1.金融大數據專家帶你學習Python利器—Anaconda，了解Anaconda強大的包和各項功能；2.借助開源免費的Python平臺，豐富實用的案例，輕松駕馭金融大數據並解決常見的數據科學難題。

●第1章Anaconda生態繫統1
1.1簡介1
1.1.1通過Anaconda使用Jupyter的理由2
1.1.2在無須預裝的情況下使用Jupyter2
1.2Miniconda5
1.3Anaconda雲5
1.4查找幫助6
1.5總結8
1.6問題回顧及練習9
第2章Anaconda安裝11
2.1安裝Anaconda11
2.2測試Python13
2.3使用IPython14
2.4通過Jupyter使用Python16
2.5Spyder簡介17
2.6通過Conda安裝R19
2.7安裝Julia並鏈接到Jupyter20
2.8安裝Octave並鏈接到Jupyter21
2.9查找幫助23
2.10總結25
2.11問題回顧及練習25
第3章數據基礎27
3.1數據源28
3.2UCI機器學習28
3.3Python包pandas簡介31
3.4輸入數據的幾種方式32
3.4.1使用R輸入數據33
3.4.2使用Python輸入數據34
3.5Quandl數據分發平臺簡介36
3.6處理缺失數據39
3.7數據排序42
3.7.1切割數據集45
3.7.2合並不同數據集45
3.7.3數據輸出48
3.8Python包cbsodata簡介49
3.9Python包datadotworld簡介50
3.10R包haven和foreign簡介51
3.11R包dslabs簡介52
3.12生成Python數據集53
3.13生成R數據集55
3.14總結56
3.15問題回顧及練習56
第4章數據可視化59
4.1數據可視化的重要性59
4.2R數據可視化60
4.3Python數據可視化66
4.4Julia數據可視化69
4.5繪制簡單圖形71
4.5.1各種條狀圖、餅圖和直方圖74
4.5.2添加趨勢75
4.5.3添加圖解和其他說明76
4.6R可視化包79
4.7Python可視化包81
4.8Julia可視化包82
4.9動態可視化83
4.9.1將圖片存儲為pdf86
4.9.2將動態可視化存儲為HTML文件86
4.10總結87
4.11問題回顧及練習87
第5章在Anaconda中統計建模90
5.1線性模型簡介91
5.2在R、Python、Julia和Octave中運行線性回歸92
5.3臨界值和決策規則96
5.4F檢驗、臨界值和決策規則97
5.5處理缺失數據104
5.5.1清除缺失數據104
5.5.2用其他值替換缺失數據105
5.6檢測及處理異常值106
5.7線性模型108
5.8共線性及其解決方案111
5.9一個模型的性能測量113
5.10總結113
5.11問題回顧及練習113
第6章管理包117
6.1包、模塊和工具箱簡介118
6.2使用包的兩個示例118
6.3查找所有R包123
6.4查找所有Python包124
6.5查找所有Julia包125
6.6查找所有Octave包126
6.7R中的任務視圖126
6.8查找手冊128
6.9包依賴129
6.10R包管理130
6.11Python包管理132
6.12Julia包管理133
6.13Octave包管理134
6.14包管理器conda135
6.15在R和Python中創建程序集137
6.16查找環境變量138
6.17總結140
6.18問題回顧及練習140
第7章Anaconda的優化142
7.1為何優化很重要142
7.2優化的一般問題144
7.3二次優化148
7.3.1R中的優化149
7.3.2Python中的優化151
7.3.3Julia中的優化153
7.3.4Octave中的優化156
7.4股票投資組合優化159
7.5很優的稅收政策161
7.6R中用於優化的包162
7.7Python中用於優化的包164
7.8Octave中用於優化的包165
7.9Julia中用於優化的包165
7.10總結166
7.11問題回顧及練習166
第8章Anaconda中的無監督學習168
8.1無監督學習簡介169
8.2層次聚類173
8.3k-均值聚類177
8.4Python包scipy簡介179
8.5Python包contrastive簡介181
8.6Python包sklearn（scikit-learn）簡介181
8.7R包rattle簡介185
8.8R包randomUniformForest簡介187
8.9R包Rmixmod簡介189
8.10Julia實現190
8.11聚類分析的任務視圖191
8.12總結192
8.13問題回顧及練習192
第9章Anaconda中的監督學習194
9.1監督學習概覽194
9.2分類199
9.2.1k-最近鄰算法200
9.2.2貝葉斯分類器202
9.2.3強化學習204
9.3監督學習的R實現205
9.4Python實現209
9.5Octave實現213
9.6Julia實現217
9.7總結219
9.8問題回顧及練習220
第10章數據預測分析：建模和驗證223
10.1理解數據預測分析223
10.2有用的數據集224
10.2.1R包AppliedPredictive
Modeling226
10.2.2時間序列分析228
10.3預測未來事件229
10.3.1季節性232
10.3.2可視化組件233
10.3.3R包LiblineaR234
10.3.4R包datarobot236
10.3.5R包eclust236
10.4模型選擇238
10.4.1Python包model-catwalk240
10.4.2Python包sklearn240
10.4.3Julia包QuantEcon242
10.4.4Octave包ltfat243
10.5Granger因果關繫檢驗245
10.6總結247
10.7問題回顧及練習247
第11章Anaconda雲250
11.1Anaconda雲簡介250
11.2深入學習JupyterNotebook251
11.2.1JupyterNotebook格式254
11.2.2Notebooks分享256
11.2.3項目分享258
11.2.4環境分享260
11.3復制他人的環境到本地261
11.4總結265
11.5問題回顧及練習265
第12章分布式計算、並行計算和HPCC267
12.1分布式和並行計算簡介267
12.1.1並行處理的任務視圖268
12.1.2Python示例程序269
12.2理解MPI270
12.2.1R包Rmpi270
12.2.2R包plyr271
12.2.3R包parallel272
12.2.4R包snow276
12.3Python並行處理276
12.3.1單詞頻率的並行處理278
12.3.2Monte-Carlo期權定價並行處理278
12.4計算節點280
12.5Anaconda附加組件280
12.6HPCC簡介281
12.7總結283
12.8問題回顧及練習283

Anaconda是一個強大的開源數據科學平臺，它將很多好的工具整合在一起，極大地簡化了使用者的工作流程，並能夠幫助使用者解決一繫列數據科學難題。
《Anaconda數據科學實戰》旨在通過一繫列示例，引導讀者在編碼和圖表中了解Anaconda的強大之處。本書包括12章，結合R、Python、Octave和Julia等4種編程語言，從平臺的安裝和配置開始，循序漸進地引導讀者掌握數據集的獲取、數據可視化、統計建模、管理包、Anaconda的優化、無監督學習、監督學習、數據預測分析、雲、分布式計算等內容。
本書示例豐富，講解細致，作者不僅在金融領域有著深厚的積累，還有著豐富的教學經驗。對於那些有興趣了解金融領域數據科學的讀者，以及普通的數據分析師或數據科學從業者，本書都是一個不錯的選擇。在閱讀本書之前，我們希望讀者具備R或Python的基本編程知識，以及線性代數相關的基本知等

(美)嚴玉星,(美)詹姆斯·嚴(James Yan) 著 李晗 譯