精品无码a免费观看,a真人一级毛片日韩区,日日做夜夜添夜夜无码

本書以Python為工具，除了系統(tǒng)介紹Python程序開發(fā)之外，還重點(diǎn)介紹了基于Python的數(shù)據(jù)分析與數(shù)據(jù)可視化。全書共8章，內(nèi)容包括：數(shù)據(jù)分析與數(shù)據(jù)可視化，Python與數(shù)據(jù)分析、數(shù)據(jù)可視化，Python程序設(shè)計(jì)基礎(chǔ)，Python程序設(shè)計(jì)進(jìn)階，用NumPy生成和處理數(shù)據(jù)，用Pandas分析數(shù)據(jù)，Scikit-learn機(jī)器學(xué)習(xí)基礎(chǔ)，用Matplotlib實(shí)現(xiàn)數(shù)據(jù)可視化。本書通用性較強(qiáng)，適合各類開設(shè)數(shù)據(jù)分析、數(shù)據(jù)可視化相關(guān)課程的高等院校作為教材使用，也適合從事Python數(shù)據(jù)分析與數(shù)據(jù)可視化工作的讀者作為自學(xué)參考教程。

前言數(shù)據(jù)資產(chǎn)作為經(jīng)濟(jì)社會(huì)數(shù)字化轉(zhuǎn)型進(jìn)程中的新興資產(chǎn)類型，是國家重要的戰(zhàn)略資源。隨著數(shù)據(jù)量的不斷增長，海量數(shù)據(jù)的價(jià)值亟待挖掘，由此，數(shù)據(jù)分析與數(shù)據(jù)可視化的重要性顯而易見。各行各業(yè)都對(duì)數(shù)據(jù)分析與數(shù)據(jù)可視化提出了迫切需求，高校眾多專業(yè)也紛紛開設(shè)數(shù)據(jù)分析與數(shù)據(jù)可視化的相關(guān)課程。正因?yàn)榇�，筆者將多年教學(xué)中積累的素材加以總結(jié)，編寫了本書。本書以Python為工具，系統(tǒng)介紹了數(shù)據(jù)分析與數(shù)據(jù)可視化的基本概念、一般步驟和相關(guān)方法，由淺入深地介紹了數(shù)據(jù)分析與機(jī)器學(xué)習(xí)相關(guān)的若干第三方庫的使用和編程方法。本書理論結(jié)合實(shí)際，特別突出了實(shí)踐特色，能夠很好地滿足高校數(shù)據(jù)分析與數(shù)據(jù)可視化人才培養(yǎng)需求。本書共8章：第1章，數(shù)據(jù)分析與數(shù)據(jù)可視化。介紹了數(shù)據(jù)分析與數(shù)據(jù)可視化的相關(guān)概念、數(shù)據(jù)分析的一般步驟、常用數(shù)據(jù)分析方法、數(shù)據(jù)分析與數(shù)據(jù)可視化常用工具。第2章，Python與數(shù)據(jù)分析、數(shù)據(jù)可視化。介紹了Python這一數(shù)據(jù)分析與數(shù)據(jù)可視化的利器、基于Python的數(shù)據(jù)分析與數(shù)據(jù)可視化工具（常用的Python第三方庫）、使用Python初步上手?jǐn)?shù)據(jù)分析。第3、4章分別為Python程序設(shè)計(jì)基礎(chǔ)和Python程序設(shè)計(jì)進(jìn)階，系統(tǒng)介紹了Python語言開發(fā)環(huán)境的安裝與部署以及Python程序設(shè)計(jì)的相關(guān)內(nèi)容。第5章至第8章分別介紹了NumPy、Pandas、Scikit-learn、Matplotlib這四個(gè)主要用于數(shù)據(jù)分析與數(shù)據(jù)可視化的Python第三方庫的基礎(chǔ)編程知識(shí)和典型應(yīng)用案例。本書前4章介紹了數(shù)據(jù)分析與數(shù)據(jù)可視化的基礎(chǔ)知識(shí)和常用方法與工具；第5章至第8章介紹了四個(gè)Python第三方庫，配合一些基本的數(shù)據(jù)挖掘算法可以實(shí)現(xiàn)完整的數(shù)據(jù)分析與數(shù)據(jù)可視化。本書使用的Python版本是Python 3.7.9，配備了教學(xué)課件、程序源代碼、習(xí)題及習(xí)題參考答案等教學(xué)資源，供讀者教學(xué)、學(xué)習(xí)使用。本書通用性較強(qiáng)，適合各類開設(shè)數(shù)據(jù)分析、數(shù)據(jù)可視化相關(guān)課程的高等院校作為教材使用，也適合從事Python數(shù)據(jù)分析與數(shù)據(jù)可視化工作的讀者作為自學(xué)參考教程。本書由張曉華負(fù)責(zé)編寫第3、4章，喬鋼柱負(fù)責(zé)編寫第8章，井超負(fù)責(zé)編寫第1、2、5、6、7章。最后，感謝所有在本書寫作、出版過程中給予我們幫助的朋友，并熱切希望這本書能夠?qū)V大讀者有所幫助！編者

