Python程序開發(fā)（高級）

目錄
第 一篇 數(shù)據(jù)收集與清洗
第 1章 NumPy\t2
1．1　介紹和安裝開發(fā)環(huán)境\t2
1．1．1　Python開發(fā)環(huán)境介紹\t2
1．1．2　安裝Anaconda3\t3
1．1．3　Jupyter編輯平臺\t5
1．2　安裝NumPy\t6
1．3　NumPy數(shù)組\t7
1．3．1　NumPy ndarray對象\t7
1．3．2　創(chuàng)建NumPy數(shù)組的常用函數(shù)\t8
1．4　數(shù)組的索引與切片\t11
1．4．1　數(shù)組的索引\t11
1．4．2　數(shù)組的切片\t15
1．5　基本數(shù)學運算\t17
1．5．1　數(shù)組與標量的運算\t17
1．5．2　數(shù)組與數(shù)組的運算\t18
1．6　NumPy通用函數(shù)\t18
1．6．1　mean()函數(shù)\t18
1．6．2　average()函數(shù)\t19
1．6．3　sum()函數(shù)\t20
1．6．4　min()函數(shù)\t20
1．6．5　max()函數(shù)\t20
1．6．6　argmax()函數(shù)\t21
1．6．7　maximum()/minimum()函數(shù)\t21
1．6．8　median()函數(shù)\t22
1．6．9　var()函數(shù)\t23
1．6．10　std()函數(shù)\t23
1．6．11　sort()函數(shù)\t24
1．6．12　loadtxt()函數(shù)\t24
1．7　NumPy字符串處理\t26
1．7．1　add()函數(shù)\t26
1．7．2　multiply()函數(shù)\t26
1．7．3　center()函數(shù)\t27
1．7．4　capitalize()函數(shù)和title()函數(shù)\t27
1．7．5　lower()函數(shù)和upper()函數(shù)\t27
1．7．6　split()函數(shù)\t27
1．7．7　splitlines()函數(shù)\t27
1．7．8　strip()函數(shù)\t28
1．7．9　lstrip()函數(shù)和rstrip()函數(shù)\t28
1．7．10　join()函數(shù)\t28
1．7．11　replace()函數(shù)\t28
1．8　項目實訓——蘋果公司股票數(shù)據(jù)分析\t29
1．8．1　項目需求\t29
1．8．2　項目實施\t29
1．8．3　項目分析\t31
本章小結(jié)\t31
習題\t31
第 2章 pandas\t34
2．1　安裝pandas\t34
2．2　Series對象的基本操作\t35
2．2．1　創(chuàng)建Series對象\t36
2．2．2　查詢Series對象中的數(shù)據(jù)\t37
2．2．3　修改、刪除Series對象中的數(shù)據(jù)\t38
2．3　DataFrame對象的基本操作\t40
2．3．1　創(chuàng)建DataFrame對象\t41
2．3．2　DataFrame對象的屬性\t42
2．3．3　查詢DataFrame對象中的數(shù)據(jù)\t43
2．3．4　修改DataFrame對象中的數(shù)據(jù)\t47
2．3．5　增加DataFrame對象中的數(shù)據(jù)\t47
2．3．6　刪除DataFrame對象中的數(shù)據(jù)\t49
2．4　pandas讀寫數(shù)據(jù)\t51
2．4．1　讀寫CSV文件\t51
2．4．2　讀寫Excel文件\t54
2．4．3　讀寫JSON文件\t56
2．5　數(shù)據(jù)索引、排序和排名\t58
2．5．1　DataFrame的索引\t58
2．5．2　DataFrame的排序\t61
2．5．3　DataFrame的排名\t64
2．6　項目實訓——鏈家房屋數(shù)據(jù)分析\t65
2．6．1　項目需求\t65
2．6．2　項目實施\t66
2．6．3　項目分析\t69
本章小結(jié)\t69
習題\t70
第3章 數(shù)據(jù)處理\t72
3．1　數(shù)據(jù)清洗\t73
3．1．1　處理重復數(shù)據(jù)\t73
3．1．2　處理缺失數(shù)據(jù)\t75
3．2　數(shù)據(jù)計算\t79
3．2．1　基本數(shù)學運算\t79
3．2．2　比較運算\t81
3．2．3　統(tǒng)計方法\t81
3．3　數(shù)據(jù)分組\t87
3．3．1　分組聚合\t87
3．3．2　透視表\t90
3．4　數(shù)據(jù)轉(zhuǎn)置與數(shù)據(jù)位移\t91
3．4．1　數(shù)據(jù)類型轉(zhuǎn)換\t91
3．4．2　數(shù)據(jù)轉(zhuǎn)置\t98
3．4．3　數(shù)據(jù)位移\t100
3．5　數(shù)據(jù)合并\t100
3．5．1　堆疊合并\t101
3．5．2　主鍵合并\t104
3．5．3　重疊合并\t106
3．6　項目實訓——電影數(shù)據(jù)分析\t106
3．6．1　項目需求\t106
3．6．2　項目實施\t107
3．6．3　項目分析\t110
本章小結(jié)\t111
習題\t111
第二篇 數(shù)據(jù)可視化與數(shù)據(jù)分析
第4章 數(shù)據(jù)可視化\t114
4．1　可視化介紹\t114
4．2　Matplotlib簡介\t115
4．2．1　什么是Matplotlib\t115
4．2．2　Matplotlib的使用場景\t115
4．2．3　Matplotlib的安裝\t115
