Python數(shù)據(jù)科學基礎與實踐

第 1章 數(shù)據(jù)科學概述\t1
1．1　什么是數(shù)據(jù)科學　1
1．2　如何學習數(shù)據(jù)科學　2
1．3　什么是數(shù)據(jù)科學家　2
1．4　數(shù)據(jù)科學家需要掌握的技能　3
1．5　Python與數(shù)據(jù)科學　3
1．6　數(shù)據(jù)科學領域常用的Python包　4
1．7　時代寵兒—深度學習　6
習題　6
第　2章 Python基礎知識　7
2．1　Python介紹　7
2．1．1　Jupyter Notebook的簡介及使用　8
2．1．2　Python基礎概念　10
2．1．3輸入和輸出　14
2．1．4運算符　15
2．2　常見數(shù)據(jù)結(jié)構(gòu)和基本語句　17
2．2．1序列　17
2．2．2字典　23
2．2．3集合　27
2．2．4基本語句　29
2．3　函數(shù)和模塊　32
2．3．1函數(shù)　32
2．3．2模塊　38
2．4　異常處理　43
2．4．1什么是異常　43
2．4．2常見異常錯誤　43
2．4．3捕捉異?！?4
2．4．4觸發(fā)異常　45
2．5　文件讀寫　45
2．5．1編碼　45
2．5．2讀取文本文件　46
2．5．3　Word文件與Excel文件讀取　51
2．6　Pythonic　51
2．6．1解析式　52
2．6．2三元表達式　53
2．6．3花樣傳參：zip與星號操作　54
本章小結(jié)　56
習題　56
第3章　Python數(shù)據(jù)科學常用庫　58
3．1　Python數(shù)據(jù)分析概述　58
3．2　Numpy數(shù)值計算　59
3．2．1　Numpy基礎簡介　59
3．2．2　Numpy基礎用法簡介　60
3．2．3　Numpy數(shù)據(jù)分析常用函數(shù)簡介　73
3．3　Pandas基礎知識　76
3．3．1　Series介紹及其基本操作　76
3．3．2　DataFrame介紹及其基本操作　79
3．4　Pandas數(shù)據(jù)預處理　82
3．4．1數(shù)據(jù)合并　82
3．4．2　數(shù)據(jù)清洗　86
3．4．3　數(shù)據(jù)標準化　88
3．4．4　數(shù)據(jù)轉(zhuǎn)換　89
3．5　Pandas數(shù)據(jù)分析基礎　92
3．5．1　分層索引　92
3．5．2　Pandas常用函數(shù)介紹　97
3．5．3　分組　98
3．5．4　整形和旋轉(zhuǎn)　100
3．5．5　數(shù)據(jù)透視表和交叉表　104
3．6　Matplotlib數(shù)據(jù)可視化　108
3．6．1　Matplotlib簡介　108
3．6．2　Matplotlib繪圖基礎簡介　109
3．6．3　常用統(tǒng)計圖繪制簡介　113
本章小結(jié)　116
習題　116
第4章　Python數(shù)據(jù)獲取　118
4．1　數(shù)據(jù)及其類型　119
4．1．1　屬性與屬性類型　119
4．1．2　數(shù)據(jù)類型　120
4．1．3　數(shù)據(jù)集的類型　121
4．2　數(shù)據(jù)獲取方法　124
4．2．1　從文件中獲取數(shù)據(jù)　124
4．2．2　從數(shù)據(jù)庫中獲取數(shù)據(jù)　130
4．2．3　從網(wǎng)絡接口獲取數(shù)據(jù)　133
4．2．4　從網(wǎng)頁抓取數(shù)據(jù)　135
4．3　網(wǎng)絡爬蟲　135
4．3．1　爬蟲簡介及爬蟲流程　135
4．3．2　發(fā)起請求　136
4．3．3　獲取響應內(nèi)容　138
4．3．4　解析內(nèi)容　139
4．3．5　Selenium　144
本章小結(jié)　147
習題　147
第5章　Python數(shù)據(jù)分析　149
5．1數(shù)據(jù)分析基礎　150
5．1．1　對比分析　151
5．1．2　分組分析　152
5．1．3　結(jié)構(gòu)分析　153
5．1．4　分布分析　153
5．1．5　交叉分析　155
5．2　描述性統(tǒng)計分析　156
5．2．1　數(shù)據(jù)集中趨勢分析　156
5．2．2　數(shù)據(jù)的離散程度分析　157
5．2．3　數(shù)據(jù)的分布形態(tài)分析　159
5．2．4　相關(guān)分析　160
5．2．5　基于Seaborn的數(shù)據(jù)可視化分析　161
5．3　主成分分析　164
5．3．1　主成分分析原理介紹　164
5．3．2　主成分分析基本流程　165
5．3．3　Python實現(xiàn)主成分分析　166
5．4　回歸分析　171
5．4．1　簡單線性回歸分析　172
