Python數據科學手冊/圖靈程序設計叢書

作者：(美)傑克·萬托布拉斯|譯者:陶俊傑//陳小莉
出版社：人民郵電
ISBN：9787115475893

出版日期：2018/02/01
裝幀：平裝
頁數：448

人民幣：RMB 109 元售價：元

內容大鋼

傑克·萬托布拉斯著的《Python數據科學手冊》是對以數據深度需求為中心的科學、研究以及針對計算和統計方法的參考書。本書共五章，每章介紹一到兩個Python數據科學中的重點工具包。首先從IPython和Jupyter開始，它們提供了數據科學家需要的計算環境；第2章講解能提供ndarray對象的NumPy，它可以用Python高效地存儲和操作大型數組；第3章主要涉及提供DataFrame對象的Pandas，它可以用Python高效地存儲和操作帶標籤的列式數據；第4章的主角是Matplotlib，它為Python提供了許多數據可視化功能；第5章以Scikit-Learn為主，這個程序庫為重要的機器學習演算法提供了高效整潔的Python版實現。
《Python數據科學手冊》適合有編程背景，並打算將開源Python工具用作分析、操作、可視化以及學習數據的數據科學研究人員。

作者介紹

(美)傑克·萬托布拉斯|譯者:陶俊傑//陳小莉
傑克·萬托布拉斯，Jake VanderPlas是Python科學棧的深度用戶和開發人員，目前是華盛頓大學eScience學院物理科學研究院院長，研究方向為天文學。同時，他還為很多領域的科學家提供建議和咨詢。

譯者序
前言
第1章  IPython：超越Python
  1.1  shell還是Notebook
    1.1.1  啟動IPython  shell
    1.1.2  啟動Jupyter  Notebook
  1.2  IPython的幫助和文檔
    1.2.1  用符號  獲取文檔
    1.2.2  通過符號  獲取源代碼
    1.2.3  用Tab補全的方式探索模塊
  1.3  IPython  shell中的快捷鍵
    1.3.1  導航快捷鍵
    1.3.2  文本輸入快捷鍵
    1.3.3  命令歷史快捷鍵
    1.3.4  其他快捷鍵
  1.4  IPython魔法命令
    1.4.1  粘貼代碼塊：%paste和%cpaste
    1.4.2  執行外部代碼：%run
    1.4.3  計算代碼運行時間：%timeit
    1.4.4  魔法函數的幫助：？、%magic  和%lsmagic
  1.5  輸入和輸出歷史
    1.5.1  IPython的輸入和輸出對象
    1.5.2  下劃線快捷鍵和以前的輸出
    1.5.3  禁止輸出
    1.5.4  相關的魔法命令
  1.6  IPython和shell命令
    1.6.1  shell快速入門
    1.6.2  IPython中的shell命令
    1.6.3  在shell中傳入或傳出值
  1.7  與shell相關的魔法命令
  1.8  錯誤和調試
    1.8.1  控制異常：%xmode
    1.8.2  調試：當閱讀軌跡追溯不足以解決問題時
  1.9  代碼的分析和計時
    1.9.1  代碼段計時：%timeit和%time
    1.9.2  分析整個腳本：%prun
    1.9.3  用%lprun進行逐行分析
    1.9.4  用%memit和%mprun進行內存分析
  1.10  IPython參考資料
    1.10.1  網路資源
    1.10.2  相關圖書
第2章  NumPy入門
  2.1  理解Python中的數據類型
    2.1.1  Python整型不僅僅是一個整型
    2.1.2  Python列表不僅僅是一個列表
    2.1.3  Python中的固定類型數組
    2.1.4  從Python列表創建數組
    2.1.5  從頭創建數組
    2.1.6  NumPy標準數據類型
  2.2  NumPy數組基礎

    2.2.1  NumPy數組的屬性
    2.2.2  數組索引：獲取單個元素
    2.2.3  數組切片：獲取子數組
    2.2.4  數組的變形
    2.2.5  數組拼接和分裂
  2.3  NumPy數組的計算：通用函數
    2.3.1  緩慢的循環
    2.3.2  通用函數介紹
    2.3.3  探索NumPy的通用函數
    2.3.4  通用函數特性
    2.3.5  通用函數：更多的信息
  2.4  聚合：最小值、最大值和其他值
    2.4.1  數組值求和
    2.4.2  最小值和最大值
    2.4.3  示例：美國總統的身高是多少
  2.5  數組的計算：廣播
    2.5.1  廣播的介紹
    2.5.2  廣播的規則
    2.5.3  廣播的實際應用
  2.6  比較、掩碼和布爾邏輯
    2.6.1  示例：統計下雨天數
    2.6.2  和通用函數類似的比較操作
    2.6.3  操作布爾數組
    2.6.4  將布爾數組作為掩碼
  2.7  花哨的索引
    2.7.1  探索花哨的索引
    2.7.2  組合索引
    2.7.3  示例：選擇隨機點
    2.7.4  用花哨的索引修改值
    2.7.5  示例：數據區間劃分
  2.8  數組的排序
    2.8.1  NumPy中的快速排序：np.sort和np.argsort
    2.8.2  部分排序：分隔
    2.8.3  示例：K個最近鄰
  2.9  結構化數據：NumPy的結構化數組
    2.9.1  生成結構化數組
    2.9.2  更高  級的複合類型
    2.9.3  記錄數組：結構化數組的扭轉
    2.9.4  關於Pandas
第3章  Pandas數據處理
  3.1  安裝並使用Pandas
  3.2  Pandas對象簡介
    3.2.1  Pandas的Series對象
    3.2.2  Pandas的DataFrame對象
    3.2.3  Pandas的Index對象
  3.3  數據取值與選擇
    3.3.1  Series數據選擇方法
    3.3.2  DataFrame數據選擇方法
  3.4  Pandas數值運算方法
    3.4.1  通用函數：保留索引

