Python數(shù)據(jù)分析：活用Pandas庫

獻(xiàn)詞 iii
序 iv
前言 v
致謝 xi
關(guān)于作者 xiv
第 一部分 簡(jiǎn)介 1
第 1章 Pandas DataFrame基礎(chǔ)知識(shí) 2
1．1 簡(jiǎn)介 2
1．2 加載數(shù)據(jù)集 3
1．3 查看列、行、單元格 5
1．3．1 取列子集 6
1．3．2 取行子集 7
1．3．3 混合 11
1．4 分組和聚合計(jì)算 16
1．4．1 分組方式 17
1．4．2 分組頻率計(jì)數(shù) 21
1．5 基本繪圖 21
1．6 小結(jié) 22
第 2章 Pandas數(shù)據(jù)結(jié)構(gòu) 23
2．1 簡(jiǎn)介 23
2．2 創(chuàng)建數(shù)據(jù) 24
2．2．1 創(chuàng)建Series 24
2．2．2 創(chuàng)建DataFrame 25
2．3 Series 26
2．3．1 類似于ndarray的Series 27
2．3．2 布爾子集：Series 29
2．3．3 操作自動(dòng)對(duì)齊和向量化（廣播） 31
2．4 DataFrame 34
2．4．1 布爾子集：DataFrame 34
2．4．2 操作自動(dòng)對(duì)齊和向量化（廣播） 35
2．5 更改Series和DataFrame 36
2．5．1 添加列 36
2．5．2 直接更改列 37
2．5．3 刪除值 39
2．6 導(dǎo)出和導(dǎo)入數(shù)據(jù) 40
2．6．1 保存數(shù)據(jù) 40
2．6．2 CSV 42
2．6．3 Excel 42
2．6．4 feather文件格式 43
2．6．5 其他數(shù)據(jù)輸出格式 43
2．7 小結(jié) 44
第3章 繪圖入門 45
3．1 簡(jiǎn)介 45
3．2 matplotlib 46
3．3 使用matplotlib繪制統(tǒng)計(jì)圖 51
3．3．1 單變量 52
3．3．2 雙變量 53
3．3．3 多變量數(shù)據(jù) 54
3．4 seaborn 56
3．4．1 單變量 56
3．4．2 雙變量數(shù)據(jù) 59
3．4．3 多變量數(shù)據(jù) 67
3．5 Pandas對(duì)象 75
3．5．1 直方圖 75
3．5．2 密度圖 76
3．5．3 散點(diǎn)圖 77
3．5．4 蜂巢圖 77
3．5．5 箱線圖 79
3．6 seaborn主題和樣式 79
3．7 小結(jié) 81
第二部分 數(shù)據(jù)處理 83
第4章 數(shù)據(jù)組合 84
4．1 簡(jiǎn)介 84
4．2 整理數(shù)據(jù) 84
4．3 連接 85
4．3．1 添加行 85
4．3．2 添加列 89
4．3．3 不同索引下的連接操作 90
4．4 合并多個(gè)數(shù)據(jù)集 93
4．4．1 一對(duì)一合并 94
4．4．2 多對(duì)一合并 95
4．4．3 多對(duì)多合并 95
4．5 小結(jié) 97
第5章 缺失數(shù)據(jù) 98
5．1 簡(jiǎn)介 98
5．2 何為NaN值 98
5．3 缺失值從何而來 100
5．3．1 加載數(shù)據(jù) 100
5．3．2 合并數(shù)據(jù) 101
5．3．3 用戶輸入值 103
5．3．4 重建索引 103
5．4 處理缺失數(shù)據(jù) 105
5．4．1 查找和統(tǒng)計(jì)缺失數(shù)據(jù) 105
5．4．2 清理缺失數(shù)據(jù) 106
5．4．3 缺失值計(jì)算 109
5．5 小結(jié) 110
第6章 整理數(shù)據(jù) 111
6．1 簡(jiǎn)介 111
6．2 包含值而非變量的列 112
6．2．1 固定一列 112
6．2．2 固定多列 114
6．3 包含多個(gè)變量的列 115
6．3．1 單獨(dú)拆分和添加列（簡(jiǎn)單方法） 116
