Python數(shù)據(jù)分析與可視化（第2版 微課視頻版）

源碼下載

目錄

第1章數(shù)據(jù)分析與可視化概述

1．1數(shù)據(jù)分析

1．2數(shù)據(jù)可視化

1．3數(shù)據(jù)分析與可視化常用工具

1．4為何選用Python進(jìn)行數(shù)據(jù)分析與可視化

1．5Python數(shù)據(jù)分析與可視化常用類庫

1．6Jupyter Notebook的安裝和使用

1.6.1Jupyter Notebook的安裝

1.6.2Jupyter Notebook的使用

1．7本章小結(jié)

1.8本章習(xí)題

第2章Python編程基礎(chǔ)

2．1Python語言基本語法

2．1．1基礎(chǔ)數(shù)據(jù)類型

2．1．2變量和賦值

2．1．3運(yùn)算符和表達(dá)式

2．1．4字符串

2．1．5流程控制

2．2內(nèi)置數(shù)據(jù)類型

2．2．1列表

2．2．2元組

2．2．3字典

2．2．4集合

2．3函數(shù)

2．3．1函數(shù)的定義

2．3．2lambda函數(shù)

2．4文件操作

2．4．1文件處理過程

2．4．2數(shù)據(jù)的讀取方法

2．4．3讀取CSV文件

2．4．4文件寫入與關(guān)閉

2．5本章小結(jié)

2.6本章習(xí)題

2.7本章實(shí)訓(xùn)

第3章NumPy數(shù)值計算基礎(chǔ)

3．1NumPy多維數(shù)組

3．1．1創(chuàng)建數(shù)組對象

3．1．2ndarray對象屬性和數(shù)據(jù)轉(zhuǎn)換

3．1．3生成隨機(jī)數(shù)

3．1．4數(shù)組變換

3．2數(shù)組的索引和切片

3．2．1一維數(shù)組的索引

3．2．2多維數(shù)組的索引

3．3數(shù)組的運(yùn)算

3．3．1數(shù)組和標(biāo)量間的運(yùn)算

3．3．2ufunc函數(shù)

3．3．3條件邏輯運(yùn)算

3．4數(shù)組讀/寫

3．4．1讀/寫二進(jìn)制文件

3．4．2讀/寫文本文件

3．4．3讀取CSV文件

3．5NumPy中的數(shù)據(jù)統(tǒng)計與分析

3．5．1排序

3．5．2重復(fù)數(shù)據(jù)與去重

3．5．3常用統(tǒng)計函數(shù)

3．6本章小結(jié)

3.7本章習(xí)題

3.8本章實(shí)訓(xùn)

第4章Pandas統(tǒng)計分析基礎(chǔ)

4.1Pandas中的數(shù)據(jù)結(jié)構(gòu)

4.1.1Series

4.1.2DataFrame

4.1.3索引對象

4.1.4查看DataFrame的常用屬性

4.2Pandas索引操作

4.2.1重建索引

4.2.2更換索引

4.3DataFrame數(shù)據(jù)的查詢與編輯

4.3.1DataFrame數(shù)據(jù)的查詢

4.3.2DataFrame數(shù)據(jù)的編輯

4.4Pandas數(shù)據(jù)運(yùn)算

4.4.1算術(shù)運(yùn)算

4.4.2函數(shù)應(yīng)用和映射

4.4.3排序

4.4.4匯總與統(tǒng)計

4.5數(shù)據(jù)分組與聚合

4.5.1數(shù)據(jù)分組

4.5.2數(shù)據(jù)聚合

4.5.3分組運(yùn)算

4.6數(shù)據(jù)透視表

4.6.1透視表

4.6.2交叉表

4.7Pandas可視化

4.7.1線形圖

4.7.2柱狀圖

4.7.3直方圖和密度圖

4.7.4散點(diǎn)圖

4.8本章小結(jié)

4.9本章習(xí)題

4.10本章實(shí)訓(xùn)

第5章Pandas數(shù)據(jù)載入與預(yù)處理

5.1數(shù)據(jù)載入

5.1.1讀/寫文本文件

5.1.2讀/寫Excel文件

5.1.3JSON數(shù)據(jù)的讀取與存儲

5.1.4讀取數(shù)據(jù)庫文件

5.2合并數(shù)據(jù)

5.2.1merge數(shù)據(jù)合并

5.2.2concat數(shù)據(jù)連接

5.2.3combine_first合并數(shù)據(jù)

5.3數(shù)據(jù)清洗

5.3.1檢測與處理缺失值

5.3.2檢測與處理重復(fù)值

5.3.3檢測與處理異常值

5.3.4數(shù)據(jù)轉(zhuǎn)換

5.4數(shù)據(jù)標(biāo)準(zhǔn)化

5.4.1離差標(biāo)準(zhǔn)化數(shù)據(jù)

5.4.2標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化數(shù)據(jù)

5.5數(shù)據(jù)變換與數(shù)據(jù)離散化

5.5.1類別型數(shù)據(jù)的啞變量處理

5.5.2連續(xù)型變量的離散化

5.6本章小結(jié)

5.7本章習(xí)題

5.8本章實(shí)訓(xùn)

第6章Matplotlib數(shù)據(jù)可視化基礎(chǔ)

6.1Matplotlib簡介

6.2Matplotlib繪圖基礎(chǔ)

6.2.1創(chuàng)建畫布與子圖

6.2.2添加畫布內(nèi)容

6.2.3繪圖的保存與顯示

6.3設(shè)置Pyplot的動態(tài)rc參數(shù)

