Python數(shù)據(jù)分析與機(jī)器學(xué)習(xí)（微課視頻版）

源碼下載
第1章Python語(yǔ)言與開(kāi)發(fā)環(huán)境概述
1．1Python語(yǔ)言的特點(diǎn)
1．2Python的下載與安裝
1．3開(kāi)始使用Python
1．3．1交互方式
1．3．2代碼文件方式
1．3．3代碼文件的打開(kāi)
1．3．4代碼風(fēng)格
1．4模塊與庫(kù)
1．4．1模塊及其導(dǎo)入方式
1．4．2標(biāo)準(zhǔn)模塊與第三方模塊
1．5使用幫助
1．6Anaconda簡(jiǎn)介
1．6．1Anaconda模塊的安裝
1．6．2Spyder的使用
1．6．3Jupyter Notebook的使用
1．6．4Jupyter Notebook默認(rèn)路徑的設(shè)置
1．6．5任意路徑下創(chuàng)建Jupyter Notebook文件
習(xí)題1
第2章Python語(yǔ)言基礎(chǔ)
2．1控制臺(tái)的輸入與輸出
2．1．1數(shù)據(jù)的輸入
2．1．2數(shù)據(jù)的輸出
2．2標(biāo)識(shí)符、變量與賦值語(yǔ)句
2．2．1標(biāo)識(shí)符
2．2．2變量
2．2．3賦值語(yǔ)句
2．3常用數(shù)據(jù)類(lèi)型
2．3．1數(shù)值類(lèi)型
2．3．2布爾類(lèi)型
2．3．3常用序列類(lèi)型
2．3．4映射類(lèi)型
2．3．5集合類(lèi)型
2．4運(yùn)算符與表達(dá)式
 
 
2．4．1運(yùn)算符分類(lèi)
2．4．2運(yùn)算規(guī)則與表達(dá)式
2．4．3條件表達(dá)式
2．4．4復(fù)合賦值運(yùn)算符
2．5分支結(jié)構(gòu)
2．5．1單分支if語(yǔ)句
2．5．2雙分支if/else語(yǔ)句
2．5．3多分支if/elif/else語(yǔ)句
2．5．4分支結(jié)構(gòu)的嵌套
2．5．5分支結(jié)構(gòu)的三元運(yùn)算
2．5．6match/case分支結(jié)構(gòu)
2．6循環(huán)結(jié)構(gòu)
2．6．1簡(jiǎn)單的while循環(huán)結(jié)構(gòu)
2．6．2簡(jiǎn)單的for循環(huán)結(jié)構(gòu)
2．6．3break語(yǔ)句和continue語(yǔ)句
2．6．4循環(huán)的嵌套
2．7常用組合類(lèi)型
2．7．1列表
2．7．2元組
2．7．3列表與元組之間的相互生成
2．7．4字符串
2．7．5字典
2．7．6集合
2．7．7推導(dǎo)式
2．7．8常用的內(nèi)置函數(shù)
2．8正則表達(dá)式
習(xí)題2
第3章函數(shù)
3．1函數(shù)的定義
3．2函數(shù)的調(diào)用
3．3形參與實(shí)參
3．4函數(shù)的返回
3．5位置參數(shù)與關(guān)鍵參數(shù)
3．6默認(rèn)參數(shù)
3．7個(gè)數(shù)可變的參數(shù)
3．7．1以組合對(duì)象為形參接收多個(gè)實(shí)參
3．7．2以組合對(duì)象為實(shí)參給多個(gè)形參分配參數(shù)
3．7．3形參和實(shí)參均為組合類(lèi)型
3．8參數(shù)與返回值類(lèi)型注解
3．9lambda表達(dá)式
3．10函數(shù)式編程的常用類(lèi)與函數(shù)
習(xí)題3
第4章自定義類(lèi)與對(duì)象
4．1Python中的對(duì)象與方法
4．2類(lèi)的定義與對(duì)象的創(chuàng)建
4．3類(lèi)的繼承
4．3．1父類(lèi)與子類(lèi)
4．3．2繼承的語(yǔ)法
4．3．3子類(lèi)繼承父類(lèi)的屬性
4．3．4子類(lèi)繼承父類(lèi)的方法
習(xí)題4
