Pandas通关实战
正版全新
¥
89.3
7.5折
¥
119
全新
库存11件
作者 黄福星
出版社 清华大学出版社
ISBN 9787302600619
出版时间 2022-08
装帧 其他
开本 16开
纸张 胶版纸
定价 119元
货号 3470820
上书时间 2024-05-16
商品详情
品相描述:全新
商品描述
【书 名】 Pandas通关实战 【书 号】 9787302600619 【出 版 社】 清华大学出版社 【作 者】 黄福星 【出版日期】 2022-08-01 【开 本】 16开 【定 价】 119.00元 【编辑推荐】 本书秉承Less is more(少即是多)的原则,追求“简约但不简单”的风格。从入门篇到进阶篇的11个章节,主要都是围绕着一个简单的“7行8列的数据”进行有效地讲解,把Pandas中使用频率*高的或效率*高的80%的函数、方法、属性全部有效地串接起来,减少读者浪费时间去理解不同的数据源,让更多的精力聚焦于专业知识的学习。 【内容简介】 本书系统阐述了Pandas基础知识、应用原理,以及应用流程和应用技巧等实战知识。 全书共分为5篇:第*篇为入门篇(第1和2章),第二篇为基础篇(第3和4章),第三篇为基础强化篇(第5~7章),第四篇为进阶篇(第8~11章), 第五篇为案例篇(第12章)。书中主要内容包括Python简介、NumPy基础、Pandas入门、数据筛选、数据转换、文本转换、数据获取、数据处理、数据分组、时序分析、数据可视化、通关案例。 本书可作为Python数据分析的入门与进阶书籍,适用于有一定Python基础的读者、对数据分析感兴趣的学生,也可作为数据分析及其它编程爱好者、IT培训机构的参考书籍。 【目录】 第1篇入门篇 第1章Python简介 1.1Pandas简介 1.2Pandas数据分析 1.3Jupyter与Anaconda 1.4Anaconda、conda与pip 1.4.1Anaconda 1.4.2conda 1.4.3Anaconda与conda 1.5Anaconda的下载与安装 1.6Anaconda安装简介 1.6.1安装步骤 1.6.2Anaconda Navigator简介 1.6.3Anaconda Prompt使用简介 1.6.4Anaconda Navigator与Anaconda Prompt 1.6.5conda与pip 1.6.6Nbextensions 1.7Jupyter Notebook简介 1.7.1代码模式 1.7.2Markdown模式 1.8Jupyter Notebook快捷键简介 1.9本章回顾 第2章NumPy基础 2.1对象、数据、数组 2.1.1位与字节 2.1.2对象 2.1.3数组 2.2数组的创建方式 2.2.1ndarray 2.2.2np.array() 2.2.3np.arange() 2.2.4np.linspace() 2.2.5np的特殊函数 2.3数据的基本属性 2.3.1NumPy数组属性 2.3.2改变数组的形状 2.3.3数组堆叠与分割 2.3.4广播机制 2.4通用函数(ufunc) 2.4.1排序函数 2.4.2一元函数 2.4.3多元函数 2.4.4数学函数 2.4.5随机函数 2.4.6字符串函数 2.4.7条件操作 2.4.8高阶操作 2.5本章回顾 第2篇基础篇 第3章Pandas入门 3.1Series 3.1.1Series基础知识 3.1.2Series的构建 3.1.3Series的常用转换方法 3.1.4Series的“十八招” 3.2DataFrame 3.2.1DataFrame基础知识 3.2.2创建 3.2.3DataFrame相关知识 3.3本章回顾 第4章数据筛选 4.1Python基础 4.1.1运算符 4.1.2视图与复制 4.1.3常用操作 4.2条件表达式 4.2.1条件筛选(索引) 4.2.2条件查询 4.2.3条件赋值 4.3数据删除 4.3.1缺失值 4.3.2重复值 4.3.3异常值 4.4数据重组 4.4.1填充 4.4.2重排 4.5axis转换 4.5.1rename() 