扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
PYTHON数据分析从小白到高手 版权信息
- ISBN：9787122444257
- 条形码：9787122444257 ; 978-7-122-44425-7
- 装帧：平装
- 册数：暂无
- 重量：暂无
- 所属分类：>>
PYTHON数据分析从小白到高手 本书特色
选题具有以下特色：1.内容全面，循序渐进。本书围绕python数据分析相关语法和常用库展开，内容由浅入深，非常适合初学者学习。2.案例丰富，实用性强。书中选取了不同场合下的各种数据分析案例，不仅中间穿插有小案例，书末还有综合性的大案例，通过案例实操，让读者能够快速掌握所学知识，并应用到实际工作中。3.全彩图解，直观易懂。本书采用全彩印刷，书中通过大量的彩色图片展示，让读者一目了然，迅速了解并掌握具体的操作方法、步骤以及实现效果。
PYTHON数据分析从小白到高手 内容简介
大数据时代，掌握必要的数据分析能力，将大大提升你的工作效率和自身竞争力。Python是数据分析的一大利器，本书将详细讲解利用Python进行数据分析与可视化的相关知识。 《Python数据分析从小白到高手》主要内容包括：Python入门、搭建开发环境、语法、数据类型、数据加载、数据准备、数据可视化、机器学习、深度学习、自然语言处理等，并通过三个综合案例将这些知识加以运用。 本书内容丰富，采用全彩印刷，配套视频讲解，结合随书附赠的素材边看边学边练，能够大大提高学习效率，迅速掌握Python数据分析技能，并用于实践。 本书适合数据分析初学者、初级数据分析师、数据库技术人员等自学使用。同时，本书也可用作职业院校、培训机构相关专业的教材及参考书。
PYTHON数据分析从小白到高手 目录
1 Python入门
1.1 为什么选择Python 2
1.1.1 人工智能与ChatGPT 2
1.1.2 Python与人工智能 3
1.2 Python主要库简介 4
1.2.1 NumPy 5
1.2.2 Pandas 6
1.2.3 Matplotlib 7
1.2.4 Sklearn 9
1.3 如何学习Python 11 2 搭建Python开发环境
2.1 Anaconda 14
2.1.1 什么是Anaconda 14
2.1.2 安装Anaconda 15
2.2 常用开发工具 18
2.2.1 Spyder 18
2.2.2 Jupyter Lab 21
2.2.3 PyCharm 23
2.3 包管理工具pip 26 3 Python语法
3.1 Python基础语法 29
3.1.1 变量及其命名 29
3.1.2 代码行与缩进 30
3.1.3 条件if及if嵌套 31
3.1.4 循环while与for 32
3.1.5 格式format()与% 34
3.1.6 编码类型及转换 37
3.2 Python运算符 39
3.2.1 算术运算符 39
3.2.2 赋值运算符 42
3.2.3 比较运算符 45
3.2.4 逻辑运算符 46
3.2.5 运算符优先级 49
3.3 Python常用技巧 51
3.3.1 自动补全程序 51
3.3.2 变量赋值技巧 52
3.3.3 变量链式比较 53
3.3.4 获取元素索引 54
3.3.5 遍历序列元素 55
3.3.6 序列元素排序 55
3.3.7 列表解析式 56
3.3.8 元素序列解包 57
3.3.9 合并序列元素 58
3.3.10 三元表达式 59
3.3.11 lambda表达式 61
3.3.12 矩阵乘法与转置 62 4 Python数据类型
4.1 认识数据类型 64
4.1.1 数值(number)类型 64
4.1.2 字符串(string)类型 65
4.1.3 列表(list)类型 68
4.1.4 元组(tuple)类型 70
4.1.5 集合(set)类型 71
4.1.6 字典(dict)类型 73
4.1.7 布尔值(boolean)类型 76
4.1.8 空值(None)类型 76
4.1.9 数据类型转换 77
4.2 字符串常用方法 81
4.2.1 字符串拼接的3种方法 81
4.2.2 字符串切片的2种方法 83
4.2.3 分割与合并字符串 84
4.2.4 检索子字符串的几种方法 87