第5章NumPy數(shù)據(jù)處理基礎(chǔ)
5．1數(shù)據(jù)結(jié)構(gòu)
5．1．1利用numpy．a(chǎn)rray（）函數(shù)創(chuàng)建數(shù)組
5．1．2訪問(wèn)數(shù)組對(duì)象屬性
5．1．3數(shù)組對(duì)象的類(lèi)型
5．1．4創(chuàng)建常用數(shù)組
5．2數(shù)據(jù)準(zhǔn)備
5．2．1隨機(jī)數(shù)的生成
5．2．2NumPy數(shù)組在文本文件中的存取
5．3常用數(shù)組運(yùn)算與函數(shù)
5．3．1數(shù)組的索引
5．3．2數(shù)組的切片
5．3．3改變數(shù)組的形狀
5．3．4數(shù)組對(duì)角線上替換新元素值
5．3．5用np．newaxis或None插入一個(gè)維度
5．3．6數(shù)組的基本運(yùn)算
5．3．7數(shù)組的排序
5．3．8數(shù)組的組合
5．3．9數(shù)組的分割
5．3．10隨機(jī)打亂數(shù)組中的元素順序
5．3．11多維數(shù)組的展開(kāi)
5．3．12其他常用函數(shù)與對(duì)象
5．4使用NumPy進(jìn)行簡(jiǎn)單統(tǒng)計(jì)分析
5．5數(shù)組在其他文件中的存取
5．5．1數(shù)組在無(wú)格式二進(jìn)制文件中的存取
5．5．2數(shù)組在npy文件中的存取
5．5．3數(shù)組在npz文件中的存取
5．5．4數(shù)組在hdf5文件中的存取
習(xí)題5
第6章Matplotlib數(shù)據(jù)可視化基礎(chǔ)
6．1繪制基本圖形
6．1．1折線圖
6．1．2線條屬性的設(shè)置
6．1．3圖標(biāo)題、坐標(biāo)軸標(biāo)題和坐標(biāo)軸范圍的設(shè)置
6．1．4繪制多圖與圖例的設(shè)置
6．1．5散點(diǎn)圖
6．1．6直方圖
6．1．7餅圖
6．2繪制多軸圖
6．2．1用subplot()函數(shù)繪制多軸圖
6．2．2用subplot2grid()函數(shù)繪制多軸圖
6．2．3多軸圖的軸展開(kāi)與遍歷
6．3坐標(biāo)軸的刻度標(biāo)簽
6．4坐標(biāo)軸的主次刻度、網(wǎng)格設(shè)置
6．5移動(dòng)坐標(biāo)軸
6．6文字說(shuō)明和注釋
6．7顯示圖片
6．8日期作為橫坐標(biāo)
6．9繪制橫線與豎線作為輔助線
6．9．1使用hlines()和vlines()函數(shù)繪制輔助線
6．9．2使用axhline()和axvline()函數(shù)繪制輔助線
6．10繪制其他二維圖表
6．10．1箱線圖
6．10．2小提琴圖
6．10．3熱力圖
6．10．4填充圖
6．10．5等高線圖
6．11繪制三維圖表
6．11．1三維折線圖
6．11．2三維散點(diǎn)圖
6．11．3三維曲面圖
習(xí)題6
第7章Pandas數(shù)據(jù)處理與分析
7．1數(shù)據(jù)結(jié)構(gòu)與基本操作
7．1．1Series基礎(chǔ)
7．1．2DataFrame基礎(chǔ)
7．2文件與數(shù)據(jù)庫(kù)中存取DataFrame對(duì)象
7．2．1csv文件中存取DataFrame對(duì)象
7．2．2Excel文件中存取DataFrame對(duì)象
7．2．3數(shù)據(jù)庫(kù)中存取DataFrame對(duì)象
7．3常用函數(shù)與方法
7．3．1用drop()刪除指定的行或列
7．3．2用append()添加元素
7．3．3用unique()去除重復(fù)元素
7．3．4用Series．map()實(shí)現(xiàn)數(shù)據(jù)替換
7．3．5用apply()將指定函數(shù)應(yīng)用于數(shù)據(jù)
7．3．6用applymap()將指定函數(shù)應(yīng)用于元素
7．3．7用replace()替換指定元素
