3.4.6  字典 24 3.4.7  集合 24 3.5  定義函數 24 3.5.1  循環與控制結構 25 3.5.2  一些關鍵函數 26 3.5.3  異常處理 27 3.5.4  導入庫 27 3.5.5  類及對像 27 3.5.6  可哈希與不可哈希類型 28 3.6  Python語言技術庫 29 3.6.1  數據幀 29 3.6.2  序列 30 3.6.3  連接與分組 32 3.7  其他Python語言資源 33 3.8  延伸閱讀 33 3.9  術語 34第4章  數據預處理：字符串操作、正則表達式和數據清理 36 4.1  糟糕的數據集 36 4.2  如何識別問題 37 4.3  數據內容問題 37 4.3.1  重復條目 37 4.3.2  單實體的多個條目 37 4.3.3  丟失缺失值 38 4.3.4  NULL 38 4.3.5  巨大異常值 38 4.3.6  過期數據 39 4.3.7  人造數據 39 4.3.8  非正規空格 39 4.4  格式化問題 39 4.4.1  不同行列之間的不規則格式化 39 4.4.2  額外的空白 39 4.4.3  不規則大小寫 40 4.4.4  不一致分隔符 40 4.4.5  不規則NULL格式 40 4.4.6  非法字符 40 4.4.7  奇怪或不兼容的時間類型 40 4.4.8  操作繫統不兼容 41 4.4.9  錯誤的軟件版本 41 4.5  格式化腳本實例 42 4.6  正則表達式 43 4.6.1  正則表達式語法 43 4.7  數據科學戰壕中的生活 46 4.8  術語 47第5章  可視化與簡單度量 48 5.1  關於Python語言可視化工具的說明 48 5.2  示例代碼 49 5.3  餅圖 49 5.4  柱狀圖 51 5.5  直方圖 53 5.6  均值、標準差、中位數和分位數 55 5.7  箱式圖 56 5.8  散點圖 57 5.9  對數軸線散點圖 59 5.10  散點陣列圖 61 5.11  熱力圖 62 5.12  相關性 63 5.13  Anscombe四重奏與數字極限 64 5.14  時間序列 65 5.15  延伸閱讀 68 5.16  術語 69第6章  機器學習概要 70 6.1  歷史背景 71 6.2  監督與無監督學習 71 6.3  訓練數據、測試數據和過擬合 72 6.4  延伸閱讀 72 6.5  術語 73第7章  插曲：特征提取思路 74 7.1  標準特征 74 7.2  有關分組的特征 75 7.3  預覽更復雜的特征 75 7.4  定義待預測功能 75第8章  機器學習分類 77 8.1  什麼是分類器，用它可以做什麼 77 8.2  一些實用的關注點 78 8.3  二分類與多分類 78 8.4  實例腳本 79 8.5  特定分類器 80 8.5.1  決策樹 80 8.5.2  隨機森林 82 8.5.3  集成分類器 83 8.5.4  支持向量機 83 8.5.5  邏輯回歸 85 8.5.6  回歸 87 8.5.7  樸素貝葉斯分類器 88 8.5.8  神經網絡 89 8.6  評價分類器 90 8.6.1  混淆矩陣 91 8.6.2  ROC曲線 91 8.6.3  ROC曲線之下的面積 93 8.7  選擇分類閾值 93 8.7.1  其他性能測量 94 8.7.2  升力曲線 94 8.8  延伸閱讀 94 8.9  術語 95第9章  技術交流與文檔化 96 9.1  指導原則 96 9.1.1  了解觀眾 96 9.1.2  說明其重要性 97 9.1.3  使其具體化 97 9.1.4  一張圖片勝過千言萬語 98 9.1.5  不要對自己的技術知識感到驕傲 98 9.1.6  使其看起來美觀 98 9.2  幻燈片 99 9.2.1  C.R.A.P設計原則 99 9.2.2  一些提示和經驗法則 101 9.3  書面報告 102 9.4  演示：有用的技巧 103 9.5  代碼文檔 104 9.6  延伸閱讀 105 9.7  術語 105第Ⅱ部分  仍需要知道的事情第10章  無監督學習：聚類與降維 108 10.1  維數災難 108 10.2  實例：“特征臉”降維 110 10.3  主成分分析與因子分析 112 10.4  Skree圖與維度的理解 113 10.5  因子分析 114 10.6  PCA的局限性 114 10.7  聚類 115 10.7.1  聚類簇的實際評估 115 10.7.2  k均值聚類 116 10.7.3  高斯混合模型 117 10.7.4  合成聚類 118 10.7.5  聚類質量評價 118 10.7.6  輪廓分數 118 10.7.7  蘭德指數與調整蘭德指數 120 10.7.8  互信息 120 10.8  延伸閱讀 121 10.9  術語 121第11章  回歸 1

本書對數據科學進行了整體性介紹，涵蓋了掌握該學科所需的分析、編程和業務技能等方方面面。找到一個的數據科學家就像是尋找一隻獨角獸：因為其所需要的技術及技能組合很難在一個人身上兼備。另外，良好的數據科學素養不僅僅是對所訓練技能的綜合應用，還需要能夠靈活考慮所有這些領域，並理解它們之間的聯繫。本書提供了數據科學的速成課程，將所有必要的技能結合到一個統一的學科體繫中。與許多數據分析的書籍不同，本書涵蓋了關鍵的計算機科學和軟件工程相關內容，因為它們在數據科學家的日常工作中發揮了極其重要的作用。本書還介紹了經典的機器學習算法，從這些算法的數學基礎到實際應用均有描述。本書對可視強調其在數據科學中的核心位置。引入古典統計學的目的是幫助讀者用批判性思維對數據進行解釋，並指出常見的陷阱。對分析結果的清化工具進行了綜述，並晰交流（這也許是數據科學技術中*為薄弱的一個環節）有專門的章節進行講解，本書對所有涉及的主等

原書前言本書是為解決問題而編寫的。在我面試的數據科學職位中的那些具有純正數學背景的人中，大多數都無法編寫一個計算斐波那契數的簡單腳本（如果讀者不熟悉斐波那契數，這隻需要大約5行代碼）。另一方面，雇主傾向於將數據科學家視為神秘的巫師或二手車銷售人員，而當數據科學家被認為無法編寫基本的腳本時，後一種印像就尤為深刻！這些問題反映了所有各方對數據科學是什麼（或不是什麼）以及從業者需要什麼樣的技能存在根本誤解。當我初涉數據科學時，也存在同樣的問題。多年的物理學科訓練使我擅長以抽像理論來解決問題，而在其中缺乏常識或靈活性。幸運的是，我知道如何編碼（得益於在Google公司的實習），這讓我一瘸一拐地抓住了重要的實用技能和思維模式。離開學術界後，我為多種類型的公司做過數據科學咨詢,包括針對小型初創企業進行的網絡流量分析、財富100巨頭的制造優化以及介於兩者之間的方方面面。要解決的問題總是獨一無二的，但解決等