零基礎入門Python數(shù)據(jù)分析與機器學習

目 錄
第1章 構建數(shù)據(jù)分析開發(fā)環(huán)境 1
1.1 數(shù)據(jù)分析概述 1
1.1.1 為什么要進行數(shù)據(jù)分析 1
1.1.2 數(shù)據(jù)分析的流程與思維 2
1.2 開發(fā)環(huán)境的構建 4
1.2.1 安裝Anaconda 5
1.2.2 安裝Jupyter庫 6
1.2.3 安裝PyCharm社區(qū)版 8
1.2.4 包管理工具 11
1.2.5 環(huán)境測試 12
1.3 必會的Python數(shù)據(jù)分析包 12
1.3.1 NumPy數(shù)組操作 13
1.3.2 Pandas數(shù)據(jù)清洗 13
1.3.3 Matplotlib數(shù)據(jù)可視化 14
1.3.4 Sklearn數(shù)據(jù)建模 16
1.4 一個簡單的數(shù)據(jù)分析案例 17
1.5 小結與課后練習 19
第2章 Python核心基礎 20
2.1 Python數(shù)據(jù)類型 20
2.1.1 數(shù)值類型 20
2.1.2 字符串類型 21
2.1.3 列表類型 23
2.1.4 元組類型 24
2.1.5 集合類型 25
2.1.6 字典類型 27
2.2 Python基礎語法 28
2.2.1 代碼行與縮進 28
2.2.2 條件if及if嵌套 29
2.2.3 循環(huán)：while與for 30
2.2.4 格式化：format()與% 32
2.3 Python高階函數(shù) 34
2.3.1 map()函數(shù) 34
2.3.2 reduce()函數(shù) 35
2.3.3 filter()函數(shù) 36
2.3.4 sorted()函數(shù) 36
2.4 Python編程技巧 37
2.4.1 自動補全程序 37
2.4.2 變量值的互換 38
2.4.3 列表解析式 39
2.4.4 元素序列解包 40
2.5 小結與課后練習 41
第3章 Python數(shù)據(jù)分析基礎 42
3.1 數(shù)據(jù)的讀取 42
3.1.1 本地離線數(shù)據(jù) 42
3.1.2 Web在線數(shù)據(jù) 44
3.1.3 常用數(shù)據(jù)庫數(shù)據(jù) 45
3.2 數(shù)據(jù)的索引 46
3.2.1 創(chuàng)建與查看索引 46
3.2.2 索引重構與恢復 48
3.2.3 索引調(diào)整與排序 49
3.3 數(shù)據(jù)的切片 49
3.3.1 提取多列數(shù)據(jù) 50
3.3.2 提取多行數(shù)據(jù) 51
3.3.3 提取區(qū)域數(shù)據(jù) 51
3.4 數(shù)據(jù)的聚合 52
3.4.1 指定列數(shù)據(jù)統(tǒng)計 52
3.4.2 多字段分組統(tǒng)計 53
3.4.3 自定義聚合指標 54
3.5 小結與課后練習 55
第4章 NumPy數(shù)組操作 56
4.1 NumPy索引與切片 56
4.1.1 數(shù)組的索引 56
4.1.2 布爾型索引 57
4.1.3 花式索引 59
4.1.4 數(shù)組的切片 60
4.1.5 設置切片步長 61
4.2 NumPy維數(shù)變換 62
4.2.1 reshape()函數(shù) 62
4.2.2 shape()函數(shù) 63
4.2.3 resize()函數(shù) 64
4.2.4 ravel()函數(shù) 65
4.2.5 flatten()函數(shù) 66
4.3 NumPy廣播機制 67
4.3.1 廣播 67
4.3.2 廣播機制 68
4.3.3 廣播機制變化過程 69
4.3.4 廣播不兼容 70
4.4 NumPy矩陣運算 72
4.4.1 矩陣概述 72
4.4.2 矩陣的乘法 74
4.4.3 矩陣的內(nèi)積 74
4.4.4 矩陣的外積 75
4.5 小結與課后練習 77
第5章 Pandas數(shù)據(jù)清洗 78
5.1 重復值檢測與處理 78
5.1.1 重復值的檢測 78
5.1.2 重復值的處理 79
5.2 缺失值檢測與處理 80
5.2.1 缺失值的檢測 81
5.2.2 缺失值的處理 81
5.3 異常值檢測與處理 84
5.3.1 異常值的檢測 85
5.3.2 異常值的處理 86
5.4 金融數(shù)據(jù)的處理實戰(zhàn) 87
5.4.1 讀取上證指數(shù)數(shù)據(jù) 87
5.4.2 提取特定日期數(shù)據(jù) 88
5.4.3 填充非交易日數(shù)據(jù) 89
5.5 小結與課后練習 90
第6章 Matplotlib數(shù)據(jù)可視化 91
6.1 圖形參數(shù)設置 91
6.1.1 設置圖形線條 91
6.1.2 設置圖形坐標軸 94
6.1.3 設置圖形圖例 97