目錄前言第1章數(shù)據(jù)分析與數(shù)據(jù)可視化 11.1 數(shù)據(jù)分析與數(shù)據(jù)可視化概述 11.1.1 數(shù)據(jù)、信息與數(shù)據(jù)分析 11.1.2 數(shù)據(jù)可視化 11.1.3 數(shù)據(jù)分析與數(shù)據(jù)可視化的關(guān)系 31.2 數(shù)據(jù)分析的一般步驟 41.2.1 明確分析目的與框架 41.2.2 數(shù)據(jù)收集 41.2.3 數(shù)據(jù)處理 41.2.4 數(shù)據(jù)分析 41.2.5 數(shù)據(jù)展現(xiàn) 51.2.6 撰寫報(bào)告 51.3 常用數(shù)據(jù)分析方法 51.3.1 聚類分析（Cluster Analysis） 51.3.2 因子分析（Factor Analysis） 51.3.3 相關(guān)分析（Correlation Analysis） 51.3.4 對(duì)應(yīng)分析（CorrespondenceAnalysis） 61.3.5 回歸分析（Regressive Analysis） 61.3.6 方差分析（Variance Analysis） 61.4 數(shù)據(jù)分析與數(shù)據(jù)可視化常用工具 61.4.1 Microsoft Excel 61.4.2 R語言 61.4.3 Python語言 71.4.4 SAS軟件 71.4.5 SPSS 71.4.6 專用的數(shù)據(jù)可視化分析工具 7本章練習(xí) 7第2章 Python與數(shù)據(jù)分析、數(shù)據(jù)可視化 82.1 數(shù)據(jù)分析與數(shù)據(jù)可視化的利器：Python 82.1.1 Python是什么 82.1.2 Python的特點(diǎn) 92.1.3 Python可以做什么 102.2 基于Python的數(shù)據(jù)分析與數(shù)據(jù)可視化工具 112.2.1 NumPy庫 112.2.2 Pandas庫 112.2.3 Matplotlib庫 122.2.4 Seaborn 庫 122.2.5 Scikit-learn庫 122.3 Python數(shù)據(jù)分析初上手 132.3.1 數(shù)據(jù)的導(dǎo)入 132.3.2 數(shù)據(jù)的導(dǎo)出 132.3.3 數(shù)據(jù)預(yù)處理 142.3.4 數(shù)據(jù)的選擇和運(yùn)算 172.3.5 數(shù)據(jù)可視化 20本章練習(xí) 21第3章 Python程序設(shè)計(jì)基礎(chǔ) 223.1 Python的安裝 223.1.1 Python解釋器的安裝 223.1.2 PyCharm集成開發(fā)環(huán)境的安裝 283.1.3 Python包管理工具pip 343.1.4 Python相關(guān)的文件 383.2 Python語法基礎(chǔ) 393.2.1 注釋 393.2.2 關(guān)鍵字 403.2.3 標(biāo)識(shí)符 413.2.4 內(nèi)置常量 423.2.5 內(nèi)置函數(shù) 423.3 Python引用 443.3.1 名字空間 443.3.2 模塊的導(dǎo)入與使用 463.4 Python的基本數(shù)據(jù)類型 473.5 Python的運(yùn)算符與表達(dá)式 513.6 Python的代碼編寫規(guī)范 52本章練習(xí) 53第4章 Python程序設(shè)計(jì)進(jìn)階 544.1 Python數(shù)據(jù)結(jié)構(gòu)、程序流程控制、函數(shù)與文件 544.1.1 Python數(shù)據(jù)結(jié)構(gòu) 544.1.2 Python程序流程控制 664.1.3 異常處理 754.1.4 函數(shù) 794.1.5 文件 934.2 Python面向?qū)ο蟪绦蛟O(shè)計(jì) 1014.2.1 類 1014.2.2 類方法、實(shí)例方法、靜態(tài)方法 1054.2.3 對(duì)象 1094.2.4 封裝、繼承、多態(tài) 1104.2.5 面向?qū)ο蟀咐?115本章練習(xí) 119第5章用NumPy生成和處理數(shù)據(jù) 1205.1 NumPy的安裝 1205.2 NumPy入門 1205.2.1 數(shù)值計(jì)算 1205.2.2 是否使用NumPy的運(yùn)行時(shí)間對(duì)比 1225.2.3 數(shù)組和矩陣計(jì)算 1235.3 NumPy數(shù)組操作相關(guān)函數(shù) 1265.4 NumPy數(shù)學(xué)函數(shù) 1305.4.1 NumPy數(shù)學(xué)函數(shù)基礎(chǔ) 1305.4.2 NumPy統(tǒng)計(jì)函數(shù) 1335.4.3 NumPy向量和矩陣函數(shù) 1385.5 NumPy數(shù)據(jù)分類案例 1415.5.1 線性回歸的基本概念 1415.5.2 損失函數(shù)的設(shè)置 1425.5.3 Python程序?qū)崿F(xiàn) 142本章練習(xí) 146第6章用Pandas分析數(shù)據(jù) 1476.1 Pandas 1476.1.1 Pandas的由來 1476.1.2 安裝Pandas庫 1476.2 Series 1506.2.1 創(chuàng)建Series對(duì)象 1506.2.2 Series屬性 1516.2.3 Series常用方法 1526.2.4 Series對(duì)象數(shù)據(jù)繪圖 1536.3 DataFrame 1556.3.1 DataFrame的概念 1556.3.2 創(chuàng)建DataFrame對(duì)象 1566.3.3 DataFrame的屬性 1576.3.4 DataFrame索引和切片 1596.3.5 DataFrame數(shù)據(jù)分析 1616.3.6 DataFrame對(duì)象數(shù)據(jù)可視化 1616.4 基于BankMarketing數(shù)據(jù)集的營銷活動(dòng)分析 1636.4.1 數(shù)據(jù)集概述和數(shù)據(jù)結(jié)構(gòu) 1636.4.2 數(shù)據(jù)的基本信息 1646.4.3 客戶數(shù)據(jù)分析 1646.4.4 營銷活動(dòng)數(shù)據(jù)分析 1656.4.5 完整代碼及運(yùn)行結(jié)果 166本章練習(xí) 168第7章 Scikit-learn機(jī)器學(xué)習(xí)基礎(chǔ) 1697.1 機(jī)器學(xué)習(xí)的算法和模型 1697.1.1 特征變量和目標(biāo)變量 1707.1.2 模型訓(xùn)練 1707.1.3 過擬合和欠擬合 1727.1.4 模型性能度量 1737.2 Scikit-learn的功能 1737.2.1 分類 1737.2.2 回歸 1737.2.3 聚類 1747.2.4 數(shù)據(jù)降維 1747.2.5 模型選擇 1747.2.6 數(shù)據(jù)預(yù)處理 1747.3 Scikit-learn的常用模塊 1747.3.1 安裝Scikit-learn 1747.3.2 Scikit-learn常用模塊介紹 1757.4 Scikit-learn的使用 1757.4.1 數(shù)據(jù)集的導(dǎo)入和處理 1757.4.2 數(shù)據(jù)集切分 1767.4.3 數(shù)值數(shù)據(jù)的標(biāo)準(zhǔn)化 1777.4.4 數(shù)值數(shù)據(jù)的歸一化 1787.4.5 核心對(duì)象類型：評(píng)估器 1797.4.6 高級(jí)特性：管道 1797.4.7 模型保存 1807.5 使用Scikit-learn實(shí)現(xiàn)線性回歸建模 181本章練習(xí) 184第8章用Matplotlib實(shí)現(xiàn)數(shù)據(jù)可視化 1858.1 Matplotlib基礎(chǔ) 1858.2 Matplotlib常見繪圖屬性 1868.2.1 創(chuàng)建繪圖區(qū)域 1868.2.2 設(shè)定繪圖參數(shù) 1878.2.3 設(shè)置字體及子圖布局 1888.2.4 其他繪圖設(shè)置 1898.3 Matplotlib基本繪圖 1908.3.1 折線圖 1908.3.2 散點(diǎn)圖 1918.3.3 雙軸圖 1928.3.4 條形圖 1938.3.5 直方圖 1948.3.6 餅圖 1968.3.7 箱型圖 1968.3.8 泡泡圖 1988.3.9 等高線圖 1988.3.10 3D曲線圖 1998.3.11 3D散點(diǎn)圖 2008.3.12 3D等高線圖 2018.3.13 3D線框圖 2028.3.14 3D曲面圖 2038.4 Matplotlib繪制交互式動(dòng)態(tài)圖形 2048.4.1 Matplotlib的事件響應(yīng) 2048.4.2 Matplotlib常用事件 2058.4.3 使用Matplotlib繪制動(dòng)態(tài)圖形 2068.5 使用NumPy、Pandas、Matplotlib進(jìn)行電影數(shù)據(jù)分析與數(shù)據(jù)可視化 2118.5.1 獲取數(shù)據(jù) 2118.5.2 繪制電影評(píng)分分布圖 2128.5.3 繪制電影時(shí)長分布圖 2138.5.4 統(tǒng)計(jì)電影分類 213本章練習(xí) 215參考文獻(xiàn) 216

我要評(píng)論