4.2.5 字符串对齐的3种方法 91
4.2.6 去除字符串中空格的3种方法 93
4.2.7 字符串大小写转换的3种函数 96
4.2.8 获取字符串长度或字节数 99
4.2.9 统计字符串出现次数 100
4.3 列表常用方法 101
4.3.1 append()方法 101
4.3.2 clear()方法 102
4.3.3 copy()方法 102
4.3.4 count()方法 104
4.3.5 extend()方法 104
4.3.6 index()方法 105
4.3.7 insert()方法 106
4.3.8 pop()方法 107
4.3.9 remove()方法 107
4.3.10 reverse()方法 108
4.3.11 sort()方法 109 5 Python数据加载
5.1 加载本地离线数据 111
5.1.1 加载TXT文件数据 111
5.1.2 加载CSV文件数据 112
5.1.3 加载Excel文件数据 113
5.2 加载常用数据库数据 114
5.2.1 加载Oracle数据库数据 114
5.2.2 加载MySQL数据库数据 116
5.2.3 加载SQL Server数据库数据 117
5.3 加载Hadoop集群数据 118
5.3.1 集群软件及其版本 118
5.3.2 集群网络环境配置 120
5.3.3 Python连接Hive 122
5.4 加载Web在线数据 124 6 Python数据准备
6.1 数据的索引 127
6.1.1 创建索引 127
6.1.2 创建层次化索引 129
6.1.3 调整索引 130
6.2 数据的排序 131
6.2.1 按行索引排序数据 131
6.2.2 按列索引排序数据 132
6.2.3 按一列或多列排序数据 133
6.2.4 按一行或多行排序数据 133
6.3 数据的切片 134
6.3.1 提取一列或多列数据 134
6.3.2 提取一行或多行数据 135
6.3.3 提取指定区域的数据 136
6.4 数据的聚合 137
6.4.1 groupby()函数：分组聚合 137
6.4.2 agg()函数：更多聚合指标 138
6.5 数据的透视 140
6.5.1 pivot_table()函数：数据透视 140
6.5.2 crosstab()函数：数据交叉 143
6.6 数据的合并 144
6.6.1 merge()函数：横向合并 144
6.6.2 concat()函数：纵向合并 149 7 Python数据可视化
7.1 Matplotlib 152
7.1.1 Matplotlib库简介 152
7.1.2 业绩考核误差条形图 152
7.2 Pyecharts 155
7.2.1 Pyecharts库简介 155
7.2.2 销售额主题河流图 156
7.3 Seaborn 159
7.3.1 Seaborn库简介 159
7.3.2 利润额增强箱形图 159
7.4 Plotly 162
7.4.1 Plotly库简介 162
7.4.2 家庭成员结构旭日图 163
7.5 Altair 165
7.5.1 Altair库简介 165
7.5.2 月度订单量脊线图 166
7.6 NetworkX 169
7.6.1 NetworkX简介 169
7.6.2 NetworkX绘制平衡树 170 8 Python机器学习
8.1 机器学习理论概述 173
8.1.1 机器学习概念 173
8.1.2 机器学习分类 176
8.1.3 模型评估方法 177
8.2 线性回归及其案例 181
8.2.1 线性回归简介 181
8.2.2 线性回归的建模 181
8.2.3 汽车价格的预测 184
8.3 聚类分析及其案例 190
8.3.1 K-Means聚类简介 190
8.3.2 K-Means聚类建模 192
8.3.3 使用手肘法判断聚类数 197
8.3.4 轮廓系数法判断聚类数 198
8.4 XGBoost及其案例 202
8.4.1 XGBoost算法概述 202
8.4.2 XGBoost算法参数 204
8.4.3 XGBoost算法案例 207
8.5 时间序列及其案例 209
8.5.1 时间序列算法概述 209
8.5.2 指数平滑法及其案例 210
8.5.3 ARIMA算法及其案例 214 9 Python深度学习