    3.4.2  通用函數：索引對齊
    3.4.3  通用函數：DataFrame與Series的運算
  3.5  處理缺失值
    3.5.1  選擇處理缺失值的方法
    3.5.2  Pandas的缺失值
    3.5.3  處理缺失值
  3.6  層級索引
    3.6.1  多級索引Series
    3.6.2  多級索引的創建方法
    3.6.3  多級索引的取值與切片
    3.6.4  多級索引行列轉換
    3.6.5  多級索引的數據累計方法
  3.7  合併數據集：Concat與Append操作
    3.7.1  知識回顧：NumPy數組的合併
    3.7.2  通過pd.concat實現簡易合併
  3.8  合併數據集：合併與連接
    3.8.1  關係代數
    3.8.2  數據連接的類型
    3.8.3  設置數據合併的鍵
    3.8.4  設置數據連接的集合操作規則
    3.8.5  重複列名：suffixes參數
    3.8.6  案例：美國各州的統計數據
  3.9  累計與分組
    3.9.1  行星數據
    3.9.2  Pandas的簡單累計功能
    3.9.3  GroupBy：分割、應用和組合
  3.10  數據透視表
    3.10.1  演示數據透視表
    3.10.2  手工製作數據透視表
    3.10.3  數據透視表語法
    3.10.4  案例：美國人的生日
  3.11  向量化字元串操作
    3.11.1  Pandas字元串操作簡介
    3.11.2  Pandas字元串方法列表
    3.11.3  案例：食譜資料庫
  3.12  處理時間序列
    3.12.1  Python的日期與時間工具
    3.12.2  Pandas時間序列：用時間作索引
    3.12.3  Pandas時間序列數據結構
    3.12.4  時間頻率與偏移量
    3.12.5  重新取樣、遷移和窗口
    3.12.6  更多學習資料
    3.12.7  案例：美國西雅圖自行車統計數據的可視化
  3.13  高性能Pandas：eval()與query()
    3.13.1  query()與eval()的設計動機：複合代數式
    3.13.2  用pandas.eval()實現高性能運算
    3.13.3  用DataFrame.eval()實現列間運算
    3.13.4  DataFrame.query()方法
    3.13.5  性能決定使用時機
  3.14  參考資料

第4章  Matplotlib數據可視化
  4.1  Matplotlib常用技巧
    4.1.1  導入Matplotlib
    4.1.2  設置繪圖樣式
    4.1.3  用不用show()？如何顯示圖形
    4.1.4  將圖形保存為文件
  4.2  兩種畫圖介面
    4.2.1  MATLAB風格介面
    4.2.2  面向對象介面
  4.3  簡易線形圖
    4.3.1  調整圖形：線條的顏色與風格
    4.3.2  調整圖形：坐標軸上下限
    4.3.3  設置圖形標籤
  4.4  簡易散點圖
    4.4.1  用plt.plot畫散點圖
    4.4.2  用plt.scatter畫散點圖
    4.4.3  plot與scatter：效率對比
  4.5  可視化異常處理
    4.5.1  基本誤差線
    4.5.2  連續誤差
  4.6  密度圖與等高線圖
  4.7  頻次直方圖、數據區間劃分和分佈密度
  4.8  配置圖例
    4.8.1  選擇圖例顯示的元素
    4.8.2  在圖例中顯示不同尺寸的點
    4.8.3  同時顯示多個圖例
  4.9  配置顏色條
    4.9.1  配置顏色條
    4.9.2  案例：手寫數字
  4.10  多子圖
    4.10.1  plt.axes：手動創建子圖
    4.10.2  plt.subplot：簡易網格子圖
    4.10.3  plt.subplots：用一行代碼創建網格
    4.10.4  plt.GridSpec：實現更複雜的排列方式
  4.11  文字與註釋
    4.11.1  案例：節假日對美國出生率的影響
    4.11.2  坐標變換與文字位置
    4.11.3  箭頭與註釋
  4.12  自定義坐標軸刻度
    4.12.1  主要刻度與次要刻度
    4.12.2  隱藏刻度與標籤
    4.12.3  增減刻度數量
    4.12.4  花哨的刻度格式
    4.12.5  格式生成器與定位器小結
  4.13  Matplotlib自定義：配置文件與樣式表
    4.13.1  手動配置圖形
    4.13.2  修改默認配置：rcParams
    4.13.3  樣式表
  4.14  用Matplotlib畫三維圖
    4.14.1  三維數據點與線

