Python醫(yī)學(xué)數(shù)據(jù)分析入門(mén)

定　價(jià)：￥89.80

作　者：	趙軍著
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787115575432	出版時(shí)間：	2022-01-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	191	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　數(shù)據(jù)分析是當(dāng)今大數(shù)據(jù)時(shí)代最關(guān)鍵的技術(shù)，其廣泛應(yīng)用于包括醫(yī)學(xué)在內(nèi)的各個(gè)領(lǐng)域。Python 語(yǔ)言簡(jiǎn)單易用，第三方庫(kù)功能強(qiáng)大，提供了完整的數(shù)據(jù)分析框架，深受廣大數(shù)據(jù)分析人員的青睞。本書(shū)涵蓋傳統(tǒng)的統(tǒng)計(jì)分析方法和較為復(fù)雜的機(jī)器學(xué)習(xí)算法，結(jié)合大量精選的實(shí)例，使用 Python 進(jìn)行數(shù)據(jù)分析，對(duì)常用分析方法進(jìn)行深入淺出的介紹，以幫助讀者解決數(shù)據(jù)分析中的實(shí)際問(wèn)題。本書(shū)強(qiáng)調(diào)實(shí)戰(zhàn)和應(yīng)用，盡量淡化分析方法的推導(dǎo)和計(jì)算過(guò)程，大量的 Python 程序示例是本書(shū)的亮點(diǎn)。閱讀本書(shū)，讀者不僅能掌握使用 Python 及相關(guān)庫(kù)快速解決實(shí)際問(wèn)題的方法，還能更深入地理解數(shù)據(jù)分析。本書(shū)不僅適合臨床醫(yī)學(xué)、公共衛(wèi)生及其他醫(yī)學(xué)相關(guān)專業(yè)的本科生和研究生使用，亦可作為其他專業(yè)的學(xué)生和科研人員學(xué)習(xí)數(shù)據(jù)分析的參考書(shū)。

作者簡(jiǎn)介

　　趙軍，流行病學(xué)博士，湖北醫(yī)藥學(xué)院副教授，預(yù)防醫(yī)學(xué)系主任。主要研究方向?yàn)榱餍胁W(xué)與健康大數(shù)據(jù)分析。有16年統(tǒng)計(jì)學(xué)與數(shù)據(jù)科學(xué)的教學(xué)和科研工作經(jīng)驗(yàn)，精通Python語(yǔ)言、R語(yǔ)言，為國(guó)內(nèi)多家三甲醫(yī)院提供數(shù)據(jù)分析咨詢與服務(wù)。編寫(xiě)教材兩部，發(fā)表SCI論文十余篇，擔(dān)任多個(gè)SCI雜志的審稿人。編寫(xiě)的《R語(yǔ)言醫(yī)學(xué)數(shù)據(jù)分析實(shí)戰(zhàn)》一書(shū)廣獲好評(píng)。劉文婷，副教授，碩士生導(dǎo)師，現(xiàn)任湖北醫(yī)藥學(xué)院智能醫(yī)學(xué)工程系主任、大數(shù)據(jù)中心主任。主持省自然科學(xué)基金1項(xiàng)?？蒲蟹较?yàn)槿斯ぶ悄芎蜕镄畔W(xué)。主講課程有“智能醫(yī)學(xué)工程導(dǎo)論”“醫(yī)學(xué)生物信息學(xué)”等。發(fā)表SCI論文17篇、國(guó)際會(huì)議論文4篇。

