目 錄前言第1章 數(shù)據(jù)分析與數(shù)據(jù)可視化 11.1 數(shù)據(jù)分析與數(shù)據(jù)可視化概述 11.1.1 數(shù)據(jù)、信息與數(shù)據(jù)分析 11.1.2 數(shù)據(jù)可視化 11.1.3 數(shù)據(jù)分析與數(shù)據(jù)可視化的關系 31.2 數(shù)據(jù)分析的一般步驟 41.2.1 明確分析目的與框架 41.2.2 數(shù)據(jù)收集 41.2.3 數(shù)據(jù)處理 41.2.4 數(shù)據(jù)分析 41.2.5 數(shù)據(jù)展現(xiàn) 51.2.6 撰寫報告 51.3 常用數(shù)據(jù)分析方法 51.3.1 聚類分析（Cluster Analysis） 51.3.2 因子分析（Factor Analysis） 51.3.3 相關分析（Correlation Analysis） 51.3.4 對應分析（CorrespondenceAnalysis） 61.3.5 回歸分析（Regressive Analysis） 61.3.6 方差分析（Variance Analysis） 61.4 數(shù)據(jù)分析與數(shù)據(jù)可視化常用工具 61.4.1 Microsoft Excel 61.4.2 R語言 61.4.3 Python語言 71.4.4 SAS軟件 71.4.5 SPSS 71.4.6 專用的數(shù)據(jù)可視化分析工具 7本章練習 7第2章 Python與數(shù)據(jù)分析、數(shù)據(jù)可視化 82.1 數(shù)據(jù)分析與數(shù)據(jù)可視化的利器：Python 82.1.1 Python是什么 82.1.2 Python的特點 92.1.3 Python可以做什么 102.2 基于Python的數(shù)據(jù)分析與數(shù)據(jù)可視化工具 112.2.1 NumPy庫 112.2.2 Pandas庫 112.2.3 Matplotlib庫 122.2.4 Seaborn 庫 122.2.5 Scikit-learn庫 122.3 Python數(shù)據(jù)分析初上手 132.3.1 數(shù)據(jù)的導入 132.3.2 數(shù)據(jù)的導出 132.3.3 數(shù)據(jù)預處理 142.3.4 數(shù)據(jù)的選擇和運算 172.3.5 數(shù)據(jù)可視化 20本章練習 21第3章 Python程序設計基礎 223.1 Python的安裝 223.1.1 Python解釋器的安裝 223.1.2 PyCharm集成開發(fā)環(huán)境的安裝 283.1.3 Python包管理工具pip 343.1.4 Python相關的文件 383.2 Python語法基礎 393.2.1 注釋 393.2.2 關鍵字 403.2.3 標識符 413.2.4 內(nèi)置常量 423.2.5 內(nèi)置函數(shù) 423.3 Python引用 443.3.1 名字空間 443.3.2 模塊的導入與使用 463.4 Python的基本數(shù)據(jù)類型 473.5 Python的運算符與表達式 513.6 Python的代碼編寫規(guī)范 52本章練習 53第4章 Python程序設計進階 544.1 Python數(shù)據(jù)結構、程序流程控制、函數(shù)與文件 544.1.1 Python數(shù)據(jù)結構 544.1.2 Python程序流程控制 664.1.3 異常處理 754.1.4 函數(shù) 794.1.5 文件 934.2 Python面向對象程序設計 1014.2.1 類 1014.2.2 類方法、實例方法、靜態(tài)方法 1054.2.3 對象 1094.2.4 封裝、繼承、多態(tài) 1104.2.5 面向對象案例精析 115本章練習 119第5章 用NumPy生成和處理數(shù)據(jù) 1205.1 NumPy的安裝 1205.2 NumPy入門 1205.2.1 數(shù)值計算 1205.2.2 是否使用NumPy的運行時間對比 1225.2.3 數(shù)組和矩陣計算 1235.3 NumPy數(shù)組操作相關函數(shù) 1265.4 NumPy數(shù)學函數(shù) 1305.4.1 NumPy數(shù)學函數(shù)基礎 