最新章節

• 13.4.3 高斯混合模型
• 13.4.2 主成分分析（PCA）
• 13.4.1 K-means聚類算法
• 13.4 無監督學習
• 13.3.4 隨機森林
• 13.3.3 支持向量機

• 13.4.3 高斯混合模型 更新時間：2023-06-21 18:29:28
• 13.4.2 主成分分析（PCA）
• 13.4.1 K-means聚類算法
• 13.4 無監督學習
• 13.3.4 隨機森林
• 13.3.3 支持向量機
• 13.3.2 最近鄰算法
• 13.3.1 線性模型
• 13.3 監督學習
• 13.2.3 正態化
• 13.2.2 歸一化
• 13.2.1 標準化
• 13.2 數據預處理
• 13.1 選擇合適的機器學習模型
• 第13章 Scikit-learn機器學習
• 12.3.5 數據管道
• 12.3.4 定義數據對象
• 12.3.3 數據選擇器
• 12.3.2 編寫爬蟲
• 12.3.1 搭建工程項目
• 12.3 Scrapy庫
• 12.2.3 連接超時
• 12.2.2 處理登錄請求
• 12.2.1 最基本的數據抓取
• 12.2 數據抓取
• 12.1 Robots協議
• 第12章 Python網絡爬蟲
• 11.4.2 分層透視表
• 11.4.1 數據集整合
• 11.4 透視表分析
• 11.3.2 協方差和相關系數
• 11.3.1 數據聯合
• 11.3 關聯分析
• 11.2.3 分組統計
• 11.2.2 聚合統計
• 11.2.1 描述性統計
• 11.2 統計分析
• 11.1.3 時間窗函數
• 11.1.2 生成時間區間數據
• 11.1.1 導入時間序列
• 11.1 時間序列分析
• 第11章 實戰：數據分析
• 10.5 數據導出
• 10.4 數據過濾
• 10.3.3 生成時間序列
• 10.3.2 分層索引
• 10.3.1 數據類型轉換
• 10.3 數據轉換
• 10.2.3 無效數據
• 10.2.2 缺失數據
• 10.2.1 冗余數據
• 10.2 數據清洗
• 10.1.3 數據合并
• 10.1.2 數據讀取
• 10.1.1 數據描述
• 10.1 數據導入
• 第10章 實戰：數據預處理
• 9.2.4 散點圖
• 9.2.3 直方圖和密度圖
• 9.2.2 柱狀圖
• 9.2.1 折線圖
• 9.2 Pandas繪圖接口
• 9.1.4 圖例
• 9.1.3 坐標軸
• 9.1.2 圖形樣式
• 9.1.1 繪圖面板
• 9.1 Matplotlib繪圖的基礎設置
• 第9章 數據可視化
• 8.5.4 讀取數據庫
• 8.5.3 JSON數據格式
• 8.5.2 Excel數據格式
• 8.5.1 分隔文本格式
• 8.5 Pandas數據對象的導入導出
• 8.4.2 數據庫API
• 8.4.1 關系數據庫
• 8.4 數據庫
• 8.3.2 XML和HTML格式
• 8.3.1 JSON格式
• 8.3 網絡數據
• 8.2.2 導出數據到電子表格
• 8.2.1 從電子表格導入數據
• 8.2 Excel數據
• 8.1.2 導出數據到文本
• 8.1.1 從文本導入數據
• 8.1 文本數據
• 第8章 數據的導入導出
• 7.5.3 時間序列的數據訪問
• 7.5.2 時間序列的索引
• 7.5.1 時間數據的類型
• 7.5 時間序列
• 7.4.3 透視表的進階用法
• 7.4.2 定制透視表
• 7.4.1 透視表和分組對象
• 7.4 數據透視表
• 7.3.5 基于分組的數據轉換
• 7.3.4 過濾分組數據
• 7.3.3 分組聚合
• 7.3.2 分組鍵
• 7.3.1 分組對象
• 7.3 數據分組
• 7.2.3 基于行索引的分組聚合
• 7.2.2 靈活的聚合函數
• 7.2.1 基礎的聚合操作
• 7.2 數據聚合
• 7.1.4 Series和DataFrame之間的運算
• 7.1.3 索引對齊
• 7.1.2 索引保留
• 7.1.1 Pandas中的通用函數
• 7.1 Pandas中的數組運算
• 第7章 Pandas：數據分析