6.3.1全局參數(shù)定制

6.3.2rc參數(shù)設(shè)置

6.3.3繪圖的填充

6.3.4在繪圖中顯示公式

6.3.5文本注解

6.4Pyplot中的常用繪圖

6.4.1折線圖

6.4.2散點(diǎn)圖

6.4.3直方圖

6.4.4餅圖

6.4.5箱線圖

6.4.6概率圖

6.4.7雷達(dá)圖

6.4.8流向圖

6.4.9繪圖中的表格設(shè)置

6.4.10極坐標(biāo)圖

6.5詞云

6.5.1安裝相關(guān)的包

6.5.2詞云生成過程

6.5.3詞云生成示例

6.6本章小結(jié)

6.7本章習(xí)題

6.8本章實(shí)訓(xùn)

第7章Seaborn可視化

7.1Seaborn簡介

7.2風(fēng)格設(shè)置

7.2.1Seaborn繪圖設(shè)置

7.2.2Seaborn 主題設(shè)置

7.2.3設(shè)置繪圖元素比例

7.3Seaborn中的常用繪圖

7.3.1直方圖和密度曲線圖

7.3.2散點(diǎn)圖

7.3.3箱線圖

7.3.4散點(diǎn)圖矩陣

7.3.5小提琴圖

7.3.6柱狀圖

7.3.7多變量圖

7.3.8回歸圖

7.3.9關(guān)系類圖

7.3.10熱力圖

7.4本章小結(jié)

7.5本章習(xí)題

7.6本章實(shí)訓(xùn)

第8章pyecharts可視化

8.1pyecharts簡介

8.2pyecharts的使用方法

8.3pyecharts常用圖表

8.3.1柱狀圖

8.3.2餅圖

8.3.3漏斗圖

8.3.4散點(diǎn)圖

8.3.5K線圖

8.3.6儀表盤

8.3.7詞云

8.3.8組合圖表

8.3.9桑基圖

8.3.10平行坐標(biāo)圖

8.3.11圖

8.3.12地圖

8.4本章小結(jié)

8.5本章習(xí)題

8.6本章實(shí)訓(xùn)

第9章時間序列數(shù)據(jù)分析

9.1日期和時間數(shù)據(jù)類型

9.1.1datetime構(gòu)造

9.1.2數(shù)據(jù)轉(zhuǎn)換

9.2時間序列基礎(chǔ)

9.2.1時間序列構(gòu)造

9.2.2索引與切片

9.3日期范圍、頻率和移位

9.3.1日期范圍

9.3.2頻率和移位

9.4時期

9.4.1時期基礎(chǔ)

9.4.2頻率轉(zhuǎn)換

9.4.3時期數(shù)據(jù)轉(zhuǎn)換

9.5重采樣、降采樣和升采樣

9.5.1重采樣

9.5.2降采樣

9.5.3升采樣

9.6時間序列的平穩(wěn)性檢驗

9.6.1時序圖檢驗

9.6.2自相關(guān)圖檢驗

9.6.3構(gòu)造統(tǒng)計量檢驗

9.7本章小結(jié)

9.8本章習(xí)題

9.9本章實(shí)訓(xùn)

第10章SciPy科學(xué)計算

10.1SciPy中的常數(shù)與特殊函數(shù)

10.1.1SciPy的constants模塊

10.1.2SciPy的special模塊

10.2SciPy中的線性代數(shù)基本運(yùn)算 

10.2.1基本的矩陣運(yùn)算

10.2.2線性方程組求解

10.2.3行列式的計算

10.2.4范數(shù)

10.2.5特征值分解

10.2.6奇異值分解 

10.3SciPy中的優(yōu)化

10.3.1方程求解及求極值

10.3.2數(shù)據(jù)擬合

10.4SciPy中的稀疏矩陣處理

10.4.1稀疏矩陣的存儲

10.4.2稀疏矩陣的運(yùn)算

10.5SciPy中的圖像處理

10.5.1圖像平滑

10.5.2圖像旋轉(zhuǎn)和銳化

10.6信號處理

10.6.1數(shù)據(jù)重采樣

10.6.2信號的卷積

10.6.3信號的時頻分析

10.7本章小結(jié)

10.8本章習(xí)題

10.9本章實(shí)訓(xùn)

第11章統(tǒng)計與機(jī)器學(xué)習(xí)

11.1Scikitlearn的主要功能

11.2回歸分析

11.2.1一元線性回歸方法

11.2.2邏輯回歸

11.3分類

11.3.1決策樹規(guī)約

11.3.2KNN算法

11.3.3支持向量機(jī)

11.3.4樸素貝葉斯分類

11.4聚類

11.4.1KMeans聚類

11.4.2層次聚類

11.4.3基于密度的聚類

11.5主成分分析

11.6本章小結(jié)

11.7本章習(xí)題

11.8本章實(shí)訓(xùn)

第12章圖像數(shù)據(jù)分析

12.1OpenCV簡介與導(dǎo)入

12.1.1OpenCV簡介

12.1.2Python中OpenCV的安裝與導(dǎo)入

12.2cv2圖像處理基礎(chǔ)

12.2.1cv2的基本方法與屬性

12.2.2cv2圖像處理示例

12.3應(yīng)用尺度不變特征變換

12.4使用加速魯棒特征檢測

12.5圖像降噪

12.6本章小結(jié)

12.7本章習(xí)題

12.8本章實(shí)訓(xùn)

第13章綜合案例

13.1職業(yè)人群體檢數(shù)據(jù)分析

13.2股票數(shù)據(jù)分析

13.3紅酒數(shù)據(jù)分析