4.5.2rename_axis() 4.5.3reindex() 4.5.4reset_index() 4.5.5set_index() 4.5.6MultiIndex() 4.6本章回顾 第3篇基础强化篇 第5章数据转换 5.1基础知识 5.1.1程序结构 5.1.2循环语句 5.2映射函数 5.2.1map() 5.2.2apply() 5.2.3applymap() 5.3各类转换 5.3.1数据类型转换 5.3.2数据结构转换 5.3.3文本格式转换 5.3.4style样式转换 5.4本章回顾 第6章文本转换 6.1文本字符串 6.1.1文本基础 6.1.2应用流程 6.2Python字符串 6.2.1识别阶段(Identity) 6.2.2清洗阶段(Elimilate) 6.2.3组合阶段(Combine) 6.2.4转换重组(Rearrange) 6.3正则表达式 6.3.1元字符 6.3.2用法 6.4Pandas的方法 6.4.1识别阶段(Identity) 6.4.2转换重组(Rearrange) 6.5本章回顾 第7章数据获取 7.1读取数据源 7.1.1pd.read_excel() 7.1.2pd.ExcelFile.parse() 7.1.3pd.read_csv() 7.2存储数据 7.2.1df.to_excel() 7.2.2pd.ExcelWriter() 7.2.3共性总结 7.3追加与合并 7.3.1(常规)追加 7.3.2追加(append) 7.3.3合并(combine) 7.3.4连接(join) 7.3.5按轴向合并(concat) 7.3.6融合(merge) 7.4文档的批量操作 7.4.1批量合并同一文件夹中的workbook 7.4.2批量合并同一文件工作簿中的worksheet 7.4.3批量更改DataFrame中的列名 7.4.4批量拆分DataFrame 7.5与xlwings的互动 7.5.1创建新工作簿 7.5.2批量修改电子表格名称 7.5.3在新增电子表格中插入图表 7.6本章回顾 第4篇进阶篇 第8章数据处理 8.1统计学基础 8.1.1概率与数理统计 8.1.2数据的离散化 8.1.3四则运算 8.2数据操作 8.3DataFrame处理 8.3.1Pandas的方法链 8.3.2assign() 8.3.3eval() 8.3.4pipe管道 8.4本章回顾 第9章数据分组 9.1Split阶段 9.1.1by参数 9.1.2axis参数 9.1.3level参数 9.1.4as_index参数 9.1.5dropna参数 9.2Apply阶段 9.2.1直接聚合 9.2.2agg 9.2.3map 9.2.4apply 9.2.5transform 9.2.6filter 9.3透视表 9.4进阶应用 9.4.1assign 9.4.2pipe管道 9.5批量保存分组对象 9.5.1保存为同一文件夹内的多个工作簿 9.5.2保存为同一工作簿中的多个工作表 9.5.3保存为多个工作簿中的多个工作表 9.6本章回顾 第10章时间序列 10.1Excel时间函数 10.2datetime模块 10.2.1date类 10.2.2time类 10.2.3datetime类 10.2.4timedelta类 10.3时间点 10.3.1pd.to_datetime 10.3.2pd.Timestamp 10.3.3DatetimeIndex时间戳索引 10.3.4pd.date_range() 10.4时间段 10.4.1Period 10.4.2Period_range 10.4.3asfreq时期的频率转换 10.4.4Timestamp与Period互相转换 10.5时间差 10.5.1运算规则说明 10.5.2参数的传递方式 10.6重采样 10.6.1使用方法 10.6.2降采样 10.6.3升采样和插值 10.6.4其他采样 10.7偏移 10.7.1shift() 10.7.2diff() 10.7.3rolling() 10.8本章回顾 第11章数据可视化 11.1可视化 11.1.1可视化基础 11.1.2可视化图形 