• 6.5.4 重新排列分層索引
• 6.5.3 多層級切片
• 6.5.2 分層索引的構建方法
• 6.5.1 分層索引：從一維到多維
• 6.5 分層索引
• 6.4.4 merge函數
• 6.4.3 join函數
• 6.4.2 concat函數
• 6.4.1 append函數
• 6.4 數據集合并
• 6.3.3 對缺失值的操作
• 6.3.2 Pandas中的缺失數據
• 6.3.1 表示缺失數據的策略
• 6.3 處理缺失數bb據
• 6.2.2 DataFrame中的數據選取
• 6.2.1 Series中的數據選取
• 6.2 數據索引和選取
• 6.1.3 索引對象
• 6.1.2 DataFrame對象
• 6.1.1 Series對象
• 6.1 Pandas數據結構
• 第6章 Pandas：數據處理
• 5.6.3 記錄數組
• 5.6.2 結構化數組的索引訪問
• 5.6.1 結構化數組的創建
• 5.6 結構化數組
• 5.5.3 分區排序
• 5.5.2 間接排序
• 5.5.1 直接排序
• 5.5 數組排序
• 5.4.3 索引組合
• 5.4.2 Fancy索引
• 5.4.1 布爾索引
• 5.4 數組的高級索引
• 5.3.3 where參數
• 5.3.2 where函數
• 5.3.1 布爾表達式
• 5.3 數組形式的條件判斷
• 5.2.3 定義新的通用函數
• 5.2.2 通用函數的實例方法
• 5.2.1 初識通用函數
• 5.2 通用函數
• 5.1.3 廣播的規則
• 5.1.2 靈活的廣播機制
• 5.1.1 快速的矢量化計算
• 5.1 NumPy的高效運算
• 第5章 NumPy數組：進階篇
• 4.8.6 多維數組的聚合
• 4.8.5 邏輯統計函數
• 4.8.4 中位數和百分位數
• 4.8.3 最大值和最小值
• 4.8.2 均值和標準差
• 4.8.1 求和與乘積
• 4.8 聚合統計
• 4.7.4 三角和反三角函數
• 4.7.3 指數和對數
• 4.7.2 絕對值
• 4.7.1 算術運算
• 4.7 數組運算
• 4.6.5 矩陣分解
• 4.6.4 數值特征和特征值
• 4.6.3 逆矩陣和共軛矩陣
• 4.6.2 矩陣乘法
• 4.6.1 矩陣對象
• 4.6 矩陣運算
• 4.5.5 數組拆分
• 4.5.4 數組合并：堆疊
• 4.5.3 數組合并：拼接
• 4.5.2 軸變換
• 4.5.1 數組重塑
• 4.5 數組變換
• 4.4.4 復制數組
• 4.4.3 刪除數組元素
• 4.4.2 插入數組元素
• 4.4.1 更新數組元素
• 4.4 數組更新
• 4.3.3 索引切片
• 4.3.2 數組切片
• 4.3.1 基礎索引
• 4.3 數組訪問
• 4.2.6 隨機數組
• 4.2.5 等差數組
• 4.2.4 空數組
• 4.2.3 對角矩陣
• 4.2.2 填充數組
• 4.2.1 通用的創建方式
• 4.2 創建數組
• 4.1.2 數據類型
• 4.1.1 對象屬性
• 4.1 數組對象
• 第4章 NumPy數組：基礎篇
• 3.9.2 讀寫文件
• 3.9.1 打開和關閉文件
• 3.9 文件操作
• 3.8.4 類的方法調用
• 3.8.3 類的屬性訪問
• 3.8.2 類的實例化
• 3.8.1 類定義
• 3.8 類
• 3.7.3 lambda函數
• 3.7.2 函數調用
• 3.7.1 函數定義
• 3.7 函數
• 3.6.3 break和continue關鍵字
• 3.6.2 循環語句
• 3.6.1 條件語句
• 3.6 控制流
• 3.5.4 字典
• 3.5.3 列表
• 3.5.2 元組
• 3.5.1 集合
• 3.5 內置的數據結構
• 3.4.4 字符串
• 3.4.3 數值類型
• 3.4.2 布爾型
• 3.4.1 變量賦值
• 3.4 變量和數據類型
• 3.3.4 關鍵字
• 3.3.3 標識符
• 3.3.2 注釋
• 3.3.1 縮進
• 3.3 基礎語法
• 3.2.2 運行IPython
• 3.2.1 Python解釋器
• 3.2 Hello World!
