消息 首页 搜索 举报
  • Python大学教程：面向计算机科学和数据科学
  • Python大学教程：面向计算机科学和数据科学
21年品牌 40万+商家 超1.5亿件商品

Python大学教程：面向计算机科学和数据科学

正版图书 真实库存欢迎选购 套装图书先联系再下单 套装图书请先咨询客服再下单

￥ 96.01 6.4折 ￥ 149 全新

库存4件

河北保定
认证卖家担保交易快速发货售后保障

作者[美]保罗·戴特尔(Paul Deitel) [美]哈维·戴特尔(Harvey Deitel)

出版社机械工业出版社

ISBN9787111717911

出版时间2023-03

装帧平装

开本16开

定价149元

货号31706818

上书时间2024-11-13

润田图书店

四年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
商品描述
作者简介
---作者简介---保罗·戴特尔（PaulDeitel）Deitel＆Associates公司首席执行官兼首席技术官，毕业于麻省理工学院，在计算机领域拥有38年的经验。他自1992年以来就为软件开发人员教授专业课程，为包括思科、IBM、西门子、戴尔、NASA、北电网络在内的全球企业客户提供了数百门编程课程。哈维·戴特尔（HarveyDeitel）Deitel＆Associates公司董事长兼首席战略官，在计算机领域拥有58年的经验。他在麻省理工学院获得理学学士学位和硕士学位，在波士顿大学获得博士学位。在1991年创立Deitel＆Associates公司之前，他已经获得了波士顿大学的终身职位并担任计算机科学系主任。Deitel品牌的出版物赢得了国际上的广泛认可，并被翻译为日语、德语、汉语等100多种语言出版。通过与Pearson/PrenticeHall44年的合作，Deitel＆Associates公司以印刷物和电子书的形式出版了前沿的编程教科书和专业书籍，发布了前沿的编程方面的LiveLessons视频课程、Safari-Live在线研讨会和Revel交互式多媒体课程。如果你需要联系Deitel＆Associates公司和作者，或者希望给有讲师指导的现场培训课程提出建议，请发送电子邮件至deitel@deitel.com。希望了解更多关于Deitel现场企业培训的信息，请访问http://www.deitel.com/training。希望购买Deitel书籍的个人客户，请访问https://www.amazon.com/。公司、政府、军队和学术机构的大宗订单请直接与Pearson联系。希望了解更多信息，请访问https://www.informit.com/store/sales.aspx。