11.2Matplotlib 11.2.1基本语法 11.2.2可视化的应用流程 11.2.3图表的选择与应用 11.3df.plot() 11.3.1参数对照表 11.3.2应用说明 11.4Seaborn 11.4.1设置 11.4.2图表应用 11.5本章回顾 11.5.1本章内容回顾 11.5.2时序数据图表化 第5篇案例篇 第12章实战案例分析 12.1项目说明 12.1.1行业描述 12.1.2项目背景 12.1.3项目推行计划 12.1.4KPI指标体系 12.2数据现状 12.2.1数据来源说明 12.2.2获取数据 12.2.3数据转换 12.3数据探索 12.3.1客户订单量 12.3.2业务的相关性 12.3.3订单消费额 12.3.4探索性挖掘 12.3.5盈利情况 12.4数据分析结论 12.4.1数据质量现状 12.4.2后续改善要求 12.4.3指导意见 12.4.4方法论整理 【前言】 在计算机应用领域,大数据应用是*热门的主题之一; 在近几年的计算机流行语言排行榜中,Python是当前*热门的语言之一。在计算机大数据处理方面,Pandas是Python的数据分析利器,它在数据的增、删、改、查及时序分析等方面,功能十分强大且语言相当简单。可以这样说,正是因为Pandas的加入才让Python在数据分析领域有一席之地。 在日常的工作与生活中,Excel因为灵活、高效及易获取性,不管是早期推出的函数与VBA,还是近几年推出的Power BI(内置Power Query、Power Pivot等),都让其因此拥有数量庞大的用户群,从而成为众多数据分析师的首选。如果说Excel是一款数据处理神器,则Pandas同样是一款数据处理与分析神器,它们二者的应用功能存在较高的重叠性,但Pandas更为灵活、功能更强大。此外,Pandas能与Excel、CSV、SQL等日常数据进行高效无缝对接,因而越来越受到数据分析师的追捧。 回想笔者当年学习Python的经历,众多的Python第三方库、可操作Excel库曾让笔者迷糊过,也曾因此有过“从入门到放弃”的经历。直至遇到Pandas,在深入了解Pandas后,才发现原来自己当年走了弯路。这些年来“从入门到放弃”的经历与感悟萌生了笔者想写一本有关“Python数据分析、Pandas数据分析”相关书籍的想法,把那些学习中必要的知识点聚集起来,把那些学习过程的干扰因素一一摒除掉,用一个标准的流程与方法论解释一个完整的学习过程,然后用一个*简单的小数据诠释大数据的应用原理,让所有的读者不再有“从入门到放弃”的经历成为笔者写作本书的动力与目标。 本书主要内容 本书秉承less is more(少即是多)的原则,追求“简约但不简单”的风格。从入门篇到进阶篇的11章,主要围绕着一个简单的“7行8列的数据”进行有效讲解,把Pandas中使用频率*高的或效率*高的80%的函数、方法、属性有效地串接起来,以减少读者理解不同数据源的时间,让更多的精力聚焦于专业知识的学习。*后通过一个实用的案例,把Pandas的重要知识点一一串接起来,并*终轻松转化为实战案例,这也是本书的主要特色。 本书不局限于讲解Pandas语法与Python数据分析,更结合5W1H和IE(工业工程)中的ECRS(删除、合并、重组、简化)与ESIA(删除、简化、整合、自动化)的管理分析方法,通过管理学与数据分析方法的高效融合,*终实现simplicity is the best(简单就是*好的),力争一次性将所有的实战知识点掌握到位。 本书源代码 扫描下方二维码,可获取本书源代码。 本书源代码及数据源 致谢 首先要感谢清华大学出版社赵佳霓编辑,从策划到落地过程中的全面指导,她细致、专业的指导让笔者受益良多。 还要感谢笔者的妻子。本书是笔者利用业余时间完成的,写作的过程中占据了大量的个人时间及家庭时间,她的理解与支持是笔者*大的动力。 感谢笔者的父母,是你们的谆谆教诲才使笔者一步一个脚印地走到今天。 由于时间仓促,书稿虽然经过全面检查,但疏漏之处在所难免,敬请读者批评指正,你们的反馈是笔者进步的动力。 黄福星2022年3月
— 没有更多了 —
本店暂时无法向该地区发货
以下为对购买帮助不大的评价