• 3.1.5 集成開發環境
• 3.1.4 安裝及更新Python庫
• 3.1.3 在GNU/Linux操作系統下安裝Python
• 3.1.2 在macOS下安裝Python
• 3.1.1 在Windows操作系統下安裝Python
• 3.1 安裝與配置
• 第3章 Python編程基礎
• 2.5.5 Scrapy
• 2.5.4 BeautifulSoup
• 2.5.3 html5lib
• 2.5.2 lxml
• 2.5.1 Request
• 2.5 網絡爬蟲的第三方庫
• 2.4.5 Scikit-learn
• 2.4.4 SciPy
• 2.4.3 Matplotlib
• 2.4.2 Pandas
• 2.4.1 NumPy
• 2.4 數據分析的第三方庫
• 2.3.3 豐富的第三方庫
• 2.3.2 黏合劑Python
• 2.3.1 自由的數據結構
• 2.3 Python在數據分析上的優勢
• 2.2.4 封裝與擴展性
• 2.2.3 解釋型語言
• 2.2.2 自由開放
• 2.2.1 簡單易學
• 2.2 了解Python的特點
• 2.1.2 Python 2和Python 3
• 2.1.1 Python的起源
• 2.1 關于Python
• 第2章 為什么選擇Python
• 1.7.3 Python
• 1.7.2 R語言
• 1.7.1 Microsoft Excel
• 1.7 數據分析工具
• 1.6 數據挖掘的標準流程（CRISP-DM模型）
• 1.5.5 象限分析法
• 1.5.4 漏斗分析法
• 1.5.3 預測分析法
• 1.5.2 對比分析法
• 1.5.1 公式拆解法
• 1.5 數據分析方法
• 1.4.3 探索性統計分析
• 1.4.2 推斷性統計分析
• 1.4.1 描述性統計分析
• 1.4 統計分析策略
• 1.3.2 線上收集
• 1.3.1 線下收集
• 1.3 數據收集
• 1.2 數據分析的基礎流程
• 1.1 數據分析的含義
• 第1章 數據分析概述
• 前言
• 內容提要
• 版權
• 版權信息
• 封面

• 封面
• 版權信息
• 版權
• 內容提要
• 前言
• 第1章 數據分析概述
• 1.1 數據分析的含義
• 1.2 數據分析的基礎流程
• 1.3 數據收集
• 1.3.1 線下收集
• 1.3.2 線上收集
• 1.4 統計分析策略
• 1.4.1 描述性統計分析
• 1.4.2 推斷性統計分析
• 1.4.3 探索性統計分析
• 1.5 數據分析方法
• 1.5.1 公式拆解法
• 1.5.2 對比分析法
• 1.5.3 預測分析法
• 1.5.4 漏斗分析法
• 1.5.5 象限分析法
• 1.6 數據挖掘的標準流程（CRISP-DM模型）
• 1.7 數據分析工具
• 1.7.1 Microsoft Excel
• 1.7.2 R語言
• 1.7.3 Python
• 第2章 為什么選擇Python
• 2.1 關于Python
• 2.1.1 Python的起源
• 2.1.2 Python 2和Python 3
• 2.2 了解Python的特點
• 2.2.1 簡單易學
• 2.2.2 自由開放
• 2.2.3 解釋型語言
• 2.2.4 封裝與擴展性
• 2.3 Python在數據分析上的優勢
• 2.3.1 自由的數據結構
• 2.3.2 黏合劑Python
• 2.3.3 豐富的第三方庫
• 2.4 數據分析的第三方庫
• 2.4.1 NumPy
• 2.4.2 Pandas
• 2.4.3 Matplotlib
• 2.4.4 SciPy
• 2.4.5 Scikit-learn
• 2.5 網絡爬蟲的第三方庫
• 2.5.1 Request
• 2.5.2 lxml
• 2.5.3 html5lib
• 2.5.4 BeautifulSoup
• 2.5.5 Scrapy
• 第3章 Python編程基礎
• 3.1 安裝與配置
• 3.1.1 在Windows操作系統下安裝Python
• 3.1.2 在macOS下安裝Python
• 3.1.3 在GNU/Linux操作系統下安裝Python
• 3.1.4 安裝及更新Python庫
• 3.1.5 集成開發環境
• 3.2 Hello World!