目录
目　录译者序前言阅读前的准备工作第1章　计算机和Python简介11.1　简介11.2　硬件和软件21.2.1　摩尔定律31.2.2　计算机组成31.3　数据层级结构41.4　机器语言、汇编语言和高级语言71.5　对象技术简介81.6　操作系统101.7　Python131.8　库141.8.1　Python标准库151.8.2　数据科学库151.9　其他流行的编程语言161.10　实践练习：使用IPython和　Jupyter Notebook171.10.1　将IPython的交互式模式　当作计算器使用171.10.2　使用IPython解释器执行　Python程序191.10.3　在Jupyter Notebook中　编写和执行代码201.11　互联网和万维网241.11.1　互联网：网络的网络251.11.2　万维网：使互联网变得对　用户友好251.11.3　云计算251.11.4　物联网261.12　软件技术271.13　大数据有多大281.13.1　大数据分析321.13.2　数据科学和大数据正在　改变世界：用例331.14　案例研究：一个大数据移动　应用341.15　数据科学入门：人工智能—　计算机科学和数据科学的交叉　学科35第2章　Python程序设计概述412.1　简介412.2　变量和赋值语句412.3　算术运算432.4　print函数、单引号字符串和　双引号字符串472.5　三引号字符串482.6　从用户处获得输入502.7　决策：if语句和比较操作符522.8　对象和动态类型562.9　数据科学入门：描述性统计学　基础知识582.10　小结60第3章　控制语句和程序开发633.1　简介633.2　算法633.3　伪代码643.4　控制语句643.5　if语句663.6　if...else和if...elif...else　语句693.7　while语句733.8　for语句743.8.1　可迭代变量、列表和　迭代器753.8.2　内置range函数763.9　增广赋值763.10　程序开发：序列控制重复773.10.1　需求说明783.10.2　算法的伪代码形式783.10.3　Python中算法的编码793.10.4　格式化字符串793.11　程序开发：卫士控制重复803.12　程序开发：嵌套控制语句833.13　内置函数range：深入审视873.14　使用Decimal类型表达货币　总量883.15　break和continue语句913.16　布尔操作符and、or和not923.17　数据科学入门：趋中度量—　平均数、中位数、众数953.18　小结96第4章　函数1024.1　简介1024.2　函数的定义1024.3　多参数函数1054.4　随机数生成1064.5　案例研究：碰运气游戏1094.6　Python标准库1124.7　math模块函数1134.8　IPython的Tab补全1144.9　缺省形参值1154.10　关键字实参1164.11　任意实参表1174.12　方法：属于对象的函数1184.13　作用域规则1184.14　import：深入审视1204.15　函数的实参传递：深入讨论1224.16　函数调用栈1244.17　函数式程序设计1264.18　数据科学入门：离中度量1274.19　小结129第5章　序列：列表和元组1335.1　简介1335.2　列表1335.3　元组1385.4　序列解包1405.5　序列切片1435.6　del语句1465.7　给函数传递列表1475.8　列表排序1485.9　序列搜索1505.10　其他列表方法1525.11　用列表模拟栈1545.12　列表解析1555.13　生成器表达式1575.14　过滤器、映射和化简1585.15　其他序列处理函数1605.16　二维列表1625.17　数据科学入门：模拟和静态　可视化1665.17.1　掷600、60 000和6 000 000　　　　次骰子的简单图示1665.17.2　掷骰实验的频数和百分比　的可视化1675.18　小结174第6章　字典和集合1826.1　简介1826.2　字典1826.2.1　创建字典1836.2.2　遍历字典1846.2.3　基本字典操作1846.2.4　字典方法keys和　values1866.2.5　字典比较1886.2.6　样例：学生成绩字典1886.2.7　样例：词频统计1896.2.8　字典方法update1916.2.9　字典解析1926.3　集合1926.3.1　集合比较1946.3.2　集合的数学操作1966.3.3　集合的可变操作符和　方法1976.3.4　集合解析1996.4　数据科学入门：动态可视化1996.4.1　了解动态可视化1996.4.2　实现动态可视化2026.5　小结204第7章　使用NumPy进行面向　数组的编程2087.1　简介2087.2　从已有数据中创建array2097.3　array属性2107.4　用特定值填充array2127.5　从值域中创建array2127.6　列表和array的性能：引入　%timeit2147.7　array操作符2167.8　NumPy计算方法2187.9　普适函数2207.10　索引和切片2217.11　视图：浅拷贝2237.12　深拷贝2257.13　重塑和转置2267.14　数据科学入门：pandas