Python：數(shù)據(jù)科學的手段（第2版）

第一部分 基礎(chǔ)
第 1 章 軟件準備
1．1 下載及安裝 Python
1．2 Anaconda 的幾種界面
1．3 下載并安裝所需模塊
第 2 章 Python 基礎(chǔ)知識
2．1 一些基本常識
2．2 數(shù)組 (字符串、list、tuple、dict) 及與它們相關(guān)的函數(shù)和運算
2．3 函數(shù)、自定義函數(shù)、數(shù)組元素的計算、循環(huán)語句
2．4 偽隨機數(shù)模塊： random
2．5 變量的存儲位置
2．6 數(shù)據(jù)輸入輸出
第 3 章 類和子類簡介
3．1 class
3．2 subclass
第二部分 基本模塊
第 4 章 numpy 模塊
4．1 Numpy 數(shù)組的產(chǎn)生
4．2 數(shù)據(jù)文件的存取
4．3 數(shù)組 (包括矩陣) 及有關(guān)的運算
4．4 一些線性代數(shù)運算
4．5 關(guān)于日期和時間
4．6 多項式運算
4．7 向量化函數(shù)
第 5 章 pandas 模塊
5．1 數(shù)據(jù)框的生成和基本性質(zhì)
5．2 數(shù)據(jù)框文件的存取
5．3 對數(shù)據(jù)框元素 (行列) 的選擇
5．4 數(shù)據(jù)框的一些簡單計算
5．5 以變量的值作為條件的數(shù)據(jù)框操作例子
5．6 添加新變量， 刪除變量、觀測值或改變 index
5．7 數(shù)據(jù)框文件結(jié)構(gòu)的改變
5．8 數(shù)據(jù)框文件的合并
5．9 pandas 序列的產(chǎn)生
5．10 pandas 序列的一些性質(zhì)和計算
5．11 一個例子
5．12 pandas 專門的畫圖命令

第 6 章 matplotlib 模塊
6．1 簡單的圖
6．2 幾張圖同框
6．3 排列幾張圖
6．4 三維圖
第 7 章 scipy 模塊
7．1 存取各種數(shù)據(jù)文件
7．2 常用的隨機變量的分布及隨機數(shù)的產(chǎn)生
7．3 自定義分布的隨機變量及隨機數(shù)的產(chǎn)生
7．4 定積分的數(shù)值計算 ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? 136
第三部分 編程思維訓練
第 8 章 基本編程訓練
8．1 基本編程
8．2 更多的和矩陣有關(guān)的編程
8．3 和若干簡單應用有關(guān)的編程訓練
8．4 在 Excel 表格之外處理 Excel 數(shù)據(jù)的訓練
第 9 章 若干計算方法的編程訓練
9．1 Markov 鏈
9．2 Gibbs 抽樣
9．3 EM 算法
9．4 MCMC 的 Metropolis 算法

第四部分 數(shù)據(jù)科學
第 10 章 探索性數(shù)據(jù)分析及數(shù)據(jù)準備
10．1 把數(shù)據(jù)轉(zhuǎn)換成常規(guī)容易處理的形式
10．2 對數(shù)據(jù)的簡單數(shù)字概括
10．3 描述性圖形概述
10．4 數(shù)據(jù)的準備
第 11 章 有監(jiān)督學習概論
11．1 數(shù)據(jù)科學的核心內(nèi)容
11．2 有監(jiān)督學習
11．3 通過兩個案例介紹有監(jiān)督學習要素
第 12 章 一些有監(jiān)督學習模型
12．1 線性最小二乘回歸
12．2 Logistic 回歸的二分類方法
12．3 決策樹分類與回歸
12．4 基于決策樹的組合方法： Bagging、隨機森林、HGboost
12．5 人工神經(jīng)網(wǎng)絡(luò)分類與回歸
12．6 k 最近鄰方法分類與回歸
12．7 支持向量機方法分類
12．8 樸素貝葉斯方法分類