7．3．8用align()對(duì)齊兩個(gè)對(duì)象的行列
7．3．9用groupby()實(shí)現(xiàn)分組
7．3．10用assign()添加新列
7．3．11用where()篩選與替換數(shù)據(jù)
7．3．12用value_counts()統(tǒng)計(jì)元素出現(xiàn)的次數(shù)或頻率
7．3．13用pivot()按指定列值重新組織數(shù)據(jù)
7．3．14用pivot_table()創(chuàng)建數(shù)據(jù)透視圖
7．3．15用idxmax()/idxmin（）獲取值/小值所在的行或列
標(biāo)簽
7．4DataFrame對(duì)象的數(shù)據(jù)清洗與處理
7．4．1用concat（）根據(jù)行列標(biāo)簽合并數(shù)據(jù)
7．4．2數(shù)據(jù)排序
7．4．3記錄排名
7．4．4記錄抽取
7．4．5重建索引
7．4．6根據(jù)新索引填充新位置的值
7．4．7缺失值處理
7．4．8重復(fù)值處理
7．4．9數(shù)據(jù)轉(zhuǎn)換與替代
7．4．10數(shù)據(jù)計(jì)算
7．4．11用merge（）根據(jù)列內(nèi)容或行標(biāo)簽合并數(shù)據(jù)對(duì)象
7．4．12combine（）基于指定函數(shù)合并數(shù)據(jù)
7．4．13combine_first（）用一個(gè)對(duì)象更新另一個(gè)對(duì)象中的空值
7．5時(shí)間處理
7．5．1Python標(biāo)準(zhǔn)庫(kù)中的時(shí)間處理
7．5．2用dateutil解析字符串格式的日期
7．5．3Pandas中的時(shí)間數(shù)據(jù)處理
7．5．4時(shí)間作為行或列的標(biāo)簽
7．5．5根據(jù)時(shí)間頻率重新采樣
7．6移動(dòng)數(shù)據(jù)與時(shí)間索引
7．7統(tǒng)計(jì)分析
7．7．1基本統(tǒng)計(jì)分析
7．7．2相關(guān)分析
7．8Pandas中的繪圖方法
7．8．1繪圖基本接口plot()
7．8．2其他繪圖函數(shù)
習(xí)題7
第8章機(jī)器學(xué)習(xí)方法概述與數(shù)據(jù)加載
8．1機(jī)器學(xué)習(xí)概述
8．1．1用有監(jiān)督學(xué)習(xí)做預(yù)測(cè)
8．1．2用無(wú)監(jiān)督學(xué)習(xí)發(fā)現(xiàn)數(shù)據(jù)之間的關(guān)系
8．2scikitlearn的簡(jiǎn)介與安裝
8．2．1scikitlearn的安裝
8．2．2scikitlearn中的數(shù)據(jù)表示
8．2．3scikitlearn中的機(jī)器學(xué)習(xí)基本步驟
8．3加載數(shù)據(jù)
8．3．1加載scikitlearn中的小數(shù)據(jù)集
8．3．2下載并加載scikitlearn中的大數(shù)據(jù)集
8．3．3用scikitlearn構(gòu)造仿真數(shù)據(jù)集
8．3．4加載scikitlearn中的其他數(shù)據(jù)集
8．3．5通過(guò)pandasdatareader導(dǎo)入金融數(shù)據(jù)
8．3．6通過(guò)第三方平臺(tái)API加載數(shù)據(jù)
8．4劃分?jǐn)?shù)據(jù)分別用于訓(xùn)練和測(cè)試
8．5scikitlearn中機(jī)器學(xué)習(xí)的基本步驟示例
8．5．1有監(jiān)督分類(lèi)學(xué)習(xí)步驟示例
8．5．2有監(jiān)督回歸學(xué)習(xí)步驟示例
8．5．3無(wú)監(jiān)督聚類(lèi)學(xué)習(xí)步驟示例
8．6scikitlearn編程接口的風(fēng)格
習(xí)題8
第9章數(shù)據(jù)預(yù)處理