6．3．2 在單個(gè)步驟中進(jìn)行拆分和組合（簡(jiǎn)單方法） 118
6．3．3 在單個(gè)步驟中進(jìn)行拆分和組合（復(fù)雜方法） 118
6．4 行與列中的變量 119
6．5 一張表中多個(gè)觀測(cè)單元（歸一化） 121
6．6 跨多張表的觀測(cè)單元 123
6．6．1 使用循環(huán)加載多個(gè)文件 125
6．6．2 使用列表推導(dǎo)加載多個(gè)文件 126
6．7 小結(jié) 127
第三部分 數(shù)據(jù)整理 129
第7章 數(shù)據(jù)類型 130
7．1 簡(jiǎn)介 130
7．2 數(shù)據(jù)類型 130
7．3 類型轉(zhuǎn)換 131
7．3．1 轉(zhuǎn)換為字符串對(duì)象 131
7．3．2 轉(zhuǎn)換為數(shù)值類型 132
7．4 分類數(shù)據(jù) 136
7．4．1 轉(zhuǎn)換為category類型 137
7．4．2 操作分類數(shù)據(jù) 137
7．5 小結(jié) 138
第8章 字符串和文本數(shù)據(jù) 139
8．1 簡(jiǎn)介 139
8．2 字符串 139
8．2．1 取子串和字符串切片 139
8．2．2 獲取字符串的最后一個(gè)字符 141
8．3 字符串方法 143
8．4 更多字符串方法 144
8．4．1 join方法 144
8．4．2 splitlines方法 144
8．5 字符串格式化 145
8．5．1 自定義字符串格式 146
8．5．2 格式化字符串 146
8．5．3 格式化數(shù)字 146
8．5．4 C printf格式化風(fēng)格 147
8．5．5 Python 3．6+中的格式化字符串 148
8．6 正則表達(dá)式 148
8．6．1 匹配模式 149
8．6．2 查找模式 152
8．6．3 模式替代 152
8．6．4 編譯模式 153
8．7 regex庫 154
8．8 小結(jié) 154
第9章 應(yīng)用 155
9．1 簡(jiǎn)介 155
9．2 函數(shù) 155
9．3 使用函數(shù) 156
9．3．1 Series的apply方法 157
9．3．2 DataFrame的apply方法 158
9．4 apply高級(jí)用法 160
9．4．1 按列應(yīng)用 162
9．4．2 按行應(yīng)用 164
9．5 向量化函數(shù) 166
9．5．1 使用NumPy 167
9．5．2 使用numba 168
9．6 lambda函數(shù) 168
9．7 小結(jié) 170
第 10章 分組操作：分割-應(yīng)用-組合 171
10．1 簡(jiǎn)介 171
10．2 聚合 171
10．2．1 基本的單變量分組聚合 172
10．2．2 Pandas內(nèi)置的聚合方法 173
10．2．3 聚合函數(shù) 174
10．2．4 同時(shí)傳入多個(gè)函數(shù) 176
10．2．5 在agg/aggregate中使用字典 177
10．3 轉(zhuǎn)換 178
10．4 過濾器 182
10．5 pandas．core．groupby．DataFrameGroupBy對(duì)象 183
10．5．1 分組 183
10．5．2 涉及多個(gè)變量的分組計(jì)算 184
10．5．3 選擇分組 184
10．5．4 遍歷分組 184
10．5．5 多個(gè)分組 186
10．5．6 平鋪結(jié)果 187
10．6 使用多重索引 188
10．7 小結(jié) 191
第 11章 datetime數(shù)據(jù)類型 192
11．1 簡(jiǎn)介 192
11．2 Python的datatime對(duì)象 192
11．3 轉(zhuǎn)換為datetime 193
11．4 加載包含日期的數(shù)據(jù) 196
11．5 提取日期的各個(gè)部分 196