Series　和DataFrame2297.14.1　pandas Series2297.14.2　DataFrame2337.15　小结241第8章　字符串：深入审视2478.1　简介2478.2　格式化字符串2488.2.1　表示类型2488.2.2　域宽和对齐2498.2.3　数值格式化2508.2.4　字符串的format　方法2518.3　拼接和重复字符串2528.4　删除字符串的空白符2538.5　字符大小写转换2548.6　字符串的比较操作符2558.7　子串搜索2558.8　子串替换2578.9　字符串拆分和合并2578.10　字符和字符测试方法2608.11　原生字符串2608.12　正则表达式简介2618.12.1　re模块和fullmatch　函数2628.12.2　子串替换和字符串拆分2658.12.3　其他搜索函数和匹配　访问2668.13　数据科学入门：pandas、正则　表达式和数据整理2698.14　小结273第9章　文件和异常2789.1　简介2789.2　文件2799.3　文本文件处理2799.3.1　向文本文件中写入数据：　with语句简介2809.3.2　从文本文件中读取数据2819.4　更新文本文件2839.5　使用JSON进行序列化2859.6　使用pickle进行序列化和　反序列化存在的安全问题2889.7　关于文件的其他补充2889.8　异常处理2899.8.1　除0异常和非法输入2899.8.2　try语句2909.8.3　在一个except子句中　捕获多个异常2939.8.4　函数或方法能够抛出什么　异常2939.8.5　try代码组应该封装什么　代码2939.9　finally子句2939.10　显式抛出异常2969.11　（可选）栈展开和回溯2969.12　数据科学入门：CSV文件综合　处理2989.12.1　Python标准库模块　csv2989.12.2　将CVS文件读入pandas 　DataFrame3019.12.3　读取Titanic disaster　数据集3029.12.4　对Titanic disaster数据集　进行简单的数据分析3039.12.5　乘客年龄直方图3049.13　小结305第10章　面向对象程序设计31110.1　简介31110.2　自定义Account类31310.2.1　Account类的试用31310.2.2　Account类的定义31410.2.3　组合：对象引用作为　类的成员31610.3　属性访问控制31710.4　用于访问数据的属性31810.4.1　Time类的试用31810.4.2　Time类的定义32010.4.3　Time类定义的设计　说明32410.5　“私有”属性模拟32510.6　案例研究：洗牌和切牌32710.6.1　Card和DeckofCards　类的试用32710.6.2　Card类：引入类属性32810.6.3　DeckOfCards类33010.6.4　使用Matplotlib显示　卡牌图像33210.7　继承：基类和子类33510.8　构建继承层次：引入多态性33710.8.1　基类Commission-　Employee33710.8.2　子类SalariedCom-　missionEmployee34010.8.3　CommissionEmployee　和SalariedCommis-　sionEmployee的　多态处理34310.8.4　基于对象和面向对象　程序设计的补充34410.9　鸭子类型和多态34410.10　操作符重载34610.10.1　Complex类的试用34610.10.2　Complex类的定义34710.11　异常类层次和自定义异常处理34910.12　有名元组35010.13　Python 3.7的新数据类简介35110.13.1　创建Card数据类35210.13.2　使用Card数据类35410.13.3　数据类相较有名元组的　优势35610.13.4　数据类相较传统类的　优势35710.14　使用文档字符串和doctest　进行单元测试35710.15　命名空间和作用域36110.16　数据科学入门：时间序列和　简单线性回归36410.17　小结372第11章　计算机科学思维：递归、　搜索、排序和大O38011.1　简介38011.2　阶乘38111.3　递归阶乘样例38111.4　递归斐波那契数列样例38311.5　递归与迭代38611.6　搜索与排序38711.7　线性搜索38811.8　算法的效率：大O38911.9　二分搜索39011.9.1　二分搜索实现39111.9.2　二分搜索的大O表示39311.10　排序算法39411.11　选择排序39411.11.1　选择排序实现39411.11.2　实用工具函数　print_pass39611.11.3　选择排序的大O表示39611.12　插入排序39711.12.1　插入排序实现39711.12.2　插入排序的大O表示39911.13　归并排序39911.13.1　归并排序实现40011.13.2　归并排序的大O表示40311.14　搜索和排序算法的大O总结40411.15　可视化算法40411.15.1　生成器函数40611.15.2　实现选择排序动画40711.16　小结412第12章　自然语言处理41812.1　