產品名稱：Python數據科學入門

是否是套裝：否

書名：Python數據科學入門 Python數據科學入門

代碼：69

出版社名稱：人民郵電出版社

出版時間：2018年5月

作者：約翰·保羅·穆勒等

開本：16開

ISBN編號：9787115479624

●第 1 部分 開啟Python 數據科學之門  1第  1 章 探索數據科學與Python之間的匹配度  31.1  定義21 世紀最誘人的工作  51.1.1  思考數據科學的出現  51.1.2  概述數據科學家的核心競爭力  61.1.3  連接數據科學和大數據  71.1.4  理解編程的角色  71.2  創建數據科學管道  81.2.1  準備數據  81.2.2  執行探索性的數據分析  81.2.3  從數據中學習  81.2.4  可視化  91.2.5  獲得洞察力和數據產品  91.3  理解Python 在數據科學中的角色  91.3.1  思考數據科學家的多面性  91.3.2  使用一門多用途、簡單而高效的語言來工作  101.4  快速學會使用Python  111.4.1  加載數據  111.4.2  訓練模型  121.4.3  顯示結果  13第  2 章 介紹Python 的能力和奇跡  142.1  為什麼是Python  152.1.1  抓住Python 的核心哲學  162.1.2  探索現在和未來的開發目標  162.2  使用Python 工作  172.2.1  品味語言  172.2.2  理解縮進的需求  172.2.3  用命令行或者IDE 工作  182.3  運行快速原型和實驗  222.4  考慮執行速度  232.5  可視化能力  242.6  為數據科學使用Python生態繫統  262.6.1  使用SciPy 來訪問用於科學的工具  262.6.2  使用NumPy 執行基礎的科學計算  262.6.3  使用pandas 來執行數據分析  262.6.4  使用Scikit-learn 實現機器學習  272.6.5  使用matplotlib 來標繪數據  272.6.6  使用Beautiful Soup來解析HTML 文檔  27第3  章 為數據科學設置Python  293.1  考慮現成的跨平臺的用於科學的分發包  303.1.1  獲取Continuum AnalyticsAnaconda  313.1.2  獲取Enthought CanopyExpress  323.1.3  獲取pythonxy  323.1.4  獲取WinPython  333.2  在Windows 上安裝Anaconda  333.3  在Linux 上安裝Anaconda  363.4  在Mac OS X 上安裝Anaconda  373.5  下載數據集和示例代碼  383.5.1  使用IPython Notebook  393.5.2  定義代碼倉庫  403.5.3  理解本書中所使用的數據集  45第4  章 復習Python 基礎  474.1  使用數字和邏輯來工作  494.1.1  執行變量賦值  504.1.2  做算術運算  504.1.3  使用布爾表達式來比較數據  524.2  創建和使用字符串  544.3  與日期交互  554.4  創建並使用函數  564.4.1  創建可復用函數  564.4.2  以各種不同的方式調用函數  584.5  使用條件和循環語句  614.5.1  使用if 語句做決策  614.5.2  使用嵌套決策在多個選項間做出選擇  624.5.3  使用for 執行重復任務  634.5.4  使用while 語句  644.6  使用Sets、Lists 和Tuples來存儲數據  644.6.1  在set 上執行操作  654.6.2  使用list 來工作  664.6.3  創建和使用Tuple  674.7  定義有用的迭代器  694.8  使用Dictionaries 來索引數據  70第  2 部分 開始著手於數據  71第5  章 使用真實數據工作  735.1  上傳、流化並采樣數據  745.1.1  把少量數據上傳至內存  755.1.2  把大量數據流化放入內存  765.1.3  采樣數據  775.2  以結構化的平面文件形式來訪問數據  785.2.1  從文本文件中讀取  795.2.2  讀取CSV 定界的格式  805.2.3  讀取Excel 和其他的微軟辦公文件  825.3  以非結構化文件的形式來發送數據  835.4  管理來自關繫型數據庫中的數據  865.5  與來自NoSQL 數據庫中的數據進行交互  875.6  訪問來自Web 的數據  88第6  章 整理你的數據  926.1  兼顧NumPy 和pandas  936.1.1  知道什麼時候使用NumPy  936.1.2  知道什麼時候使用pandas  936.2  驗證你的數據  956.2.1  了解你的數據中有什麼  956.2.2  去重  966.2.3  創建數據地圖和數據規劃  976.3  處理分類變量  996.3.1  創建分類變量  1006.3.2  重命名層級  1026.3.3  組合層級  1026.4  處理你數據中的日期  1046.4.1  格式化日期和時間值  1046.4.2  使用正確的時間轉換  1056.5  處理丟失值  1066.5.1  尋找丟失的數據  1066.5.2  為丟失項編碼  1076.5.3  為丟失數據估值  1086.6  交叉分析：過濾並選取數據  1096.6.1  切分行  1096.6.2  切分列  1106.6.3  切塊  1106.7  連接和變換  1116.7.1  增加新的實例和變量  1126.7.2  移除數據  1136.7.3  