6.2 繪圖參數(shù)文件及主要函數(shù) 99
6.2.1 修改繪圖參數(shù)文件 99
6.2.2 主要繪圖函數(shù)簡介 100
6.2.3 繪圖函數(shù)應用案例——分析某企業(yè)2020年銷售額增長情況 101
6.3 Matplotlib圖形整合 102
6.3.1 subplot()函數(shù) 103
6.3.2 subplots()函數(shù) 104
6.3.3 圖形整合實戰(zhàn)——分析2020年某企業(yè)產(chǎn)品銷售的區(qū)域差異性 105
6.4 Matplotlib可視化案例 107
6.4.1 商品區(qū)域銷售額條形圖 107
6.4.2 商品每周利潤率折線圖 110
6.4.3 商品利潤貢獻率餅圖 112
6.5 小結與課后練習 114
第7章 Scikit-Learn機器學習 116
7.1 機器學習及其類型 116
7.1.1 機器學習的特點 116
7.1.2 機器學習的分類 117
7.1.3 機器學習的應用 119
7.2 Sklearn機器學習概述 120
7.2.1 Sklearn的基本概念 120
7.2.2 Sklearn的主要算法 121
7.2.3 選擇合適的算法 124
7.3 Sklearn機器學習流程 125
7.3.1 獲取數(shù)據(jù) 126
7.3.2 預處理數(shù)據(jù) 126
7.3.3 訓練模型 127
7.3.4 評估模型 128
7.3.5 優(yōu)化模型 128
7.3.6 應用模型 129
7.4 Sklearn自帶的數(shù)據(jù)集 129
7.4.1 鳶尾花數(shù)據(jù)集簡介 129
7.4.2 乳腺癌數(shù)據(jù)集簡介 131
7.4.3 波士頓房價數(shù)據(jù)集簡介 132
7.4.4 糖尿病數(shù)據(jù)集簡介 133
7.4.5 手寫數(shù)字數(shù)據(jù)集簡介 134
7.4.6 紅酒數(shù)據(jù)集簡介 135
7.5 小結與課后練習 136
第8章 監(jiān)督式機器學習 137
8.1 線性回歸及其案例 137
8.1.1 線性回歸簡介 137
8.1.2 線性回歸的建模 138
8.1.3 汽車價格的預測 141
8.2 邏輯回歸及其案例 145
8.2.1 邏輯回歸簡介 146
8.2.2 邏輯回歸的建模 146
8.2.3 客戶收入的預測 147
8.3 Lasso回歸與Ridge回歸 151
8.3.1 Lasso回歸及案例 151
8.3.2 Ridge回歸及案例 153
8.3.3 兩種回歸的比較 154
8.4 決策樹及其案例 155
8.4.1 決策樹簡介 155
8.4.2 決策樹的建模 158
8.4.3 蘑菇類型的預測 159
8.5 K近鄰算法及其案例 166
8.5.1 K近鄰算法簡介 166
8.5.2 K近鄰算法的建模 166
8.5.3 乳腺癌患者的分類 168
8.6 支持向量機及其案例 169
8.6.1 支持向量機簡介 169
8.6.2 支持向量機的建模 170
8.6.3 乳腺癌患者的分類 172
8.7 小結與課后練習 174
第9章 無監(jiān)督式機器學習 175
9.1 聚類分析及其案例 175
9.1.1 K均值聚類算法及案例 175
9.1.2 使用手肘法判斷聚類數(shù) 180
9.1.3 輪廓系數(shù)法判斷聚類數(shù) 181
9.2 因子分析及其案例 185
9.2.1 因子分析概述 185
9.2.2 因子分析的建模 186
9.2.3 地區(qū)競爭力的因子分析 187
9.3 主成分分析及其案例 193
9.3.1 主成分分析概述 193
9.3.2 主成分分析的建模 194
9.3.3 乳腺癌患者的主成分分析 195
9.4 關聯(lián)分析及其案例 198
9.4.1 關聯(lián)分析概述 198
9.4.2 關聯(lián)分析的建模 199
9.4.3 電商商品購物籃分析 200
9.5 離群點檢測及其案例 203
9.5.1 離群點檢測概述 203
9.5.2 橢圓模型擬合及案例 204
9.5.3 局部離群因子及案例 207
9.6 雙聚類分析及其案例 211
9.6.1 雙聚類分析概述 211
9.6.2 聯(lián)合譜聚類及案例 211
9.6.3 譜雙聚類及案例 213
9.7 小結與課后練習 216
第10章 模型評估與調(diào)優(yōu) 217
10.1 機器學習的挑戰(zhàn) 217
10.2 模型的評估方法 219
10.3 模型的調(diào)優(yōu)方法 231
10.4 小結與課后練習 236
第11章 Python中文文本分析 237
11.1 中文結巴分詞 237
11.2 中文關鍵詞提取 240
11.3 中文詞向量生成 242
11.4 中文情感分析 245
11.5 小結與課后練習 249
附錄A Python 3.10.0及第三方庫安裝 250
附錄B Python常用第三方工具包簡介 254