11．6 日期運(yùn)算和Timedelta 198
11．7 datetime方法 200
11．8 獲取股票數(shù)據(jù) 202
11．9 基于日期取數(shù)據(jù)子集 203
11．9．1 DatetimeIndex對(duì)象 203
11．9．2 TimedeltaIndex對(duì)象 204
11．10 日期范圍 205
11．10．1 頻率 206
11．10．2 偏移量 207
11．11 移動(dòng) 207
11．12 重采樣 213
11．13 時(shí)區(qū) 214
11．14 小結(jié) 215
第四部分 數(shù)據(jù)建模 217
第 12章 線性模型 218
12．1 簡(jiǎn)介 218
12．2 簡(jiǎn)單線性回歸 218
12．2．1 使用統(tǒng)計(jì)模型庫 218
12．2．2 使用sklearn庫 220
12．3 多元回歸 222
12．3．1 使用statsmodels庫 222
12．3．2 使用statsmodels和分類變量 222
12．3．3 使用sklearn庫 224
12．3．4 使用sklearn和分類變量 225
12．4 保留sklearn的索引標(biāo)簽 226
12．5 小結(jié) 226
第 13章 廣義線性模型 227
13．1 簡(jiǎn)介 227
13．2 邏輯回歸 227
13．2．1 使用statsmodels 229
13．2．2 使用sklearn 230
13．3 泊松回歸 232
13．3．1 使用statsmodels 232
3．3．2 負(fù)二項(xiàng)回歸 233
13．4 更多GLM 234
13．5 生存分析 235
13．6 小結(jié) 238
第 14章 模型診斷 239
14．1 簡(jiǎn)介 239
14．2 殘差 239
14．3 比較多個(gè)模型 243
14．3．1 比較線性模型 243
14．3．2 比較GLM 246
14．4 k折交叉驗(yàn)證 248
14．5 小結(jié) 251
第 15章 正則化 252
15．1 簡(jiǎn)介 252
15．2 何為正則化 252
15．3 LASSO回歸 254
15．4 嶺回歸 255
15．5 彈性網(wǎng) 256
15．6 交叉驗(yàn)證 258
15．7 小結(jié) 260
第 16章 聚類 261
16．1 簡(jiǎn)介 261
16．2 k均值聚類 261
16．3 層次聚類 267
16．3．1 最長(zhǎng)距離法 267
16．3．2 最短距離法 267
16．3．3 平均距離法 268
16．3．4 重心法 268
16．3．5 手動(dòng)設(shè)置閾值 269
16．4 小結(jié) 270
第五部分 終章 271
第 17章 Pandas之外 272
17．1 科學(xué)計(jì)算棧 272
17．2 性能 272
17．2．1 測(cè)試代碼運(yùn)行時(shí)間 272
17．2．2 分析代碼 274
17．3 規(guī)模更大、速度更快 274
第 18章 寫給自學(xué)者 275
18．1 不可閉門造車 275
18．2 本地聚會(huì) 275
18．3 參加會(huì)議 275
18．4 互聯(lián)網(wǎng) 276
18．5 播客 276
18．6 小結(jié) 276
第六部分 附錄
附錄A 安裝 278
附錄B 命令行 280
附錄C 項(xiàng)目模板 282
附錄D Python代碼編寫工具 283
附錄E 工作目錄 285
附錄F 環(huán)境 287
附錄G 安裝包 289
附錄H 導(dǎo)入庫 291
附錄I 列表 293
附錄J 元組 294
附錄K 字典 295
附錄L 切片 297
附錄M 循環(huán) 299
附錄N 推導(dǎo)式 300
附錄O 函數(shù) 301
附錄P 范圍和生成器 305
附錄Q 多重賦值 307
附錄R NumPy ndarray 309
附錄S 類 311
附錄T 變形器odo 313
版權(quán)聲明 314