| 作者 |
| 罗攀 |
| 丛书名 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111606468 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 网络中的信息是很庞大的。如何提取这些信息？如何分析这些信息？这都需要用到数据分析技术。而数据分析技术的首选语言是Python，而本书便是一本适合“小白”学习Python数据分析的入门图书，书中不仅有各种分析框架的使用技巧，而且也有各类数据图表的绘制方法。本书通过讲解多个案例，让读者体验数据背后的乐趣。 本书共11章，核心内容包括Python数据分析环境安装、NumPy基础、pandas基础、外部数据读取与存储、数据清洗与整理、数据分组与聚合、matplotlib可视化、seaborn可视化、pyecharts可视化、时间序列、网站日志分析综合案例等。 本书适合Python数据分析的初学者和爱好者阅读，也适合作为各类院校相关专业的教学用书，同时还适合相关社会培训机构作为Python数据分析的培训教材或者参考书。 从零开始学Python数据分析（视频教学版） 出版发行：机械工业出版社（北京市西城区百万庄大街22号邮政编码：100037） 责任编辑：欧振旭 李华君 责任校对：姚志娟 印刷：中国电影出版社印刷厂 版次：2018年8月第1版第1次印刷 开本：186mm×240mm 1/16 印张：17 书号：ISBN 978-7-111-60646-8 定价：69.00元 凡购本书，如有缺页、倒页、脱页，由本社发行部调换 客服热线：（010）8837942688361066 投稿热线：（010）88379604 购书热线：（010）683262948837964968995259 读者信箱：hzit@hzbook.com 版权所有·侵权必究 封底无防伪标均为盗版 本书法律顾问：北京大成律师事务所韩光/邹晓东 |
| 目录 |
| 前言 第1章 Python环境搭建与使用 1 1.1 Anaconda的安装和使用 1 1.1.1 Anaconda的安装 1 1.1.2 Anaconda的使用 3 1.2 Jupyter Notebook的使用 5 1.2.1 更改工作空间 5 1.2.2 界面介绍与使用 7 第2章 NumPy入门和实战 9 2.1 ndarray多维数组 9 2.1.1 创建ndarray数组 9 2.1.2 ndarray对象属性 12 2.1.3 ndarray数据类型 13 2.1.4 数组变换 15 2.1.5 NumPy的随机数函数 18 2.2 数组的索引和切片 20 2.2.1 数组的索引 21 2.2.2 数组的切片 23 2.2.3 布尔型索引 24 2.2.4 花式索引 26 2.3 数组的运算 26 2.3.1 数组和标量间的运算 26 2.3.2 通用函数 27 2.3.3 条件逻辑运算 28 2.3.4 统计运算 30 2.3.5 布尔型数组运算 31 2.3.6 排序 32 2.3.7 集合运算 33 2.3.8 线性代数 34 2.4 数组的存取 34 2.4.1 数组的存储 35 2.4.2 数组的读取 35 2.5 综合示例——图像变换 35 第3章 pandas入门和实战 38 3.1 pandas数据结构 38 3.1.1 创建Series数据 38 3.1.2 创建DataFrame数据 40 3.1.3 索引对象 43 3.2 pandas索引操作 44 3.2.1 重新索引 45 3.2.2 更换索引 46 3.2.3 索引和选取 48 3.2.4 操作行和列 52 3.3 pandas数据运算 53 3.3.1 算术运算 54 3.3.2 函数应用和映射 55 3.3.3 排序 56 3.3.4 汇总与统计 57 3.3.5 唯一值和值计数 58 3.4 层次化索引 59 3.4.1 层次化索引简介 59 3.4.2 重排分级顺序 60 3.4.3 汇总统计 61 3.5 pandas可视化 61 3.5.1 线形图 61 3.5.2 柱状图 63 3.5.3 直方图和密度图 66 3.5.4 散点图 67 3.6 综合示例——小费数据集 68 3.6.1 数据分析流程 68 3.6.2 数据来源 68 3.6.3 定义问题 69 3.6.4 数据清洗 69 3.6.5 数据探索 70 第4章 外部数据的读取与存储 73 4.1 文本数据的读取与存储 73 4.1.1 CSV文件的读取 73 4.1.2 TXT文件的读取 80 4.1.3 文本数据的存储 81 4.2 JSON和Excel数据的读取与存储 82 4.2.1 JSON数据的读取与存储 82 4.2.2 Excel数据的读取与存储 85 4.3 数据库的读取与存储 87 4.3.1 连接数据库 87 4.3.2 读取数据库 88 4.3.3 