排序和攪亂  1146.8  在任何層次聚合數據  115第7  章 數據整形  1177.1  使用HTML 頁面來工作  1187.1.1  解析XML 和HTML  1187.1.2  使用XPath 來抽取數據  1197.2  使用原始文本來工作  1207.2.1  處理Unicode 碼  1207.2.2  詞干提取和停止詞移除  1227.2.3  介紹正則表達式  1247.3  使用並超越詞袋模型  1267.3.1  理解詞袋模型  1277.3.2  用n&nb文法模型（n-grams）工作  1287.3.3  實現TF-IDF 變換  1307.4  使用圖數據來工作  1317.4.1  理解鄰接矩陣  1317.4.2  使用NetworkX 基礎  132第8  章 將你所知的付諸於實踐  1348.1  將問題和數據置於上下文中去理解  1358.1.1  評估數據科學問題  1368.1.2  研究方案  1368.1.3  構想出假設  1378.1.4  準備數據  1388.2  思考創建特征的藝術  1388.2.1  定義特征創建  1388.2.2  組合變量  1398.2.3  理解分級和離散化  1408.2.4  使用指示變量  1408.2.5  變換分布  1408.3  在數組上執行運算  1418.3.1  使用向量化  1418.3.2  在向量和矩陣上執行簡單的算法  1428.3.3  執行矩陣向量乘法  1428.3.4  執行矩陣乘法  143第3  部分 把不可見的東西可視化  145第9  章 獲得MatPlotLib 的速成課程  1479.1  開始使用圖表  1489.1.1  定義標圖  1489.1.2  畫多線條和多標圖  1499.1.3  保存你的工作  1499.2  設置軸、刻度和網格  1509.2.1  得到軸  1519.2.2  格式化軸  1519.2.3  添加網格  1529.3  定義線條外觀  1539.3.1  使用線條樣式工作  1539.3.2  使用顏色  1559.3.3  添加標記  1559.4  使用標簽、注釋和圖例  1579.4.1  添加標簽  1589.4.2  注釋圖表  1589.4.3  創建圖例  159第  10 章 將數據可視化  16110.1  選擇合適的圖表  16210.1.1  用餅圖展示整體的局部組成  16210.1.2  用柱狀圖來創建比較  16310.1.3  用直方圖來展示分布  16410.1.4  使用箱線圖來描繪組  16610.1.5  使用散點圖看數據模式  16710.2  創建高級的散點圖  16810.2.1  描繪組群  16810.2.2  展示關聯  16910.3  標繪時間序列  17110.3.1  在軸上表示時間  17110.3.2  標繪隨時間的趨勢  17210.4  標繪地理數據  17410.5  把圖做可視化  17610.5.1  開發無向圖  17610.5.2  開發有向圖  177第  11 章 理解工具  18011.1  使用IPython 控制臺  18111.1.1  與屏幕文本交互  18111.1.2  改變窗口外觀  18211.1.3  獲取Python 幫助  18411.1.4  獲取IPython 幫助  18511.1.5  使用魔法函數  18611.1.6  探索對像  18711.2  使用IPython Notebook  18811.2.1  使用樣式來工作  18911.2.2  重啟內核  19011.2.3  恢復檢查點  19111.3  執行多媒體和圖像整合  19211.3.1  嵌入標圖和其他圖片  19211.3.2  從在線網站上加載例子  19311.3.3  獲取在線圖像和多媒體  193第4  部分 處理數據  195第  12 章 拓展Python 的能力  19712.1  玩轉Scikit-learn  19812.1.1  理解Scikit-learn 中的類  19812.1.2  為數據科學定義應用  19912.2  執行散列法  20212.2.1  使用散列函數  20212.2.2  演示散列法  20312.2.3  使用確定性選擇來工作  20512.3  考慮計時和性能  20612.3.1  用timeit 來做基線檢測  20712.3.2  使用內存剖析器來工作  20912.4  並行運行  21012.4.1  執行多核並行化  21112.4.2  演示多核處理  212第  13 章 探索數據分析  21413.1  EDA 方法  21513.2  為Numeric 數據定義描述性的統計量  21613.2.1  度量集中化趨勢  21713.2.2  測量方差和區間  21713.2.3  使用分位數來工作  21813.2.4  定義正態化度量  21913.3  為分類型數據計數  22013.3.1  理解頻率  22013.3.2  創建列聯表  22113.4  為EDA 創建應用可視化  22213.4.1  檢查箱線圖  22213.4.2  在箱線圖之後執行t檢驗  22313.4.3  觀察平行坐標  22413.4.4  為分布作圖  22513.4.5  標繪散點圖  22613.5  理解相關性  22813.5.1  使用協方差和關聯性  22813.5.2  使用非參數相關性  23013.5.3  考慮表格的卡方檢驗  23013.6  修改數據分布  23113.6.1  使用正態分布  23213.6.2  創建Z 評分標準化  23213.6.3  轉換其他的著名分布  232第  14 章 降維  23414.1  理解SVD  23514.1.1  尋求降維  23614.1.2  