圖書(shū)目錄

第 1 章 Python 語(yǔ)言基礎(chǔ) 1
1．1　關(guān)于 Python　1
1．2　為什么使用 Python 分析數(shù)據(jù)　1
1．3　重要的 Python 庫(kù)　2
1．4　安裝與設(shè)置　2
1．4．1　在 Windows 或 MacOS 系統(tǒng)上安裝 Anaconda　3
1．4．2　在Linux 系統(tǒng)上安裝 Anaconda　3
1．4．3　安裝和更新包　3
1．4．4　Python 解釋器　4
1．4．5　導(dǎo)入庫(kù)　4
1．5　代碼編寫(xiě)工具　5
1．6　開(kāi)始使用 Python　7
1．6．1　獲取幫助　7
1．6．2　把 Python 當(dāng)作一個(gè)計(jì)算器　9
1．6．3　Python 對(duì)象　12
1．7　工作目錄　14
1．8　習(xí)題　15
第　2 章基本數(shù)據(jù)結(jié)構(gòu)　16
2．1　列表　16
2．1．1　列表的創(chuàng)建　16
2．1．2　列表基本操作　17
2．1．3　列表方法與函數(shù)操作　19
2．2　元組　21
2．2．1　元組的創(chuàng)建　21
2．2．2　元組的操作　22
2．3　字典　23
2．3．1　字典的創(chuàng)建　24
2．3．2　字典的操作　25
2．4　集合　26
2．4．1　集合的創(chuàng)建　26
2．4．2　集合的操作　26
2．5　習(xí)題　27
第　3 章控制流、函數(shù)與文件操作　28
3．1　條件語(yǔ)句　28
3．1．1　簡(jiǎn)單條件結(jié)構(gòu)　28
3．1．2　嵌套條件結(jié)構(gòu)　29
3．2　循環(huán)語(yǔ)句　30
3．2．1　for 循環(huán)　30
3．2．2　while 循環(huán)　30
3．3　函數(shù)　31
3．3．1　定義函數(shù)　31
3．3．2　默認(rèn)參數(shù)　31
3．3．3　任意參數(shù)　32
3．3．4　匿名函數(shù)　33
3．4　文件操作　33
3．4．1　讀取 txt 文件　33
3．4．2　寫(xiě)入 txt 文件　34
3．4．3　讀寫(xiě) CSV 文件　35
3．5　習(xí)題　36
第　4 章 NumPy 基礎(chǔ)　37
4．1　創(chuàng)建數(shù)組對(duì)象　37
4．1．1　使用函數(shù) array 創(chuàng)建數(shù)組對(duì)象　37
4．1．2　使用專門(mén)函數(shù)創(chuàng)建數(shù)組對(duì)象　38
4．1．3　生成偽隨機(jī)數(shù)　39
4．2　數(shù)組操作　41
4．2．1　數(shù)組重塑　41
4．2．2　數(shù)組轉(zhuǎn)置和軸變換　41
4．2．3　數(shù)組的索引和切片　42
4．3　數(shù)組運(yùn)算　44
4．3．1　通用函數(shù)　44
4．3．2　基本統(tǒng)計(jì)運(yùn)算　46
4．3．3　矩陣運(yùn)算　47
4．4　數(shù)組文件的保存與導(dǎo)入　48
4．5　習(xí)題　49
第　5 章 Pandas 入門(mén)　50
5．1　Pandas 數(shù)據(jù)結(jié)構(gòu)　50
5．1．1　Series　50
5．1．2　DataFrame　51
5．2　Pandas 對(duì)象基本操作　53
5．2．1　索引操作　53
5．2．2　DataFrame 的查詢與子集選擇　55
5．3　DataFrame 的導(dǎo)入和導(dǎo)出　62
5．3．1　讀寫(xiě)文本文件　63
5．3．2　讀寫(xiě)其他格式的文件　64
5．4　Pandas 數(shù)據(jù)預(yù)處理　66
5．4．1　數(shù)據(jù)的合并　66
5．4．2　數(shù)據(jù)長(zhǎng)寬格式的轉(zhuǎn)換　68
5．4．3　缺失值的識(shí)別與處理　70
5．4．4　數(shù)據(jù)值的轉(zhuǎn)換　75
5．5　習(xí)題　85
第　6 章數(shù)據(jù)可視化　86
6．1　Matplotlib 繪圖基礎(chǔ)　86
6．1．1　函數(shù) plot 與圖形元素　86
