Python数据科学手册
正版保障 假一赔十 可开发票
¥
65.31
6.0折
¥
109
全新
仅1件
作者[美]杰克·万托布拉斯
出版社人民邮电出版社
ISBN9787115475893
出版时间2017-10
装帧平装
开本其他
定价109元
货号9123465
上书时间2024-09-29
商品详情
- 品相描述:全新
- 商品描述
-
作者简介
[美]杰克·万托布拉斯(Jake VanderPlas),Python科学栈深度用户和开发者,尤其擅长Python科学计算和数据可视化,是altair等可视化程序库的创建人,并为Scikit-Learn、IPython等Python程序库做了大量贡献。现任美国华盛顿大学eScience学院物理科学研究院院长。
目录
目录
译者序 xiii
前言 xv
第 1章 IPython:超越 Python 1
1.1 shell还是 Notebook 1
1.1.1 启动 IPython shell 2
1.1.2 启动 Jupyter Notebook 2
1.2 IPython的帮助和文档 3
1.2.1 用符号 ?获取文档 3
1.2.2 通过符号 ??获取源代码 4
1.2.3 用 Tab补全的方式探索模块 5
1.3 IPython shell中的快捷键 7
1.3.1 导航快捷键 7
1.3.2 文本输入快捷键 7
1.3.3 命令历史快捷键 8
1.3.4 其他快捷键 9
1.4 IPython魔法命令 9
1.4.1 粘贴代码块:%paste和 %cpaste 9
1.4.2 执行外部代码:%run 10
1.4.3 计算代码运行时间:%timeit 11
1.4.4 魔法函数的帮助:?、%magic和 %lsmagic 11
1.5 输入和输出历史 12
1.5.1 IPython的输入和输出对象 12
1.5.2 下划线快捷键和以前的输出 13
1.5.3 禁止输出 13
1.5.4 相关的魔法命令 13
1.6 IPython和 shell命令 14
1.6.1 shell快速入门 14
1.6.2 IPython中的 shell命令 15
1.6.3 在 shell中传入或传出值 15
1.7 与 shell相关的魔法命令 16
1.8 错误和调试 17
1.8.1 控制异常:%xmode 17
1.8.2 调试:当阅读轨迹追溯不足以解决问题时 19
1.9 代码的分析和计时 21
1.9.1 代码段计时:%timeit和 %time 22
1.9.2 分析整个脚本:%prun 23
1.9.3 用 %lprun进行逐行分析 24
1.9.4 用 %memit和 %mprun进行内存分析 25
1.10 IPython参考资料 26
1.10.1 网络资源 26
1.10.2 相关图书 27
第 2章 NumPy入门 28
2.1 理解 Python中的数据类型 29
2.1.1 Python整型不仅仅是一个整型 30
2.1.2 Python列表不仅仅是一个列表 31
2.1.3 Python中的固定类型数组 32
2.1.4 从 Python列表创建数组 32
2.1.5 从头创建数组 33
2.1.6 NumPy标准数据类型 34
2.2 NumPy数组基础 35
2.2.1 NumPy数组的属性 36
2.2.2 数组索引:获取单个元素 37
2.2.3 数组切片:获取子数组 38
2.2.4 数组的变形 41
2.2.5 数组拼接和分裂 42
2.3 NumPy数组的计算:通用函数 44
2.3.1 缓慢的循环 44
2.3.2 通用函数介绍 45
2.3.3 探索 NumPy的通用函数 46
2.3.4 高级的通用函数特性 49
2.3.5 通用函数:更多的信息 51
2.4 聚合:最小值、最大值和其他值 51
2.4.1 数组值求和 51
2.4.2 最小值和最大值 52
2.4.3 示例:美国总统的身高是多少 54
2.5 数组的计算:广播 55
2.5.1 广播的介绍 55
2.5.2 广播的规则 57
2.5.3 广播的实际应用 60
2.6 比较、掩码和布尔逻辑 61
2.6.1 示例:统计下雨天数 61
2.6.2 和通用函数类似的比较操作 62
2.6.3 操作布尔数组 64
2.6.4 将布尔数组作为掩码 66
2.7 花哨的索引 69
2.7.1 探索花哨的索引 69
2.7.2 组合索引 70
2.7.3 示例:选择随机点 71
2.7.4 用花哨的索引修改值 72
2.7.5 示例:数据区间划分 73
2.8 数组的排序 75
2.8.1 NumPy中的快速排序:np.sort和 np.argsort 76
2.8.2 部分排序:分隔 77