简介41812.2　TextBlob41912.2.1　创建一个TextBlob42112.2.2　语料化：文本的断句和　取词42112.2.3　词性标记42212.2.4　提取名词短语42312.2.5　使用TextBlob的默认情　感分析器进行情感分析42312.2.6　使用NaiveBayesAnalyzer　进行情感分析42512.2.7　语言检测和翻译42612.2.8　变形：复数化和单数化42812.2.9　拼写检查和更正42912.2.10　规范化：词干提取和　词形还原43012.2.11　词频43012.2.12　从WordNet中获取定　义、同义词和反义词4312.2.13　删除停止词43312.2.14　n-gram模型43512.3　用柱状图和词云进行词频　可视化43612.3.1　用pandas进行词频　可视化43612.3.2　用词云进行词频可视化43912.4　使用Textatistic进行可读性　评估44112.5　使用spaCy进行命名实体识别44312.6　使用spaCy进行相似性检测44512.7　其他NLP库和工具44612.8　机器学习和深度学习的自然　语言应用44712.9　自然语言数据集44712.10　小结448第13章　Twitter数据挖掘45213.1　简介45213.2　Twitter API概况45413.3　创建一个Twitter账户45513.4　获取Twitter凭证—创建　一个app45513.5　推文中有什么45713.6　Tweepy46013.7　通过Tweepy与Twitter进行　身份验证46013.8　从Twitter账户中获取信息46113.9　Tweepy Cursor简介：获取一个　账户的关注者和好友46313.9.1　确定一个账户的关注者46413.9.2　确定一个账户的关注　对象46613.9.3　获取一个用户的近期　推文46613.10　搜索近期推文46813.11　趋势发现：Twitter趋势API47013.11.1　热门话题的地点47013.11.2　获取热门话题列表47113.11.3　根据热门话题创建　词云47313.12　分析推文前的清洗/预处理　过程47413.13　Twitter流处理API47613.13.1　创建StreamListener　的子类47613.13.2　流处理初始化47813.14　推文情感分析48013.15　地理编码与地图显示48413.15.1　推文的获取和地图显示48513.15.2　tweetutilities.py　中的实用工具函数48813.15.3　LocationListener类49013.16　存储推文的方法49113.17　Twitter和时间序列49213.18　小结492第14章　IBM Watson和认知计算49614.1　简介49614.2　IBM云账户和云控制台49814.3　Watson服务49814.4　额外的服务和工具50114.5　Watson开发者云Python SDK50314.6　案例研究：旅行者随身翻译　应用50414.6.1　运行前准备50414.6.2　运行应用50514.6.3　SimpleLanguage-　Translator.py脚本　详细解读50614.7　Watson资源51514.8　小结517第15章　机器学习：分类、回归和　聚类52015.1　简介52015.1.1　scikit-learn52115.1.2　机器学习的类型52215.1.3　scikit-learn自带的数据集52315.1.4　典型数据科学研究步骤52415.2　案例研究：用k近邻算法和Digits　数据集进行分类（第1部分）52415.2.1　k近邻算法52515.2.2　加载数据集52615.2.3　可视化数据53015.2.4　将数据分为训练集和　测试集53215.2.5　创建模型53315.2.6　训练模型53315.2.7　预测数字类别53415.3　案例研究：用k近邻算法和Digits　数据集进行分类（第2部分）53515.3.1　模型准确度指标53615.3.2　k折交叉验证53915.3.3　运行多个模型以选择　最佳模型54015.3.4　超参数调整54115.4　案例研究：时间序列和简单　线性回归54215.5　案例研究：基于加利福尼亚　房价数据集的多元线性回归54715.5.1　加载数据集54715.5.2　使用pandas探索数据54915.5.3　可视化特征55115.5.4　将数据分为训练集和　测试集55415.5.5　训练模型55515.5.6　测试模型55615.5.7　可视化预测房价和期望　房价55615.5.8　回归模型指标55715.5.9　选择最佳模型55815.6　案例研究：无监督学习（第1　部分）—降维55915.7　案例研究：无监督学习（第2　部分）—k均值聚类56215.7.1　加载Iris数据集56315.7.2　探索Iris数据集：使用　pandas进行描述性统计56515.7.3　使用Seaborn的pairplot　可视化数据集56615.7.4　使用KMeans评估器56915.7.5　主成分分析降维57015.7.6　选择最佳聚类评估器57215.8　小结574第16章　深度学习58116.1　简介58116.1.1　