9.1 深度学习概述 223
9.1.1 什么是深度学习 223
9.1.2 安装PyTorch 2.0 227
9.2 PyTorch图像识别技术 228
9.2.1 加载数据集 228
9.2.2 搭建与训练网络 229
9.2.3 预测图像数据 231
9.3 PyTorch模型可视化 231
9.3.1 Visdom简介 231
9.3.2 Visdom可视化操作 233
9.4 手写数字自动识别 244 10 Python自然语言处理
10.1 自然语言处理概述 251
10.2 Jieba中文分词 252
10.2.1 Jieba分词模式 252
10.2.2 自定义停用词 254
10.2.3 商品评论关键词词云 255
10.3 聊天机器人ChatGPT 257
10.3.1 ChatGPT简介 257
10.3.2 Python如何调用ChatGPT 259
10.3.3 Python调用ChatGPT举例 260
10.4 spaCy 262
10.4.1 spaCy简介 262
10.4.2 spaCy语言模型 266
10.4.3 spaCy依存分析 269
10.5 Gensim 272
10.5.1 Gensim简介 272
10.5.2 Gensim文本处理步骤 273
10.5.3 中文LDA分析及可视化 275 11 案例：金融量化交易分析
11.1 案例背景概述 283
11.1.1 案例研究意义 283
11.1.2 K线图技术理论 283
11.1.3 案例数据采集 284
11.2 数据基础分析 287
11.2.1 查看数据集信息 287
11.2.2 数据描述性分析 288
11.2.3 数据可视化分析 289
11.3 股票数据分析 294
11.3.1 指标相关性分析 294
11.3.2 指标趋势性分析 297
11.3.3 股票交易时机分析 299
11.3.4 股票交易策略分析 301
11.4 案例小结 303 12 案例：武汉市空气质量分析
12.1 案例背景概述
12.2 历年数据可视化分析
12.3 AQI回归分析
12.4 案例小结 13 案例：阿尔茨海默病特征分析
13.1 案例背景概述
13.2 数据预处理
13.3 数据建模
13.4 案例小结 附录 306 参考文献 307
1.1 为什么选择Python 2
1.1.1 人工智能与ChatGPT 2
1.1.2 Python与人工智能 3
1.2 Python主要库简介 4
1.2.1 NumPy 5
1.2.2 Pandas 6
1.2.3 Matplotlib 7
1.2.4 Sklearn 9
1.3 如何学习Python 11 2 搭建Python开发环境
2.1 Anaconda 14
2.1.1 什么是Anaconda 14
2.1.2 安装Anaconda 15
2.2 常用开发工具 18
2.2.1 Spyder 18
2.2.2 Jupyter Lab 21
2.2.3 PyCharm 23
2.3 包管理工具pip 26 3 Python语法
3.1 Python基础语法 29
3.1.1 变量及其命名 29
3.1.2 代码行与缩进 30
3.1.3 条件if及if嵌套 31
3.1.4 循环while与for 32
3.1.5 格式format()与% 34
3.1.6 编码类型及转换 37
3.2 Python运算符 39
3.2.1 算术运算符 39
3.2.2 赋值运算符 42
3.2.3 比较运算符 45
3.2.4 逻辑运算符 46
3.2.5 运算符优先级 49
3.3 Python常用技巧 51
3.3.1 自动补全程序 51
3.3.2 变量赋值技巧 52
3.3.3 变量链式比较 53
3.3.4 获取元素索引 54
3.3.5 遍历序列元素 55
3.3.6 序列元素排序 55
3.3.7 列表解析式 56
3.3.8 元素序列解包 57
3.3.9 合并序列元素 58
3.3.10 三元表达式 59
3.3.11 lambda表达式 61
3.3.12 矩阵乘法与转置 62 4 Python数据类型
4.1 认识数据类型 64
4.1.1 数值(number)类型 64
4.1.2 字符串(string)类型 65
4.1.3 列表(list)类型 68
4.1.4 元组(tuple)类型 70