2.8.3 示例:K个最近邻 78
2.9 结构化数据:NumPy的结构化数组 81
2.9.1 生成结构化数组 83
2.9.2 更高级的复合类型 84
2.9.3 记录数组:结构化数组的扭转 84
2.9.4 关于 Pandas 85
第 3章 Pandas数据处理 86
3.1 安装并使用 Pandas 86
3.2 Pandas对象简介 87
3.2.1 Pandas的 Series对象 87
3.2.2 Pandas的 DataFrame对象 90
3.2.3 Pandas的 Index对象 93
3.3 数据取值与选择 95
3.3.1 Series数据选择方法 95
3.3.2 DataFrame数据选择方法 98
3.4 Pandas数值运算方法 102
3.4.1 通用函数:保留索引 102
3.4.2 通用函数:索引对齐 103
3.4.3 通用函数:DataFrame与 Series的运算 105
3.5 处理缺失值 106
3.5.1 选择处理缺失值的方法 106
目录| vii
3.5.2 Pandas的缺失值 107
3.5.3 处理缺失值 110
3.6 层级索引 113
3.6.1 多级索引 Series 113
3.6.2 多级索引的创建方法 116
3.6.3 多级索引的取值与切片 119
3.6.4 多级索引行列转换 121
3.6.5 多级索引的数据累计方法 124
3.7 合并数据集:Concat与 Append操作 125
3.7.1 知识回顾:NumPy数组的合并 126
3.7.2 通过 pd.concat实现简易合并 126
3.8 合并数据集:合并与连接 129
3.8.1 关系代数 129
3.8.2 数据连接的类型 130
3.8.3 设置数据合并的键 132
3.8.4 设置数据连接的集合操作规则 134
3.8.5 重复列名:suf.xes参数 135
3.8.6 案例:美国各州的统计数据 136
3.9 累计与分组 140
3.9.1 行星数据 140
3.9.2 Pandas的简单累计功能 141
3.9.3 GroupBy:分割、应用和组合 142
3.10 数据透视表 150
3.10.1 演示数据透视表 150
3.10.2 手工制作数据透视表 151
3.10.3 数据透视表语法 151
3.10.4 案例:美国人的生日 153
3.11 向量化字符串操作 157
3.11.1 Pandas字符串操作简介 157
3.11.2 Pandas字符串方法列表 159
3.11.3 案例:食谱数据库 163
3.12 处理时间序列 166
3.12.1 Python的日期与时间工具 166
3.12.2 Pandas时间序列:用时间作索引 169
3.12.3 Pandas时间序列数据结构 170
3.12.4 时间频率与偏移量 172
3.12.5 重新取样、迁移和窗口 173
3.12.6 更多学习资料 178
3.12.7 案例:美国西雅图自行车统计数据的可视化 179
3.13 高性能 Pandas:eval()与 query() 184
3.13.1 query()与 eval()的设计动机:复合代数式 184
3.13.2 用 pandas.eval()实现高性能运算 185
3.13.3 用 DataFrame.eval()实现列间运算 187
3.13.4 DataFrame.query()方法 188
3.13.5 性能决定使用时机 189
3.14 参考资料 189
第 4章 Matplotlib数据可视化 191
4.1 Matplotlib常用技巧 192
4.1.1 导入 Matplotlib 192
4.1.2 设置绘图样式 192
4.1.3 用不用 show()?如何显示图形 192
4.1.4 将图形保存为文件 194
4.2 两种画图接口 195
4.2.1 MATLAB风格接口 195
4.2.2 面向对象接口 196
4.3 简易线形图 197
4.3.1 调整图形:线条的颜色与风格 199
4.3.2 调整图形:坐标轴上下限 200
4.3.3 设置图形标签 203
4.4 简易散点图 204
4.4.1 用 plt.plot画散点图 205
4.4.2 用 plt.scatter画散点图 206
4.4.3 plot与 scatter:效率对比 208
4.5 可视化异常处理 208
4.5.1 基本误差线 209
4.5.2 连续误差 210
4.6 密度图与等高线图 211
4.7 频次直方图、数据区间划分和分布密度 215
4.8 配置图例 219
4.8.1 选择图例显示的元素 221