使用SVD 來測量不可見的信息  23714.2  執行因子和主成分分析  23814.2.1  考慮心理測量模型  23914.2.2  尋找隱因子  23914.2.3  使用成分，而不是因子  24014.2.4  達成降維  24014.3  理解一些應用  24114.3.1  用PCA 來識別人臉  24114.3.2  用NMF 來提取主題  24414.3.3  推薦電影  246第  15 章 聚類  24915.1  用K-means 聚類  25115.1.1  理解基於質心的算法  25115.1.2  創建使用圖像數據的例子  25315.1.3  尋找優化解決方案  25415.1.4  大數據聚類  25715.2  執行層次聚類  25815.3  超越圓形簇：DBScan  261第  16 章 檢測數據中的異常點  26516.1  考慮異常檢測  26616.1.1  找出更多可能出錯的地方  26716.1.2  理解異常數據和新奇的數據  26816.2  檢驗簡單的單變量法  26816.2.1  利用高斯分布  27016.2.2  做出假設並檢驗  27016.3  開發多變量方法  27116.3.1  使用主成分分析  27216.3.2  使用聚類分析  27316.3.3  使用SVM 將異常檢測自動化  274第5  部分 從數據中學習  275第  17 章 探索4 個簡單又有效的算法  27717.1  猜測數字：線性回歸  27717.1.1  定義線性模型家族  27817.1.2  使用更多變量  27917.1.3  理解和問題  28017.2  轉移到邏輯回歸  28117.2.1  應用邏輯回歸  28117.2.2  考慮有更多類的時候  28217.3  讓事情像樸素貝葉斯（Na veBayes）一樣簡單  28317.3.1  發現樸素貝葉斯並不是那麼樸素  28517.3.2  預測文本分類  28617.4  使用最近鄰來延遲學習  28717.4.1  觀察鄰居之後做預測  28817.4.2  明智地選擇k 參數  290第  18 章 執行交叉驗證、選擇和優化  29118.1  關於擬合模型問題的思考  29218.1.1  理解偏差和方差  29318.1.2  定義挑選模型的策略  29418.1.3  劃分訓練集和測試集  29618.2  交叉驗證  29918.2.1  使用k 折交叉驗證  29918.2.2  復雜數據的分層采樣  30018.3  像專業人士那樣選擇變量  30218.3.1  通過單變量度量來選擇  30218.3.2  使用貪婪搜索  30318.4  提升你的超參數  30418.4.1  實現網格搜索  30518.4.2  嘗試隨機化搜索  309第  19 章 用線性和非線性技巧增加復雜性  31119.1  使用非線性變換  31219.1.1  執行變量變換  31219.1.2  創建變量間的相互作用  31419.2  正則化線性模型  31719.2.1  依靠Ridge 回歸（L2）  31819.2.2  使用Lasso（L1）  31919.2.3  利用規範化  31919.2.4  組合L1 和L2：Elasticnet  32019.3  逐塊與大數據戰鬥  32019.3.1  當數據過多時來做決定  32119.3.2  實現隨機梯度下降  32119.4  理解支持向量機  32319.4.1  依靠一種計算方法  32419.4.2  修正很多新參數  32719.4.3  用SVC 分類  32819.4.4  走向非線性是簡單的  33319.4.5  用SVR 來執行回歸  33419.4.6  用SVM 創建隨機（stochastic）解決方案  336第  20 章 理解多數的力量  34020.1  以樸素的決策樹開始  34120.1.1  理解決策樹  34120.1.2  創建分類和回歸樹  34320.2  讓機器學習得以應用  34620.2.1  使用隨機森林分類器來工作  34820.2.2  使用隨機森林回歸器來工作  34920.2.3  優化隨機森林  34920.3  Boosting 預測  35120.3.1  了解多個弱預測器將勝出  35120.3.2  創建梯度推進分類器  35220.3.3  創建梯度推進回歸器  35320.3.4  使用GBM 超參數  353第6  部分 十大繫列專題  355第  21 章 10 個必不可少的數據科學資源集  35721.1  用數據科學周刊獲得深入了解  35821.2  在U Climb Higher 上獲取資源列表  35821.3  用KDnuggets 來獲得一個良好的起點  35921.4  訪問數據科學中心上的巨型資源列表  35921.5  從專家處獲得開源數據科學情報  36021.6  用Quora 來定位到免費的學習資源  36021.7  在Conductrics 上接收高級主題的幫助  36121.8  從立志數據科學家中學習新技巧  36121.9  在AnalyticBridge 上尋找數據智能和分析資源  36221.10  專注於Jonathan Bower的開發者資源  362第  22 章 10 個你應該接受的挑戰  36422.1  迎接數據科學倫敦+Scikit-learn 的挑戰  36522.2  預測泰坦尼克號上的幸存者  36622.3  尋找滿足你需求的Kaggle競賽  36622.4  磨練你的過擬合策略  36722.5  涉獵MovieLens 數據集  36722.6  清除垃圾郵件  36822.7  使用手寫信息工作  36922.8  使用圖片工作  37022.9  分析Amazon.com 審查  37122.10  與巨圖交互  371