Python程序開(kāi)發(fā)（高級(jí)）

目錄
第 一篇 數(shù)據(jù)收集與清洗
第 1章 NumPy\t2
1．1　介紹和安裝開(kāi)發(fā)環(huán)境\t2
1．1．1　Python開(kāi)發(fā)環(huán)境介紹\t2
1．1．2　安裝Anaconda3\t3
1．1．3　Jupyter編輯平臺(tái)\t5
1．2　安裝NumPy\t6
1．3　NumPy數(shù)組\t7
1．3．1　NumPy ndarray對(duì)象\t7
1．3．2　創(chuàng)建NumPy數(shù)組的常用函數(shù)\t8
1．4　數(shù)組的索引與切片\t11
1．4．1　數(shù)組的索引\t11
1．4．2　數(shù)組的切片\t15
1．5　基本數(shù)學(xué)運(yùn)算\t17
1．5．1　數(shù)組與標(biāo)量的運(yùn)算\t17
1．5．2　數(shù)組與數(shù)組的運(yùn)算\t18
1．6　NumPy通用函數(shù)\t18
1．6．1　mean()函數(shù)\t18
1．6．2　average()函數(shù)\t19
1．6．3　sum()函數(shù)\t20
1．6．4　min()函數(shù)\t20
1．6．5　max()函數(shù)\t20
1．6．6　argmax()函數(shù)\t21
1．6．7　maximum()/minimum()函數(shù)\t21
1．6．8　median()函數(shù)\t22
1．6．9　var()函數(shù)\t23
1．6．10　std()函數(shù)\t23
1．6．11　sort()函數(shù)\t24
1．6．12　loadtxt()函數(shù)\t24
1．7　NumPy字符串處理\t26
1．7．1　add()函數(shù)\t26
1．7．2　multiply()函數(shù)\t26
1．7．3　center()函數(shù)\t27
1．7．4　capitalize()函數(shù)和title()函數(shù)\t27
1．7．5　lower()函數(shù)和upper()函數(shù)\t27
1．7．6　split()函數(shù)\t27
1．7．7　splitlines()函數(shù)\t27
1．7．8　strip()函數(shù)\t28
1．7．9　lstrip()函數(shù)和rstrip()函數(shù)\t28
1．7．10　join()函數(shù)\t28
1．7．11　replace()函數(shù)\t28
1．8　項(xiàng)目實(shí)訓(xùn)——蘋(píng)果公司股票數(shù)據(jù)分析\t29
1．8．1　項(xiàng)目需求\t29
1．8．2　項(xiàng)目實(shí)施\t29
1．8．3　項(xiàng)目分析\t31
本章小結(jié)\t31
習(xí)題\t31
第 2章 pandas\t34
2．1　安裝pandas\t34
2．2　Series對(duì)象的基本操作\t35
2．2．1　創(chuàng)建Series對(duì)象\t36
2．2．2　查詢(xún)Series對(duì)象中的數(shù)據(jù)\t37
2．2．3　修改、刪除Series對(duì)象中的數(shù)據(jù)\t38
2．3　DataFrame對(duì)象的基本操作\t40
2．3．1　創(chuàng)建DataFrame對(duì)象\t41
2．3．2　DataFrame對(duì)象的屬性\t42
2．3．3　查詢(xún)DataFrame對(duì)象中的數(shù)據(jù)\t43
2．3．4　修改DataFrame對(duì)象中的數(shù)據(jù)\t47
2．3．5　增加DataFrame對(duì)象中的數(shù)據(jù)\t47
2．3．6　刪除DataFrame對(duì)象中的數(shù)據(jù)\t49
2．4　pandas讀寫(xiě)數(shù)據(jù)\t51
2．4．1　讀寫(xiě)CSV文件\t51
2．4．2　讀寫(xiě)Excel文件\t54
2．4．3　讀寫(xiě)JSON文件\t56
2．5　數(shù)據(jù)索引、排序和排名\t58
2．5．1　DataFrame的索引\t58
2．5．2　DataFrame的排序\t61
2．5．3　DataFrame的排名\t64
2．6　項(xiàng)目實(shí)訓(xùn)——鏈家房屋數(shù)據(jù)分析\t65
2．6．1　項(xiàng)目需求\t65
2．6．2　項(xiàng)目實(shí)施\t66