1305.4.2 NumPy統(tǒng)計函數(shù) 1335.4.3 NumPy向量和矩陣函數(shù) 1385.5 NumPy數(shù)據(jù)分類案例 1415.5.1 線性回歸的基本概念 1415.5.2 損失函數(shù)的設置 1425.5.3 Python程序實現(xiàn) 142本章練習 146第6章 用Pandas分析數(shù)據(jù) 1476.1 Pandas 1476.1.1 Pandas的由來 1476.1.2 安裝Pandas庫 1476.2 Series 1506.2.1 創(chuàng)建Series對象 1506.2.2 Series屬性 1516.2.3 Series常用方法 1526.2.4 Series對象數(shù)據(jù)繪圖 1536.3 DataFrame 1556.3.1 DataFrame的概念 1556.3.2 創(chuàng)建DataFrame對象 1566.3.3 DataFrame的屬性 1576.3.4 DataFrame索引和切片 1596.3.5 DataFrame數(shù)據(jù)分析 1616.3.6 DataFrame對象數(shù)據(jù)可視化 1616.4 基于BankMarketing數(shù)據(jù)集的營銷活動分析 1636.4.1 數(shù)據(jù)集概述和數(shù)據(jù)結構 1636.4.2 數(shù)據(jù)的基本信息 1646.4.3 客戶數(shù)據(jù)分析 1646.4.4 營銷活動數(shù)據(jù)分析 1656.4.5 完整代碼及運行結果 166本章練習 168第7章 Scikit-learn機器學習基礎 1697.1 機器學習的算法和模型 1697.1.1 特征變量和目標變量 1707.1.2 模型訓練 1707.1.3 過擬合和欠擬合 1727.1.4 模型性能度量 1737.2 Scikit-learn的功能 1737.2.1 分類 1737.2.2 回歸 1737.2.3 聚類 1747.2.4 數(shù)據(jù)降維 1747.2.5 模型選擇 1747.2.6 數(shù)據(jù)預處理 1747.3 Scikit-learn的常用模塊 1747.3.1 安裝Scikit-learn 1747.3.2 Scikit-learn常用模塊介紹 1757.4 Scikit-learn的使用 1757.4.1 數(shù)據(jù)集的導入和處理 1757.4.2 數(shù)據(jù)集切分 1767.4.3 數(shù)值數(shù)據(jù)的標準化 1777.4.4 數(shù)值數(shù)據(jù)的歸一化 1787.4.5 核心對象類型：評估器 1797.4.6 高級特性：管道 1797.4.7 模型保存 1807.5 使用Scikit-learn實現(xiàn)線性回歸建模 181本章練習 184第8章 用Matplotlib實現(xiàn)數(shù)據(jù)可視化 1858.1 Matplotlib基礎 1858.2 Matplotlib常見繪圖屬性 1868.2.1 創(chuàng)建繪圖區(qū)域 1868.2.2 設定繪圖參數(shù) 1878.2.3 設置字體及子圖布局 1888.2.4 其他繪圖設置 1898.3 Matplotlib基本繪圖 1908.3.1 折線圖 1908.3.2 散點圖 1918.3.3 雙軸圖 1928.3.4 條形圖 1938.3.5 直方圖 1948.3.6 餅圖 1968.3.7 箱型圖 1968.3.8 泡泡圖 1988.3.9 等高線圖 1988.3.10 3D曲線圖 1998.3.11 3D散點圖 2008.3.12 3D等高線圖 2018.3.13 3D線框圖 2028.3.14 3D曲面圖 2038.4 Matplotlib繪制交互式動態(tài)圖形 2048.4.1 Matplotlib的事件響應 2048.4.2 Matplotlib常用事件 2058.4.3 使用Matplotlib繪制動態(tài)圖形 2068.5 使用NumPy、Pandas、Matplotlib進行電影數(shù)據(jù)分析與數(shù)據(jù)可視化 2118.5.1 獲取數(shù)據(jù) 2118.5.2 繪制電影評分分布圖 2128.5.3 繪制電影時長分布圖 2138.5.4 統(tǒng)計電影分類 213本章練習 215參考文獻 216