存储数据库 90 4.4 Web数据的读取 90 4.4.1 读取HTML表格 90 4.4.2 网络爬虫 92 第5章 数据清洗与整理 95 5.1 数据清洗 95 5.1.1 处理缺失值 95 5.1.2 移除重复数据 99 5.1.3 替换值 101 5.1.4 利用函数或映射进行数据转换 101 5.1.5 检测异常值 102 5.1.6 虚拟变量 103 5.2 数据合并和重塑 104 5.2.1 merge合并 105 5.2.2 concat连接 110 5.2.3 combine_first合并 113 5.2.4 数据重塑 114 5.3 字符串处理 116 5.3.1 字符串方法 117 5.3.2 正则表达式 118 5.4 综合示例——Iris数据集 118 5.4.1 数据来源 118 5.4.2 定义问题 119 5.4.3 数据清洗 119 5.4.4 数据探索 123 第6章 数据分组与聚合 125 6.1 数据分组 125 6.1.1 GroupBy简介 125 6.1.2 按列名分组 128 6.1.3 按列表或元组分组 130 6.1.4 按字典分组 130 6.1.5 按函数分组 131 6.2 聚合运算 132 6.2.1 聚合函数 132 6.2.2 多函数应用 134 6.3 分组运算 136 6.3.1 transform方法 137 6.3.2 apply方法 138 6.4 数据透视表 139 6.4.1 透视表 140 6.4.2 交叉表 140 6.5 综合实例——巴尔的摩公务员工资数据集 142 6.5.1 数据来源 142 6.5.2 定义问题 143 6.5.3 数据清洗 143 6.5.4 数据探索 144 第7章 matplotlib可视化 148 7.1 线形图 148 7.1.1 基本使用 148 7.1.2 颜色与线形 149 7.1.3 点标记 151 7.2 柱状图 152 7.2.1 基本使用 152 7.2.2 刻度与标签 155 7.2.3 图例 156 7.3 其他基本图表 158 7.3.1 散点图 158 7.3.2 直方图 159 7.4 自定义设置 159 7.4.1 图表布局 159 7.4.2 文本注解 162 7.4.3 样式与字体 163 7.5 综合示例——星巴克店铺数据集 164 7.5.1 数据来源 164 7.5.2 定义问题 166 7.5.3 数据清洗 166 7.5.4 数据探索 168 第8章 seaborn可视化 172 8.1 样式与分布图 172 8.1.1 seaborn样式 172 8.1.2 坐标轴移除 174 8.1.3 单变量分布图 175 8.1.4 多变量分布图 178 8.2 分类图 181 8.2.1 分类散点图 181 8.2.2 箱线图与琴形图 183 8.2.3 柱状图 186 8.3 回归图与网格 187 8.3.1 回归图 187 8.3.2 网格 190 8.4 综合示例——泰坦尼克号生还者数据 191 8.4.1 数据来源 191 8.4.2 定义问题 192 8.4.3 数据清洗 192 8.4.4 数据探索 195 第9章 pyecharts可视化 202 9.1 基础图表 202 9.1.1 pyecharts安装 202 9.1.2 散点图 203 9.1.3 折线图 204 9.1.4 柱状图 206 9.2 其他图表 209 9.2.1 饼图 210 9.2.2 箱线图 212 9.3 综合示例——糗事百科用户数据 213 9.3.1 数据来源 214 9.3.2 定义问题 214 9.3.3 数据清洗 215 9.3.4 数据探索 217 第10章 时间序列 224 10.1 datetime模块 224 10.1.1 datetime构造 224 10.1.2 数据转换 225 10.2 时间序列基础 228 10.2.1 时间序列构造 228 10.2.2 索引与切片 229 10.3 日期 231 10.3.1 日期范围 231 10.3.2 频率与移动 233 10.4 时期 235 10.4.1 时期基础 235 10.4.2 频率转换 236 10.4.3 时期数据转换 237 10.5 频率转换与重采样 238 10.5.1 重采样 238 10.5.2 降采样 239 10.5.3 升采样 240 10.6 综合示例——自行车租赁数据 241 10.6.1 数据来源 241 10.6.2 定义问题 242 10.6.3 数据清洗 242 10.6.4 数据探索 244 第11章 综合案例——网站日志分析 248 11.1 数据来源 248 11.1.1 网站日志解析 248 11.1.2 日志数据清洗 251 11.2 日志数据分析 252 11.2.1 网站流量分析 252 11.2.2 状态码分析 255 11.2.3 IP地址分析 258 |