2．6．3　項(xiàng)目分析\t69
本章小結(jié)\t69
習(xí)題\t70
第3章 數(shù)據(jù)處理\t72
3．1　數(shù)據(jù)清洗\t73
3．1．1　處理重復(fù)數(shù)據(jù)\t73
3．1．2　處理缺失數(shù)據(jù)\t75
3．2　數(shù)據(jù)計(jì)算\t79
3．2．1　基本數(shù)學(xué)運(yùn)算\t79
3．2．2　比較運(yùn)算\t81
3．2．3　統(tǒng)計(jì)方法\t81
3．3　數(shù)據(jù)分組\t87
3．3．1　分組聚合\t87
3．3．2　透視表\t90
3．4　數(shù)據(jù)轉(zhuǎn)置與數(shù)據(jù)位移\t91
3．4．1　數(shù)據(jù)類(lèi)型轉(zhuǎn)換\t91
3．4．2　數(shù)據(jù)轉(zhuǎn)置\t98
3．4．3　數(shù)據(jù)位移\t100
3．5　數(shù)據(jù)合并\t100
3．5．1　堆疊合并\t101
3．5．2　主鍵合并\t104
3．5．3　重疊合并\t106
3．6　項(xiàng)目實(shí)訓(xùn)——電影數(shù)據(jù)分析\t106
3．6．1　項(xiàng)目需求\t106
3．6．2　項(xiàng)目實(shí)施\t107
3．6．3　項(xiàng)目分析\t110
本章小結(jié)\t111
習(xí)題\t111
第二篇 數(shù)據(jù)可視化與數(shù)據(jù)分析
第4章 數(shù)據(jù)可視化\t114
4．1　可視化介紹\t114
4．2　Matplotlib簡(jiǎn)介\t115
4．2．1　什么是Matplotlib\t115
4．2．2　Matplotlib的使用場(chǎng)景\t115
4．2．3　Matplotlib的安裝\t115
4．3　Matplotlib繪圖\t115
4．3．1　Matplotlib繪圖的核心原理\t115
4．3．2　折線圖\t116
4．3．3　柱狀圖\t128
4．3．4　直方圖\t132
4．3．5　餅圖\t136
4．3．6　散點(diǎn)圖\t138
4．3．7　函數(shù)圖\t142
4．3．8　3D繪圖\t144
4．4　Seaborn繪圖\t145
4．4．1　認(rèn)識(shí)Seaborn\t145
4．4．2　折線圖\t146
4．4．3　散點(diǎn)圖\t147
4．4．4　直方圖\t148
4．5　可視化分析報(bào)告\t152
4．5．1　報(bào)告需求\t152
4．5．2　報(bào)告內(nèi)容說(shuō)明\t152
4．5．3　業(yè)務(wù)實(shí)踐\t152
4．5．4　報(bào)告分析\t154
4．6　項(xiàng)目實(shí)訓(xùn)——2014年度用戶(hù)每月購(gòu)買(mǎi)商品次數(shù)和購(gòu)買(mǎi)商品數(shù)量分析報(bào)告\t154
4．6．1　報(bào)告需求\t154
4．6．2　報(bào)告內(nèi)容說(shuō)明\t154
4．6．3　項(xiàng)目實(shí)施\t154
4．6．4　報(bào)告分析\t155
本章小結(jié)\t156
習(xí)題\t156
第5章 數(shù)據(jù)分析\t158
5．1　數(shù)據(jù)分析介紹\t158
5．2　列表分析\t159
5．2．1　分析需求\t159
5．2．2　分析關(guān)注點(diǎn)\t159
5．2．3　分析思路\t159
5．2．4　列表分析結(jié)果\t164
5．3　協(xié)方差分析\t164
5．3．1　認(rèn)識(shí)協(xié)方差分析\t164
5．3．2　協(xié)方差分析的意義\t164
5．3．3　協(xié)方差分析實(shí)施\t165
5．3．4　協(xié)方差分析結(jié)果\t166
5．4　直方圖分析\t166
5．4．1　需求分析\t166
5．4．2　分析關(guān)注點(diǎn)\t166
5．4．3　分析思路\t166
5．4．4　直方圖分析結(jié)果\t169
5．5　對(duì)比分析\t169
5．5．1　認(rèn)識(shí)對(duì)比分析\t169
5．5．2　分析需求\t169
5．5．3　分析關(guān)注點(diǎn)\t169
5．5．4　分析思路\t169
5．5．5　對(duì)比分析結(jié)果\t174
5．6　項(xiàng)目實(shí)訓(xùn)——全國(guó)各省份“985”高校高考錄取分?jǐn)?shù)線分析\t174