• 3.2.1 Python解釋器
• 3.2.2 運行IPython
• 3.3 基礎語法
• 3.3.1 縮進
• 3.3.2 注釋
• 3.3.3 標識符
• 3.3.4 關鍵字
• 3.4 變量和數據類型
• 3.4.1 變量賦值
• 3.4.2 布爾型
• 3.4.3 數值類型
• 3.4.4 字符串
• 3.5 內置的數據結構
• 3.5.1 集合
• 3.5.2 元組
• 3.5.3 列表
• 3.5.4 字典
• 3.6 控制流
• 3.6.1 條件語句
• 3.6.2 循環語句
• 3.6.3 break和continue關鍵字
• 3.7 函數
• 3.7.1 函數定義
• 3.7.2 函數調用
• 3.7.3 lambda函數
• 3.8 類
• 3.8.1 類定義
• 3.8.2 類的實例化
• 3.8.3 類的屬性訪問
• 3.8.4 類的方法調用
• 3.9 文件操作
• 3.9.1 打開和關閉文件
• 3.9.2 讀寫文件
• 第4章 NumPy數組：基礎篇
• 4.1 數組對象
• 4.1.1 對象屬性
• 4.1.2 數據類型
• 4.2 創建數組
• 4.2.1 通用的創建方式
• 4.2.2 填充數組
• 4.2.3 對角矩陣
• 4.2.4 空數組
• 4.2.5 等差數組
• 4.2.6 隨機數組
• 4.3 數組訪問
• 4.3.1 基礎索引
• 4.3.2 數組切片
• 4.3.3 索引切片
• 4.4 數組更新
• 4.4.1 更新數組元素
• 4.4.2 插入數組元素
• 4.4.3 刪除數組元素
• 4.4.4 復制數組
• 4.5 數組變換
• 4.5.1 數組重塑
• 4.5.2 軸變換
• 4.5.3 數組合并：拼接
• 4.5.4 數組合并：堆疊
• 4.5.5 數組拆分
• 4.6 矩陣運算
• 4.6.1 矩陣對象
• 4.6.2 矩陣乘法
• 4.6.3 逆矩陣和共軛矩陣
• 4.6.4 數值特征和特征值
• 4.6.5 矩陣分解
• 4.7 數組運算
• 4.7.1 算術運算
• 4.7.2 絕對值
• 4.7.3 指數和對數
• 4.7.4 三角和反三角函數
• 4.8 聚合統計
• 4.8.1 求和與乘積
• 4.8.2 均值和標準差
• 4.8.3 最大值和最小值
• 4.8.4 中位數和百分位數
• 4.8.5 邏輯統計函數
• 4.8.6 多維數組的聚合
• 第5章 NumPy數組：進階篇
• 5.1 NumPy的高效運算
• 5.1.1 快速的矢量化計算
• 5.1.2 靈活的廣播機制
• 5.1.3 廣播的規則
• 5.2 通用函數
• 5.2.1 初識通用函數
• 5.2.2 通用函數的實例方法
• 5.2.3 定義新的通用函數
• 5.3 數組形式的條件判斷
• 5.3.1 布爾表達式
• 5.3.2 where函數
• 5.3.3 where參數
• 5.4 數組的高級索引
• 5.4.1 布爾索引
• 5.4.2 Fancy索引
• 5.4.3 索引組合
• 5.5 數組排序
• 5.5.1 直接排序
• 5.5.2 間接排序
• 5.5.3 分區排序
• 5.6 結構化數組
• 5.6.1 結構化數組的創建
• 5.6.2 結構化數組的索引訪問
• 5.6.3 記錄數組
• 第6章 Pandas：數據處理
• 6.1 Pandas數據結構
• 6.1.1 Series對象
• 6.1.2 DataFrame對象
• 6.1.3 索引對象
• 6.2 數據索引和選取
• 6.2.1 Series中的數據選取
• 6.2.2 DataFrame中的數據選取
• 6.3 處理缺失數bb據
• 6.3.1 表示缺失數據的策略
• 6.3.2 Pandas中的缺失數據
• 6.3.3 對缺失值的操作
• 6.4 數據集合并
• 6.4.1 append函數
• 6.4.2 concat函數
• 6.4.3 join函數
• 6.4.4 merge函數
• 6.5 分層索引
• 6.5.1 分層索引：從一維到多維