4．3　Matplotlib繪圖\t115
4．3．1　Matplotlib繪圖的核心原理\t115
4．3．2　折線圖\t116
4．3．3　柱狀圖\t128
4．3．4　直方圖\t132
4．3．5　餅圖\t136
4．3．6　散點圖\t138
4．3．7　函數(shù)圖\t142
4．3．8　3D繪圖\t144
4．4　Seaborn繪圖\t145
4．4．1　認識Seaborn\t145
4．4．2　折線圖\t146
4．4．3　散點圖\t147
4．4．4　直方圖\t148
4．5　可視化分析報告\t152
4．5．1　報告需求\t152
4．5．2　報告內(nèi)容說明\t152
4．5．3　業(yè)務實踐\t152
4．5．4　報告分析\t154
4．6　項目實訓——2014年度用戶每月購買商品次數(shù)和購買商品數(shù)量分析報告\t154
4．6．1　報告需求\t154
4．6．2　報告內(nèi)容說明\t154
4．6．3　項目實施\t154
4．6．4　報告分析\t155
本章小結(jié)\t156
習題\t156
第5章 數(shù)據(jù)分析\t158
5．1　數(shù)據(jù)分析介紹\t158
5．2　列表分析\t159
5．2．1　分析需求\t159
5．2．2　分析關注點\t159
5．2．3　分析思路\t159
5．2．4　列表分析結(jié)果\t164
5．3　協(xié)方差分析\t164
5．3．1　認識協(xié)方差分析\t164
5．3．2　協(xié)方差分析的意義\t164
5．3．3　協(xié)方差分析實施\t165
5．3．4　協(xié)方差分析結(jié)果\t166
5．4　直方圖分析\t166
5．4．1　需求分析\t166
5．4．2　分析關注點\t166
5．4．3　分析思路\t166
5．4．4　直方圖分析結(jié)果\t169
5．5　對比分析\t169
5．5．1　認識對比分析\t169
5．5．2　分析需求\t169
5．5．3　分析關注點\t169
5．5．4　分析思路\t169
5．5．5　對比分析結(jié)果\t174
5．6　項目實訓——全國各省份“985”高校高考錄取分數(shù)線分析\t174
5．6．1　需求分析\t174
5．6．2　分析關注點\t174
5．6．3　分析思路\t174
5．6．4　對比分析結(jié)果\t178
本章小結(jié)\t178
習題\t179
第三篇 人工智能應用
第6章 機器學習\t182
6．1　認識機器學習\t182
6．1．1　機器學習應用場景\t182
6．1．2　機器學習的組成\t183
6．1．3　訓練過程\t185
6．1．4　算法匯總\t185
6．1．5　開發(fā)流程\t185
6．2　認識并安裝Scikit-Learn\t186
6．2．1　Scikit-Learn簡介\t186
6．2．2　Scikit-Learn基本概括\t186
6．2．3　模型選擇\t186
6．2．4　數(shù)據(jù)劃分\t187
6．2．5　常用模塊\t188
6．2．6　安裝sklearn\t188
6．3　回歸模型\t188
6．3．1　廣義線性模型\t189
6．3．2　樹回歸\t191
6．3．3　k近鄰回歸\t192
6．3．4　集成回歸模型：Bagging\t193
6．3．5　集成回歸模型：Boosting\t194
6．4　分類模型\t194
6．4．1　邏輯回歸\t195
6．4．2　決策樹\t196
6．4．3　支持向量機\t197
6．4．4　KNN\t198
6．4．5　樸素貝葉斯\t198
6．4．6　集成模型：Bagging\t199
6．4．7　集成模型：Boosting\t200
6．5　聚類模型\t201
6．5．1　聚類\t201
6．5．2　降維\t203
6．6　項目實訓——手寫數(shù)字識別\t204
6．6．1　實訓需求\t204
6．6．2　項目分析\t204
6．6．3　數(shù)據(jù)集導入及處理\t204
6．6．4　劃分訓練集和測試集\t204
6．6．5　隨機森林模型\t204
6．6．6　k近鄰模型\t205
6．6．7　邏輯回歸模型\t205
6．6．8　模型選擇及分類\t205
6．6．9　項目結(jié)果分析\t206
本章小結(jié)\t206
習題\t206
第7章 深度學習\t208
7．1　神經(jīng)網(wǎng)絡\t208
7．1．1　認識神經(jīng)網(wǎng)絡\t208
7．1．2　神經(jīng)網(wǎng)絡基礎\t211
7．2　深度學習框架Keras\t213
7．2．1　認識Keras\t213
7．2．2　Keras的安裝\t214
7．2．3　Keras里的模塊介紹\t215
7．2．4　Keras工作流程\t216
7．3　深度學習的應用\t216
7．3．1　Mnist手寫數(shù)字數(shù)據(jù)集\t216
7．3．2　CNN\t219
7．3．3　RNN\t221
7．4　項目實訓——CIFAR-10圖像識別\t224
7．4．1　實訓需求\t224
7．4．2　CIFAR-10數(shù)據(jù)集簡介\t224
7．4．3　項目實踐\t224
7．4．4　項目總結(jié)\t227
本章小結(jié)\t228
習題\t228
第8章 推薦系統(tǒng)\t229
8．1　認識協(xié)同過濾\t229
8．2　基于用戶的協(xié)同過濾算法\t230
8．3　基于項目的協(xié)同過濾算法\t232
8．4　項目實訓——電影推薦系統(tǒng)\t237
8．4．1　實訓需求\t237
8．4．2　數(shù)據(jù)集介紹\t237
8．4．3　項目實施\t238
8．4．4　結(jié)果分析\t242
本章小結(jié)\t242
習題\t242