4.1.5 集合(set)类型 71
4.1.6 字典(dict)类型 73
4.1.7 布尔值(boolean)类型 76
4.1.8 空值(None)类型 76
4.1.9 数据类型转换 77
4.2 字符串常用方法 81
4.2.1 字符串拼接的3种方法 81
4.2.2 字符串切片的2种方法 83
4.2.3 分割与合并字符串 84
4.2.4 检索子字符串的几种方法 87
4.2.5 字符串对齐的3种方法 91
4.2.6 去除字符串中空格的3种方法 93
4.2.7 字符串大小写转换的3种函数 96
4.2.8 获取字符串长度或字节数 99
4.2.9 统计字符串出现次数 100
4.3 列表常用方法 101
4.3.1 append()方法 101
4.3.2 clear()方法 102
4.3.3 copy()方法 102
4.3.4 count()方法 104
4.3.5 extend()方法 104
4.3.6 index()方法 105
4.3.7 insert()方法 106
4.3.8 pop()方法 107
4.3.9 remove()方法 107
4.3.10 reverse()方法 108
4.3.11 sort()方法 109 5 Python数据加载
5.1 加载本地离线数据 111
5.1.1 加载TXT文件数据 111
5.1.2 加载CSV文件数据 112
5.1.3 加载Excel文件数据 113
5.2 加载常用数据库数据 114
5.2.1 加载Oracle数据库数据 114
5.2.2 加载MySQL数据库数据 116
5.2.3 加载SQL Server数据库数据 117
5.3 加载Hadoop集群数据 118
5.3.1 集群软件及其版本 118
5.3.2 集群网络环境配置 120
5.3.3 Python连接Hive 122
5.4 加载Web在线数据 124 6 Python数据准备
6.1 数据的索引 127
6.1.1 创建索引 127
6.1.2 创建层次化索引 129
6.1.3 调整索引 130
6.2 数据的排序 131
6.2.1 按行索引排序数据 131
6.2.2 按列索引排序数据 132
6.2.3 按一列或多列排序数据 133
6.2.4 按一行或多行排序数据 133
6.3 数据的切片 134
6.3.1 提取一列或多列数据 134
6.3.2 提取一行或多行数据 135
6.3.3 提取指定区域的数据 136
6.4 数据的聚合 137
6.4.1 groupby()函数：分组聚合 137
6.4.2 agg()函数：更多聚合指标 138
6.5 数据的透视 140
6.5.1 pivot_table()函数：数据透视 140
6.5.2 crosstab()函数：数据交叉 143
6.6 数据的合并 144
6.6.1 merge()函数：横向合并 144
6.6.2 concat()函数：纵向合并 149 7 Python数据可视化
7.1 Matplotlib 152
7.1.1 Matplotlib库简介 152
7.1.2 业绩考核误差条形图 152
7.2 Pyecharts 155
7.2.1 Pyecharts库简介 155
7.2.2 销售额主题河流图 156
7.3 Seaborn 159
7.3.1 Seaborn库简介 159
7.3.2 利润额增强箱形图 159
7.4 Plotly 162
7.4.1 Plotly库简介 162
7.4.2 家庭成员结构旭日图 163
7.5 Altair 165
7.5.1 Altair库简介 165
7.5.2 月度订单量脊线图 166
7.6 NetworkX 169
7.6.1 NetworkX简介 169
7.6.2 NetworkX绘制平衡树 170 8 Python机器学习
8.1 机器学习理论概述 173
8.1.1 机器学习概念 173
8.1.2 机器学习分类 176
8.1.3 模型评估方法 177
8.2 线性回归及其案例 181
8.2.1 线性回归简介 181
8.2.2 线性回归的建模 181
8.2.3 汽车价格的预测 184
8.3 聚类分析及其案例 190
8.3.1 K-Means聚类简介 190
8.3.2 K-Means聚类建模 192