4.8.2 在图例中显示不同尺寸的点 222
4.8.3 同时显示多个图例 223
4.9 配置颜色条 224
4.9.1 配置颜色条 224
4.9.2 案例:手写数字 228
4.10 多子图 230
4.10.1 plt.axes:手动创建子图 230
4.10.2 plt.subplot:简易网格子图 231
4.10.3 plt.subplots:用一行代码创建网格 233
4.10.4 plt.GridSpec:实现更复杂的排列方式 234
目录| ix
4.11 文字与注释 235
4.11.1 案例:节假日对美国出生率的影响 236
4.11.2 坐标变换与文字位置 237
4.11.3 箭头与注释 239
4.12 自定义坐标轴刻度 241
4.12.1 主要刻度与次要刻度 242
4.12.2 隐藏刻度与标签 243
4.12.3 增减刻度数量 244
4.12.4 花哨的刻度格式 245
4.12.5 格式生成器与定位器小结 247
4.13 Matplotlib自定义:配置文件与样式表 248
4.13.1 手动配置图形 248
4.13.2 修改默认配置:rcParams 249
4.13.3 样式表 251
4.14 用 Matplotlib画三维图 255
4.14.1 三维数据点与线 256
4.14.2 三维等高线图 256
4.14.3 线框图和曲面图 258
4.14.4 曲面三角剖分 259
4.15 用 Basemap可视化地理数据 261
4.15.1 地图投影 263
4.15.2 画一个地图背景 267
4.15.3 在地图上画数据 269
4.15.4 案例:美国加州城市数据 270
4.15.5 案例:地表温度数据 271
4.16 用 Seaborn做数据可视化 273
4.16.1 Seaborn与 Matplotlib 274
4.16.2 Seaborn图形介绍 275
4.16.3 案例:探索马拉松比赛成绩数据 283
4.17 参考资料 290
4.17.1 Matplotlib资源 290
4.17.2 其他 Python画图程序库 290
第 5章 机器学习 291
5.1 什么是机器学习 291
5.1.1 机器学习的分类 292
5.1.2 机器学习应用的定性示例 292
5.1.3 小结 299
5.2 Scikit-Learn简介 300
5.2.1 Scikit-Learn的数据表示 300
5.2.2 Scikit-Learn的评估器 API 302
5.2.3 应用:手写数字探索 309
5.2.4 小结 313
5.3 超参数与模型验证 313
5.3.1 什么是模型验证 314
5.3.2 选择最优模型 317
5.3.3 学习曲线 322
5.3.4 验证实践:网格搜索 326
5.3.5 小结 327
5.4 特征工程 327
5.4.1 分类特征 327
5.4.2 文本特征 329
5.4.3 图像特征 330
5.4.4 衍生特征 330
5.4.5 缺失值填充 332
5.4.6 特征管道 332
5.5 专题:朴素贝叶斯分类 333
5.5.1 贝叶斯分类 333
5.5.2 高斯朴素贝叶斯 334
5.5.3 多项式朴素贝叶斯 336
5.5.4 朴素贝叶斯的应用场景 339
5.6 专题:线性回归 340
5.6.1 简单线性回归 340
5.6.2 基函数回归 342
5.6.3 正则化 346
5.6.4 案例:预测自行车流量 349
5.7 专题:支持向量机 353
5.7.1 支持向量机的由来 354
5.7.2 支持向量机:边界最大化 355
5.7.3 案例:人脸识别 363
5.7.4 支持向量机总结 366
5.8 专题:决策树与随机森林 367
5.8.1 随机森林的诱因:决策树 367
5.8.2 评估器集成算法:随机森林 371
5.8.3 随机森林回归 373
5.8.4 案例:用随机森林识别手写数字 374
5.8.5 随机森林总结 376
5.9 专题:主成分分析 376
5.9.1 主成分分析简介 377
5.9.2 用 PCA作噪音过滤 383
5.9.3 案例:特征脸 385
5.9.4 主成分分析总结 387
目录| xi
5.10 专题:流形学习 388
5.10.1 流形学习:“HELLO” 388
5.10.2 多维标度法(MDS) 389
5.10.3 将 MDS用于流形学习 391
5.10.4 非线性嵌入:当 MDS失败时 393
5.10.5 非线性流形:局部线性嵌入 395
5.10.6 关于流形方法的一些思考 396
5.10.7 示例:用 Isom
— 没有更多了 —
以下为对购买帮助不大的评价