5．4．2　多元線性回歸分析　177
本章小結(jié)　181
習題　181
第6章　Python數(shù)據(jù)挖掘　183
6．1　Python數(shù)據(jù)挖掘概述　183
6．1．1　數(shù)據(jù)挖掘分類及常用方法　184
6．1．2　使用Scikit-learn構(gòu)建數(shù)據(jù)挖掘模型　186
6．2　分類預測：決策樹算法　193
6．2．1　分類算法概述　193
6．2．2　決策樹算法　194
6．2．3　決策樹分枝　195
6．2．4　決策樹剪枝　198
6．2．5　分類算法評估　199
6．2．6　決策樹的Python實現(xiàn)　200
6．3樸素貝葉斯（Naive　Bayesian）　202
6．3．1　貝葉斯簡介　202
6．3．2　構(gòu)建樸素貝葉斯模型　203
6．3．3　樸素貝葉斯的Python實現(xiàn)　204
6．4　人工神經(jīng)網(wǎng)絡　205
6．4．1　人工神經(jīng)網(wǎng)絡簡介　205
6．4．2　神經(jīng)元與激活函數(shù)　207
6．4．3　前饋神經(jīng)網(wǎng)絡　211
6．4．4　反向傳播機制　212
6．4．5　神經(jīng)網(wǎng)絡的Python實現(xiàn)　215
6．5集成學習　220
6．5．1　集成學習簡介　220
6．5．2　裝袋法的代表——隨機森林　223
6．5．3　boosting的代表——xgboost　230
6．6　關(guān)聯(lián)分析（Association analysis）　232
6．6．1　關(guān)聯(lián)分析概述　232
6．6．2　Apriori算法　235
6．6．3　FP-Growth算法　238
6．6．4　關(guān)聯(lián)規(guī)則的Python實現(xiàn)　239
6．7　聚類分析　242
6．7．1　聚類分析概述　242
6．7．2　常用聚類算法　243
6．7．3　聚類算法Python實現(xiàn)　249
本章小結(jié)　252
習題　252
第7章　文本挖掘　254
7．1　文本挖掘概述　254
7．1．1　文本挖掘的定義　254
7．1．2　Python中的文本挖掘包　255
7．1．3　文本挖掘的過程　255
7．1．4　文本挖掘的應用　256
7．2　Python文本特征提取　256
7．2．1　中文分詞與詞云　256
7．2．2　特征詞量化與文本特征提取　260
7．2．3　文本表示　262
7．3文本分類　268
7．3．1　文本分類概述　268
7．3．2文本分類的Python實現(xiàn)　269
7．4文本情感分析　271
7．4．1　情感分析概述　271
7．4．2　情感分析的具體應用及示例　273
7．5　LDA主題模型　275
7．5．1主題模型簡介　276
7．5．2主題模型在文本語義挖掘的應用　280
本章小結(jié)　282
習題　283
第8章　深度學習基礎　284
8．1　深度學習概述　284
8．1．1機器學習與深度學習　284
8．1．2　深度學習的發(fā)展　285
8．1．3　深度學習框架　286
8．2　PyTorch介紹與安裝　287
8．2．1　PyTorch介紹　287
8．2．2　PyTorch安裝　287
8．3　PyTorch基礎　288
8．3．1　Tensor張量　288
8．3．2　Variable變量　289
8．3．3　優(yōu)化器　290
8．3．4　PyTorch與Numpy　290
8．4　卷積神經(jīng)網(wǎng)絡　292
8．4．1卷積神經(jīng)網(wǎng)絡簡介　292
8．4．2　二維卷積運算的運算基礎　293
8．4．3　二維卷積運算的填充與步長　295
8．4．4　三維卷積運算　296
8．4．5　其他卷積神經(jīng)網(wǎng)絡組件　298
8．5　循環(huán)神經(jīng)網(wǎng)絡　301
8．5．1　RNN的結(jié)構(gòu)　301
8．5．2　RNN存在的問題　304
8．5．3　LSTM　304
8．5．4　GRU　305
8．6　CNN與RNN的PyTorch實現(xiàn)　306
8．6．1　卷積層　306
8．6．2　池化層　307
8．6．3　全連接層　308
8．6．4　RNN　308
8．6．5　LSTM　309
8．6．6　GRU　310
本章小結(jié)　310
習題　310
第9章　深度學習應用　313
9．1　圖片分類與遷移學習　313
9．1．1　遷移學習與傳統(tǒng)模型　313
9．1．2　圖片分類的經(jīng)典案例　315
9．1．3　PyTorch實現(xiàn)DenseNet　317
9．2　命名實體識別　321
9．2．1　命名實體識別基礎　321
9．2．2　PyTorch實現(xiàn)命名實體識別　325
本章小結(jié)　330
習題　331
參考文獻　332