9．1特征的離散化
9．1．1使用NumPy中的digitize()函數(shù)離散化
9．1．2使用Pandas中的cut()函數(shù)離散化
9．2識(shí)別與處理異常值
9．3特征值的MinMax縮放
9．4特征值的標(biāo)準(zhǔn)化
9．5特征值的穩(wěn)健縮放
9．6無(wú)序分類(lèi)數(shù)據(jù)的熱編碼
9．7有序分類(lèi)數(shù)據(jù)編碼
9．8每個(gè)樣本特征值的正則化
習(xí)題9
第10章模型評(píng)估與軌道
10．1模型評(píng)估的基本方法
10．1．1監(jiān)督學(xué)習(xí)下的泛化、過(guò)擬合與欠擬合
10．1．2模型評(píng)估指標(biāo)
10．1．3交叉驗(yàn)證
10．2軌道的創(chuàng)建與使用
10．2．1創(chuàng)建和使用軌道
10．2．2交叉驗(yàn)證中使用軌道
習(xí)題10
第11章有監(jiān)督學(xué)習(xí)之分類(lèi)與回歸
11．1分類(lèi)與回歸概述
11．2線性回歸
11．2．1普通線性回歸
11．2．2嶺回歸使用l2正則化減小方差
11．2．3Lasso回歸使用l1正則化減小特征個(gè)數(shù)
11．2．4同時(shí)使用l1和l2正則化的彈性網(wǎng)絡(luò)
11．2．5多項(xiàng)式回歸
11．3邏輯回歸與嶺回歸實(shí)現(xiàn)線性分類(lèi)
11．3．1單標(biāo)簽二分類(lèi)
11．3．2單標(biāo)簽多分類(lèi)
11．3．3通過(guò)正則化降低過(guò)擬合
11．4支持向量機(jī)用于分類(lèi)和回歸
11．4．1支持向量機(jī)線性分類(lèi)
11．4．2支持向量機(jī)非線性分類(lèi)
11．4．3支持向量機(jī)回歸模型
11．5樸素貝葉斯分類(lèi)
11．6決策樹(shù)用于分類(lèi)和回歸
11．6．1決策樹(shù)用于分類(lèi)
11．6．2決策樹(shù)用于回歸
習(xí)題11
第12章集成學(xué)習(xí)
12．1投票法集成
12．1．1投票分類(lèi)器
12．1．2投票回歸器
12．2bagging/pasting法集成
12．2．1bagging/pasting分類(lèi)器
12．2．2bagging/pasting回歸器
12．2．3隨機(jī)森林
12．2．4隨機(jī)樹(shù)集成
12．3提升法集成
12．3．1AdaBoost
12．3．2梯度提升
12．3．3XGBoost
12．3．4基于直方圖的梯度提升
12．4堆疊法集成
12．4．1StackingClassifer集成分類(lèi)
12．4．2StackingRegressor集成回歸
習(xí)題12
第13章無(wú)監(jiān)督學(xué)習(xí)之聚類(lèi)與降維
13．1用k均值算法基于相似性聚類(lèi)
13．2層次聚類(lèi)
13．3基于密度的聚類(lèi)
13．4聚類(lèi)性能的評(píng)估
13．4．1數(shù)據(jù)帶真實(shí)標(biāo)簽的聚類(lèi)評(píng)估
13．4．2數(shù)據(jù)不帶真實(shí)標(biāo)簽的聚類(lèi)評(píng)估
13．5無(wú)監(jiān)督的降維
13．5．1主成分分析
13．5．2核主成分分析
習(xí)題13
第14章超參數(shù)調(diào)優(yōu)與模型選擇
14．1搜索超參數(shù)來(lái)選擇模型
14．1．1基于循環(huán)語(yǔ)句的網(wǎng)格搜索
14．1．2劃分驗(yàn)證集避免過(guò)擬合
14．1．3帶交叉驗(yàn)證的網(wǎng)格搜索
14．1．4帶交叉驗(yàn)證的隨機(jī)搜索
14．1．5搜索多個(gè)不同特征的空間
14．2對(duì)軌道中的超參數(shù)進(jìn)行搜索
14．3搜索算法和超參數(shù)
習(xí)題14
參考文獻(xiàn)