深度学习应用58316.1.2　深度学习演示58316.1.3　Keras资源58416.2　Keras内置数据集58416.3　自定义Anaconda环境58516.4　神经网络58616.5　张量58716.6　视觉处理的卷积神经网络和使用　MNIST数据集的多分类器58916.6.1　加载MNIST数据集59016.6.2　数据观察59116.6.3　数据准备59216.6.4　构造神经网络59416.6.5　训练和评估模型60216.6.6　保存和加载模型60616.7　用TensorBoard进行神经网络　训练的可视化60716.8　ConvnetJS：基于浏览器的深度　学习训练和可视化60916.9　序列处理的循环神经网络：使用　IMDb数据集进行情感分析61016.9.1　加载IMDb电影点评　数据集61116.9.2　数据观察61216.9.3　数据准备61416.9.4　构造神经网络61516.9.5　训练和评估模型61816.10　深度学习模型调参61816.11　ImageNet上预训练的卷积　神经网络模型61916.12　强化学习62116.12.1　Deep Q-Learning62116.12.2　OpenAI Gym62216.13　小结622第17章　大数据：Hadoop、Spark、　NoSQL和IoT62917.1　简介62917.2　关系型数据库和结构化查询　语言63217.2.1　books数据库63417.2.2　SELECT查询63717.2.3　WHERE子句63817.2.4　ORDER BY子句63917.2.5　合并来自多个表的数据：　INNER JOIN64017.2.6　INSERT INTO语句64117.2.7　UPDATE语句64217.2.8　DELETE FROM语句64217.3　NoSQL和NewSQL大数据　数据库：导览64417.3.1　NoSQL键值数据库64417.3.2　NoSQL文档数据库64417.3.3　NoSQL列数据库64517.3.4　NoSQL图数据库64517.3.5　NewSQL数据库64617.4　案例研究：MongoDB JSON　文档数据库64717.4.1　创建MongoDB Atlas　集群64717.4.2　将tweet注入　MongoDB64817.5　Hadoop65617.5.1　Hadoop概述65617.5.2　用MapReduce汇总Romeo 　and Juliet的词长度65917.5.3　在Microsoft Azure 　HDInsight上创建　Apache Hadoop集群65917.5.4　Hadoop Streaming66017.5.5　实现mapper66117.5.6　实现reducer66117.5.7　准备运行MapReduce　示例66217.5.8　运行MapReduce　作业66317.6　Spark66617.6.1　Spark概述66617.6.2　Docker和Jupyter 　Docker栈66717.6.3　使用Spark进行词　统计66917.6.4　在Microsoft Azure上运行　Spark Word Count67217.7　Spark流：使用pyspark-　notebook Docker栈进行　Twitter哈希标注统计67517.7.1　将tweet注入套接字67517.7.2　tweet哈希标注汇总：　Spark SQL简介67817.8　物联网和仪表盘68417.8.1　发布和订阅68517.8.2　用Freeboard仪表盘可视化　PubNub样本实时流68517.8.3　用Python模拟联网的　恒温器68717.8.4　使用freeboard.io创建　仪表盘68917.8.5　创建Python PubNub　订阅器69017.9　小结694

内容摘要
本书提供了一种独特的方法来讲解Python编程入门，内容符合新的ACM/IEEECS和相关的计算课程倡议，以及由美国国家科学基金会赞助的数据科学本科课程。内容涵盖了新的主题和应用的覆盖面，模块化架构使教师能够方便地调整文本，适应课程需求。通过本书，你将学习：538个案例研究，471道练习题和项目，557道自我测验题。基于IPython和JupyterNotebook的即时反馈。问题求解、算法开发、控制语句、函数等基础知识。列表、元组、字典、集合、Numpy数组、pandasSeries和DataFrame。2D/3D的静态、动态和交互式可视化。字符串、文本文件、JSON序列化、CSV、异常。过程式、函数式和面向对象的程序设计方法。“数据科学入门”：基础统计、模拟、动画、随机变量、数据整理、回归。隐私、安全、伦理、可重现、透明。AI、大数据和云数据科学案例研究：NLP、Twitter数据挖掘、IBMWatson、机器学习、深度学习、计算机视觉、Hadoop、Spark、NoSQL、IoT。开源库：NumPy、pandas、Matplotlib、Seaborn、Folium、SciPy、NLTK、TextBlob、spaCy、Textatistic、Tweepy、Scikit-learn、Keras、PubNub等。

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP