目录
第 一篇 数据收集与清洗
第 1章 NumPy 2
1．1 介绍和安装开发环境 2
1．1．1 Python开发环境介绍 2
1．1．2 安装Anaconda3 3
1．1．3 Jupyter编辑平台 5
1．2 安装NumPy 6
1．3 NumPy数组 7
1．3．1 NumPy ndarray对象 7
1．3．2 创建NumPy数组的常用函数 8
1．4 数组的索引与切片 11
1．4．1 数组的索引 11
1．4．2 数组的切片 15
1．5 基本数学运算 17
1．5．1 数组与标量的运算 17
1．5．2 数组与数组的运算 18
1．6 NumPy通用函数 18
1．6．1 mean()函数 18
1．6．2 average()函数 19
1．6．3 sum()函数 20
1．6．4 min()函数 20
1．6．5 max()函数 20
1．6．6 argmax()函数 21
1．6．7 maximum()/minimum()函数 21
1．6．8 median()函数 22
1．6．9 var()函数 23
1．6．10 std()函数 23
1．6．11 sort()函数 24
1．6．12 loadtxt()函数 24
1．7 NumPy字符串处理 26
1．7．1 add()函数 26
1．7．2 multiply()函数 26
1．7．3 center()函数 27
1．7．4 capitalize()函数和title()函数 27
1．7．5 lower()函数和upper()函数 27
1．7．6 split()函数 27
1．7．7 splitlines()函数 27
1．7．8 strip()函数 28
1．7．9 lstrip()函数和rstrip()函数 28
1．7．10 join()函数 28
1．7．11 replace()函数 28
1．8 项目实训——苹果公司股票数据分析 29
1．8．1 项目需求 29
1．8．2 项目实施 29
1．8．3 项目分析 31
本章小结 31
习题 31
第 2章 pandas 34
2．1 安装pandas 34
2．2 Series对象的基本操作 35
2．2．1 创建Series对象 36
2．2．2 查询Series对象中的数据 37
2．2．3 修改、删除Series对象中的数据 38
2．3 DataFrame对象的基本操作 40
2．3．1 创建DataFrame对象 41
2．3．2 DataFrame对象的属性 42
2．3．3 查询DataFrame对象中的数据 43
2．3．4 修改DataFrame对象中的数据 47
2．3．5 增加DataFrame对象中的数据 47
2．3．6 删除DataFrame对象中的数据 49
2．4 pandas读写数据 51
2．4．1 读写CSV文件 51
2．4．2 读写Excel文件 54
2．4．3 读写JSON文件 56
2．5 数据索引、排序和排名 58
2．5．1 DataFrame的索引 58
2．5．2 DataFrame的排序 61
2．5．3 DataFrame的排名 64
2．6 项目实训——链家房屋数据分析 65
2．6．1 项目需求 65
2．6．2 项目实施 66
2．6．3 项目分析 69
本章小结 69
习题 70
第3章 数据处理 72
3．1 数据清洗 73
3．1．1 处理重复数据 73
3．1．2 处理缺失数据 75
3．2 数据计算 79
3．2．1 基本数学运算 79
3．2．2 比较运算 81
3．2．3 统计方法 81
3．3 数据分组 87
3．3．1 分组聚合 87
3．3．2 透视表 90
3．4 数据转置与数据位移 91
3．4．1 数据类型转换 91
3．4．2 数据转置 98
3．4．3 数据位移 100
3．5 数据合并 100
3．5．1 堆叠合并 101
3．5．2 主键合并 104
3．5．3 重叠合并 106
3．6 项目实训——电影数据分析 106
3．6．1 项目需求 106
3．6．2 项目实施 107
3．6．3 项目分析 110
本章小结 111
习题 111
第二篇 数据可视化与数据分析
第4章 数据可视化 114
4．1 可视化介绍 114
4．2 Matplotlib简介 115
4．2．1 什么是Matplotlib 115
4．2．2 Matplotlib的使用场景 115
4．2．3 Matplotlib的安装 115
4．3 Matplotlib绘图 115
4．3．1 Matplotlib绘图的核心原理 115
4．3．2 折线图 116
4．3．3 柱状图 128
4．3．4 直方图 132
4．3．5 饼图 136
4．3．6 散点图 138
4．3．7 函数图 142
4．3．8 3D绘图 144
4．4 Seaborn绘图 145
4．4．1 认识Seaborn 145
4．4．2 折线图 146
4．4．3 散点图 147
4．4．4 直方图 148
4．5 可视化分析报告 152
4．5．1 报告需求 152
4．5．2 报告内容说明 152
4．5．3 业务实践 152
4．5．4 报告分析 154
4．6 项目实训——2014年度用户每月购买商品次数和购买商品数量分析报告 154
4．6．1 报告需求 154
4．6．2 报告内容说明 154
4．6．3 项目实施 154
4．6．4 报告分析 155
本章小结 156
习题 156
第5章 数据分析 158
5．1 数据分析介绍 158
5．2 列表分析 159
5．2．1 分析需求 159
5．2．2 分析关注点 159
5．2．3 分析思路 159
5．2．4 列表分析结果 164
5．3 协方差分析 164
5．3．1 认识协方差分析 164
5．3．2 协方差分析的意义 164
5．3．3 协方差分析实施 165
5．3．4 协方差分析结果 166
5．4 直方图分析 166
5．4．1 需求分析 166
5．4．2 分析关注点 166
5．4．3 分析思路 166
5．4．4 直方图分析结果 169
5．5 对比分析 169
5．5．1 认识对比分析 169
5．5．2 分析需求 169
5．5．3 分析关注点 169
5．5．4 分析思路 169
5．5．5 对比分析结果 174
5．6 项目实训——全国各省份“985”高校高考录取分数线分析 174
5．6．1 需求分析 174
5．6．2 分析关注点 174
5．6．3 分析思路 174
5．6．4 对比分析结果 178
本章小结 178
习题 179
第三篇 人工智能应用
第6章 机器学习 182
6．1 认识机器学习 182
6．1．1 机器学习应用场景 182
6．1．2 机器学习的组成 183
6．1．3 训练过程 185
6．1．4 算法汇总 185
6．1．5 开发流程 185
6．2 认识并安装Scikit-Learn 186
6．2．1 Scikit-Learn简介 186
6．2．2 Scikit-Learn基本概括 186
6．2．3 模型选择 186
6．2．4 数据划分 187
6．2．5 常用模块 188
6．2．6 安装sklearn 188
6．3 回归模型 188
6．3．1 广义线性模型 189
6．3．2 树回归 191
6．3．3 k近邻回归 192
6．3．4 集成回归模型：Bagging 193
6．3．5 集成回归模型：Boosting 194
6．4 分类模型 194
6．4．1 逻辑回归 195
6．4．2 决策树 196
6．4．3 支持向量机 197
6．4．4 KNN 198
6．4．5 朴素贝叶斯 198
6．4．6 集成模型：Bagging 199
6．4．7 集成模型：Boosting 200
6．5 聚类模型 201
6．5．1 聚类 201
6．5．2 降维 203
6．6 项目实训——手写数字识别 204
6．6．1 实训需求 204
6．6．2 项目分析 204
6．6．3 数据集导入及处理 204
6．6．4 划分训练集和测试集 204
6．6．5 随机森林模型 204
6．6．6 k近邻模型 205
6．6．7 逻辑回归模型 205
6．6．8 模型选择及分类 205
6．6．9 项目结果分析 206
本章小结 206
习题 206
第7章 深度学习 208
7．1 神经网络 208
7．1．1 认识神经网络 208
7．1．2 神经网络基础 211
7．2 深度学习框架Keras 213
7．2．1 认识Keras 213
7．2．2 Keras的安装 214
7．2．3 Keras里的模块介绍 215
7．2．4 Keras工作流程 216
7．3 深度学习的应用 216
7．3．1 Mnist手写数字数据集 216
7．3．2 CNN 219
7．3．3 RNN 221
7．4 项目实训——CIFAR-10图像识别 224
7．4．1 实训需求 224
7．4．2 CIFAR-10数据集简介 224
7．4．3 项目实践 224
7．4．4 项目总结 227
本章小结 228
习题 228
第8章 推荐系统 229
8．1 认识协同过滤 229
8．2 基于用户的协同过滤算法 230
8．3 基于项目的协同过滤算法 232
8．4 项目实训——电影推荐系统 237
8．4．1 实训需求 237
8．4．2 数据集介绍 237
8．4．3 项目实施 238
8．4．4 结果分析 242
本章小结 242
习题 242
展开