    4.14.2  三維等高線圖
    4.14.3  線框圖和曲面圖
    4.14.4  曲面三角剖分
  4.15  用Basemap可視化地理數據
    4.15.1  地圖投影
    4.15.2  畫一個地圖背景
    4.15.3  在地圖上畫數據
    4.15.4  案例：美國加州城市數據
    4.15.5  案例：地表溫度數據
  4.16  用Seaborn做數據可視化
    4.16.1  Seaborn與Matplotlib
    4.16.2  Seaborn圖形介紹
    4.16.3  案例：探索馬拉松比賽成績數據
  4.17  參考資料
    4.17.1  Matplotlib資源
    4.17.2  其他Python畫圖程序庫
第5章  機器學習
  5.1  什麼是機器學習
    5.1.1  機器學習的分類
    5.1.2  機器學習應用的定性示例
    5.1.3  小結
  5.2  Scikit-Learn簡介
    5.2.1  Scikit-Learn的數據表示
    5.2.2  Scikit-Learn的評估器API
    5.2.3  應用：手寫數字探索
    5.2.4  小結
  5.3  超參數與模型驗證
    5.3.1  什麼是模型驗證
    5.3.2  選擇模型
    5.3.3  學習曲線
    5.3.4  驗證實踐：網格搜索
    5.3.5  小結
  5.4  特徵工程
    5.4.1  分類特徵
    5.4.2  文本特徵
    5.4.3  圖像特徵
    5.4.4  衍生特徵
    5.4.5  缺失值填充
    5.4.6  特徵管道
  5.5  專題：樸素貝葉斯分類
    5.5.1  貝葉斯分類
    5.5.2  高斯樸素貝葉斯
    5.5.3  多項式樸素貝葉斯
    5.5.4  樸素貝葉斯的應用場景
  5.6  專題：線性回歸
    5.6.1  簡單線性回歸
    5.6.2  基函數回歸
    5.6.3  正則化
    5.6.4  案例：預測自行車流量
  5.7  專題：支持向量機

    5.7.1  支持向量機的由來
    5.7.2  支持向量機：邊界*大化
    5.7.3  案例：人臉識別
    5.7.4  支持向量機總結
  5.8  專題：決策樹與隨機森林
    5.8.1  隨機森林的誘因：決策樹
    5.8.2  評估器集成演算法：隨機森林
    5.8.3  隨機森林回歸
    5.8.4  案例：用隨機森林識別手寫數字
    5.8.5  隨機森林總結
  5.9  專題：主成分分析
    5.9.1  主成分分析簡介
    5.9.2  用PCA作噪音過濾
    5.9.3  案例：特徵臉
    5.9.4  主成分分析總結
  5.10  專題：流形學習
    5.10.1  流形學習：「HELLO」
    5.10.2  多維標度法（MDS）
    5.10.3  將MDS用於流形學習
    5.10.4  非線性嵌入：當MDS失敗時
    5.10.5  非線性流形：局部線性嵌入
    5.10.6  關於流形方法的一些思考
    5.10.7  示例：用Isomap  處理人臉數據
    5.10.8  示例：手寫數字的可視化結構
  5.11  專題：k-means聚類
    5.11.1  k-means簡介
    5.11.2  k-means演算法：期望最大化
    5.11.3  案例
  5.12  專題：高斯混合模型
    5.12.1  高斯混合模型（GMM）為什麼會出現：k-means演算法的缺陷
    5.12.2  一般化E-M：高斯混合模型
    5.12.3  將GMM用作密度估計
    5.12.4  示例：用GMM生成新的數據
  5.13  專題：核密度估計
    5.13.1  KDE的由來：直方圖
    5.13.2  核密度估計的實際應用
    5.13.3  示例：球形空間的KDE
    5.13.4  示例：不是很樸素的貝葉斯
  5.14  應用：人臉識別管道
    5.14.1  HOG特徵
    5.14.2  HOG實戰：簡單人臉識別器
    5.14.3  注意事項與改進方案
  5.15  機器學習參考資料
    5.15.1  Python中的機器學習
    5.15.2  通用機器學習資源
關於作者
關於封面

同類熱銷排行榜

最近瀏覽的商品

Python數據科學手冊/圖靈程序設計叢書