• 6.5.2 分層索引的構建方法
• 6.5.3 多層級切片
• 6.5.4 重新排列分層索引
• 第7章 Pandas：數據分析
• 7.1 Pandas中的數組運算
• 7.1.1 Pandas中的通用函數
• 7.1.2 索引保留
• 7.1.3 索引對齊
• 7.1.4 Series和DataFrame之間的運算
• 7.2 數據聚合
• 7.2.1 基礎的聚合操作
• 7.2.2 靈活的聚合函數
• 7.2.3 基于行索引的分組聚合
• 7.3 數據分組
• 7.3.1 分組對象
• 7.3.2 分組鍵
• 7.3.3 分組聚合
• 7.3.4 過濾分組數據
• 7.3.5 基于分組的數據轉換
• 7.4 數據透視表
• 7.4.1 透視表和分組對象
• 7.4.2 定制透視表
• 7.4.3 透視表的進階用法
• 7.5 時間序列
• 7.5.1 時間數據的類型
• 7.5.2 時間序列的索引
• 7.5.3 時間序列的數據訪問
• 第8章 數據的導入導出
• 8.1 文本數據
• 8.1.1 從文本導入數據
• 8.1.2 導出數據到文本
• 8.2 Excel數據
• 8.2.1 從電子表格導入數據
• 8.2.2 導出數據到電子表格
• 8.3 網絡數據
• 8.3.1 JSON格式
• 8.3.2 XML和HTML格式
• 8.4 數據庫
• 8.4.1 關系數據庫
• 8.4.2 數據庫API
• 8.5 Pandas數據對象的導入導出
• 8.5.1 分隔文本格式
• 8.5.2 Excel數據格式
• 8.5.3 JSON數據格式
• 8.5.4 讀取數據庫
• 第9章 數據可視化
• 9.1 Matplotlib繪圖的基礎設置
• 9.1.1 繪圖面板
• 9.1.2 圖形樣式
• 9.1.3 坐標軸
• 9.1.4 圖例
• 9.2 Pandas繪圖接口
• 9.2.1 折線圖
• 9.2.2 柱狀圖
• 9.2.3 直方圖和密度圖
• 9.2.4 散點圖
• 第10章 實戰：數據預處理
• 10.1 數據導入
• 10.1.1 數據描述
• 10.1.2 數據讀取
• 10.1.3 數據合并
• 10.2 數據清洗
• 10.2.1 冗余數據
• 10.2.2 缺失數據
• 10.2.3 無效數據
• 10.3 數據轉換
• 10.3.1 數據類型轉換
• 10.3.2 分層索引
• 10.3.3 生成時間序列
• 10.4 數據過濾
• 10.5 數據導出
• 第11章 實戰：數據分析
• 11.1 時間序列分析
• 11.1.1 導入時間序列
• 11.1.2 生成時間區間數據
• 11.1.3 時間窗函數
• 11.2 統計分析
• 11.2.1 描述性統計
• 11.2.2 聚合統計
• 11.2.3 分組統計
• 11.3 關聯分析
• 11.3.1 數據聯合
• 11.3.2 協方差和相關系數
• 11.4 透視表分析
• 11.4.1 數據集整合
• 11.4.2 分層透視表
• 第12章 Python網絡爬蟲
• 12.1 Robots協議
• 12.2 數據抓取
• 12.2.1 最基本的數據抓取
• 12.2.2 處理登錄請求
• 12.2.3 連接超時
• 12.3 Scrapy庫
• 12.3.1 搭建工程項目
• 12.3.2 編寫爬蟲
• 12.3.3 數據選擇器
• 12.3.4 定義數據對象
• 12.3.5 數據管道
• 第13章 Scikit-learn機器學習
• 13.1 選擇合適的機器學習模型
• 13.2 數據預處理
• 13.2.1 標準化
• 13.2.2 歸一化
• 13.2.3 正態化
• 13.3 監督學習
• 13.3.1 線性模型
• 13.3.2 最近鄰算法
• 13.3.3 支持向量機
• 13.3.4 隨機森林
• 13.4 無監督學習
• 13.4.1 K-means聚類算法
• 13.4.2 主成分分析（PCA）
• 13.4.3 高斯混合模型 更新時間：2023-06-21 18:29:28