5．6．1　需求分析\t174
5．6．2　分析關(guān)注點(diǎn)\t174
5．6．3　分析思路\t174
5．6．4　對(duì)比分析結(jié)果\t178
本章小結(jié)\t178
習(xí)題\t179
第三篇 人工智能應(yīng)用
第6章 機(jī)器學(xué)習(xí)\t182
6．1　認(rèn)識(shí)機(jī)器學(xué)習(xí)\t182
6．1．1　機(jī)器學(xué)習(xí)應(yīng)用場(chǎng)景\t182
6．1．2　機(jī)器學(xué)習(xí)的組成\t183
6．1．3　訓(xùn)練過(guò)程\t185
6．1．4　算法匯總\t185
6．1．5　開(kāi)發(fā)流程\t185
6．2　認(rèn)識(shí)并安裝Scikit-Learn\t186
6．2．1　Scikit-Learn簡(jiǎn)介\t186
6．2．2　Scikit-Learn基本概括\t186
6．2．3　模型選擇\t186
6．2．4　數(shù)據(jù)劃分\t187
6．2．5　常用模塊\t188
6．2．6　安裝sklearn\t188
6．3　回歸模型\t188
6．3．1　廣義線性模型\t189
6．3．2　樹(shù)回歸\t191
6．3．3　k近鄰回歸\t192
6．3．4　集成回歸模型：Bagging\t193
6．3．5　集成回歸模型：Boosting\t194
6．4　分類(lèi)模型\t194
6．4．1　邏輯回歸\t195
6．4．2　決策樹(shù)\t196
6．4．3　支持向量機(jī)\t197
6．4．4　KNN\t198
6．4．5　樸素貝葉斯\t198
6．4．6　集成模型：Bagging\t199
6．4．7　集成模型：Boosting\t200
6．5　聚類(lèi)模型\t201
6．5．1　聚類(lèi)\t201
6．5．2　降維\t203
6．6　項(xiàng)目實(shí)訓(xùn)——手寫(xiě)數(shù)字識(shí)別\t204
6．6．1　實(shí)訓(xùn)需求\t204
6．6．2　項(xiàng)目分析\t204
6．6．3　數(shù)據(jù)集導(dǎo)入及處理\t204
6．6．4　劃分訓(xùn)練集和測(cè)試集\t204
6．6．5　隨機(jī)森林模型\t204
6．6．6　k近鄰模型\t205
6．6．7　邏輯回歸模型\t205
6．6．8　模型選擇及分類(lèi)\t205
6．6．9　項(xiàng)目結(jié)果分析\t206
本章小結(jié)\t206
習(xí)題\t206
第7章 深度學(xué)習(xí)\t208
7．1　神經(jīng)網(wǎng)絡(luò)\t208
7．1．1　認(rèn)識(shí)神經(jīng)網(wǎng)絡(luò)\t208
7．1．2　神經(jīng)網(wǎng)絡(luò)基礎(chǔ)\t211
7．2　深度學(xué)習(xí)框架Keras\t213
7．2．1　認(rèn)識(shí)Keras\t213
7．2．2　Keras的安裝\t214
7．2．3　Keras里的模塊介紹\t215
7．2．4　Keras工作流程\t216
7．3　深度學(xué)習(xí)的應(yīng)用\t216
7．3．1　Mnist手寫(xiě)數(shù)字?jǐn)?shù)據(jù)集\t216
7．3．2　CNN\t219
7．3．3　RNN\t221
7．4　項(xiàng)目實(shí)訓(xùn)——CIFAR-10圖像識(shí)別\t224
7．4．1　實(shí)訓(xùn)需求\t224
7．4．2　CIFAR-10數(shù)據(jù)集簡(jiǎn)介\t224
7．4．3　項(xiàng)目實(shí)踐\t224
7．4．4　項(xiàng)目總結(jié)\t227
本章小結(jié)\t228
習(xí)題\t228
第8章 推薦系統(tǒng)\t229
8．1　認(rèn)識(shí)協(xié)同過(guò)濾\t229
8．2　基于用戶(hù)的協(xié)同過(guò)濾算法\t230
8．3　基于項(xiàng)目的協(xié)同過(guò)濾算法\t232
8．4　項(xiàng)目實(shí)訓(xùn)——電影推薦系統(tǒng)\t237
8．4．1　實(shí)訓(xùn)需求\t237
8．4．2　數(shù)據(jù)集介紹\t237
8．4．3　項(xiàng)目實(shí)施\t238
8．4．4　結(jié)果分析\t242
本章小結(jié)\t242
習(xí)題\t242