8.3.3 使用手肘法判断聚类数 197
8.3.4 轮廓系数法判断聚类数 198
8.4 XGBoost及其案例 202
8.4.1 XGBoost算法概述 202
8.4.2 XGBoost算法参数 204
8.4.3 XGBoost算法案例 207
8.5 时间序列及其案例 209
8.5.1 时间序列算法概述 209
8.5.2 指数平滑法及其案例 210
8.5.3 ARIMA算法及其案例 214 9 Python深度学习
9.1 深度学习概述 223
9.1.1 什么是深度学习 223
9.1.2 安装PyTorch 2.0 227
9.2 PyTorch图像识别技术 228
9.2.1 加载数据集 228
9.2.2 搭建与训练网络 229
9.2.3 预测图像数据 231
9.3 PyTorch模型可视化 231
9.3.1 Visdom简介 231
9.3.2 Visdom可视化操作 233
9.4 手写数字自动识别 244 10 Python自然语言处理
10.1 自然语言处理概述 251
10.2 Jieba中文分词 252
10.2.1 Jieba分词模式 252
10.2.2 自定义停用词 254
10.2.3 商品评论关键词词云 255
10.3 聊天机器人ChatGPT 257
10.3.1 ChatGPT简介 257
10.3.2 Python如何调用ChatGPT 259
10.3.3 Python调用ChatGPT举例 260
10.4 spaCy 262
10.4.1 spaCy简介 262
10.4.2 spaCy语言模型 266
10.4.3 spaCy依存分析 269
10.5 Gensim 272
10.5.1 Gensim简介 272
10.5.2 Gensim文本处理步骤 273
10.5.3 中文LDA分析及可视化 275 11 案例：金融量化交易分析
11.1 案例背景概述 283
11.1.1 案例研究意义 283
11.1.2 K线图技术理论 283
11.1.3 案例数据采集 284
11.2 数据基础分析 287
11.2.1 查看数据集信息 287
11.2.2 数据描述性分析 288
11.2.3 数据可视化分析 289
11.3 股票数据分析 294
11.3.1 指标相关性分析 294
11.3.2 指标趋势性分析 297
11.3.3 股票交易时机分析 299
11.3.4 股票交易策略分析 301
11.4 案例小结 303 12 案例：武汉市空气质量分析
12.1 案例背景概述
12.2 历年数据可视化分析
12.3 AQI回归分析
12.4 案例小结 13 案例：阿尔茨海默病特征分析
13.1 案例背景概述
13.2 数据预处理
13.3 数据建模
13.4 案例小结 附录 306 参考文献 307
展开全部
PYTHON数据分析从小白到高手 作者简介
王国平，具有十余年金融、电力、互联网等行业从业经历，现已出版十余本专著； 擅长数据分析、数据可视化、机器学习等，精通Python、SPSS、Tableau、Power Bl等数据分析工具，熟悉MySQL、SQL Server等数据库，以及Hadoop、Hive、Zeppelin、Spark等大数据分析及可视化工具。
书友推荐
- >
姑妈的宝刀
姑妈的宝刀
¥10.5¥30.0 - >
大红狗在马戏团-大红狗克里弗-助人
大红狗在马戏团-大红狗克里弗-助人
¥3.5¥10.0 - >
经典常谈
经典常谈
¥12.7¥39.8 - >
自卑与超越
自卑与超越
¥14.7¥39.8 - >
有舍有得是人生
有舍有得是人生
¥17.1¥45.0 - >
中国历史的瞬间
中国历史的瞬间
¥16.7¥38.0 - >
人文阅读与收藏·良友文学丛书:一天的工作
人文阅读与收藏·良友文学丛书:一天的工作
¥17.0¥45.8 - >
【精装绘本】画给孩子的中国神话
【精装绘本】画给孩子的中国神话
¥17.6¥55.0
本类畅销
-
数据结构:C语言描述
¥19.3¥25 -
数据库原理与应用
¥15.7¥29.5 -
MATLAB智能优化算法:从写代码到算法思想
¥27.7¥89 -
4.23文创礼盒A款--“作家言我精神状态”
¥42.3¥206 -
4.23文创礼盒B款--“作家言我精神状态”
¥42.3¥206 -
一句顶一万句 (印签版)
¥40.4¥68