6．1．2　全局參數(shù)查看與設(shè)置　88
6．1．3　一頁(yè)多圖　89
6．1．4　保存圖形　90
6．1．5　基本統(tǒng)計(jì)圖形　91
6．2　Seaborn 數(shù)據(jù)可視化　96
6．2．1　Seaborn 簡(jiǎn)介　96
6．2．2　直方圖和密度曲線圖　97
6．2．3　條形圖　98
6．2．4　箱線圖和小提琴圖　99
6．2．5　點(diǎn)圖　102
6．2．6　帶狀點(diǎn)圖與簇狀點(diǎn)圖　102
6．2．7　散點(diǎn)圖　104
6．2．8　散點(diǎn)圖矩陣　104
6．2．9　多面板圖　105
6．2．10　回歸圖　107
6．2．11　分面網(wǎng)格圖　107
6．2．12　Seaborn 圖形保存　108
6．3　其他 Python 數(shù)據(jù)可視化工具　108
6．4　習(xí)題　109
第　7 章基本統(tǒng)計(jì)分析　110
7．1　查看數(shù)據(jù)集信息　110
7．2　數(shù)值型變量的統(tǒng)計(jì)描述　113
7．3　數(shù)值型變量的假設(shè)檢驗(yàn)　117
7．3．1　單個(gè)樣本的 t 檢驗(yàn)　117
7．3．2　獨(dú)立樣本的 t 檢驗(yàn)　117
7．3．3　非獨(dú)立樣本的 t 檢驗(yàn)　118
7．3．4　單因素方差分析　119
7．3．5　組間差異的非參數(shù)檢驗(yàn)　121
7．3．6　連續(xù)型變量之間的相關(guān)性　121
7．4　分類變量的列聯(lián)表和獨(dú)立性檢驗(yàn)　124
7．4．1　生成頻數(shù)表　124
7．4．2　獨(dú)立性檢驗(yàn)　126
7．5　習(xí)題　128
第　8 章線性模型與廣義線性模型　129
8．1　線性模型　129
8．1．1　簡(jiǎn)單線性回歸模型　129
8．1．2　多重線性回歸模型　134
8．2　Logistic 回歸　137
8．2．1　Logistic 回歸模型　137
8．2．2　Logistic 回歸實(shí)例　138
8．3　Poisson 回歸　143
8．3．1　Poisson 回歸模型　143
8．3．2　Poisson 回歸實(shí)例　143
8．4　生存分析與 Cox 回歸　145
8．4．1　生存分析簡(jiǎn)介　145
8．4．2　生存率的 Kaplan-Meier 估計(jì)　147
8．4．3　Cox 回歸　150
8．5　習(xí)題　153
第　9 章 Scikit-learn 機(jī)器學(xué)習(xí)入門(mén)　154
9．1　機(jī)器學(xué)習(xí)簡(jiǎn)介　154
9．2　加載數(shù)據(jù)集　154
9．3　學(xué)習(xí)和預(yù)測(cè)　158
9．3．1　無(wú)監(jiān)督學(xué)習(xí)　158
9．3．2　監(jiān)督學(xué)習(xí)　159
9．4　模型的選擇與評(píng)估　161
9．5　習(xí)題　163
第　10 章 TensorFlow 深度學(xué)習(xí)入門(mén)　164
10．1　深度學(xué)習(xí)簡(jiǎn)介　164
10．2　感知機(jī)與神經(jīng)網(wǎng)絡(luò)　165
10．3　激活函數(shù)　167
10．4　損失函數(shù)　168
10．5　優(yōu)化器　168
10．6　構(gòu)建并訓(xùn)練神經(jīng)網(wǎng)絡(luò)　169
10．7　習(xí)題　171
第　11 章圖像分類卷積神經(jīng)網(wǎng)絡(luò)模型　172
11．1　卷積神經(jīng)網(wǎng)絡(luò)　172
11．1．1　局部感受野　172
11．1．2　共享權(quán)重和偏置　173
11．1．3　池化　173
11．2　加載數(shù)據(jù)集　174
11．3　構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型　175
11．4　編譯并訓(xùn)練模型　177
11．5　評(píng)估模型　178
11．6　習(xí)題　179
習(xí)題參考答案　180
參考資料　192