Python數(shù)據(jù)科學(xué)基礎(chǔ)與實(shí)踐

第 1章 數(shù)據(jù)科學(xué)概述\t1
1．1　什么是數(shù)據(jù)科學(xué)　1
1．2　如何學(xué)習(xí)數(shù)據(jù)科學(xué)　2
1．3　什么是數(shù)據(jù)科學(xué)家　2
1．4　數(shù)據(jù)科學(xué)家需要掌握的技能　3
1．5　Python與數(shù)據(jù)科學(xué)　3
1．6　數(shù)據(jù)科學(xué)領(lǐng)域常用的Python包　4
1．7　時(shí)代寵兒—深度學(xué)習(xí)　6
習(xí)題　6
第　2章 Python基礎(chǔ)知識(shí)　7
2．1　Python介紹　7
2．1．1　Jupyter Notebook的簡(jiǎn)介及使用　8
2．1．2　Python基礎(chǔ)概念　10
2．1．3輸入和輸出　14
2．1．4運(yùn)算符　15
2．2　常見(jiàn)數(shù)據(jù)結(jié)構(gòu)和基本語(yǔ)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(yǔ)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?！?3
2．4．2常見(jiàn)異常錯(cuò)誤　43
2．4．3捕捉異常　44
2．4．4觸發(fā)異?！?5
2．5　文件讀寫(xiě)　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(dá)式　53
2．6．3花樣傳參：zip與星號(hào)操作　54
本章小結(jié)　56
習(xí)題　56
第3章　Python數(shù)據(jù)科學(xué)常用庫(kù)　58
3．1　Python數(shù)據(jù)分析概述　58
3．2　Numpy數(shù)值計(jì)算　59
3．2．1　Numpy基礎(chǔ)簡(jiǎn)介　59
3．2．2　Numpy基礎(chǔ)用法簡(jiǎn)介　60
3．2．3　Numpy數(shù)據(jù)分析常用函數(shù)簡(jiǎn)介　73
3．3　Pandas基礎(chǔ)知識(shí)　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(yù)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(biāo)準(zhǔn)化　88
3．4．4　數(shù)據(jù)轉(zhuǎn)換　89
3．5　Pandas數(shù)據(jù)分析基礎(chǔ)　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(jiǎn)介　108
3．6．2　Matplotlib繪圖基礎(chǔ)簡(jiǎn)介　109
3．6．3　常用統(tǒng)計(jì)圖繪制簡(jiǎn)介　113
本章小結(jié)　116
習(xí)題　116
第4章　Python數(shù)據(jù)獲取　118
4．1　數(shù)據(jù)及其類(lèi)型　119
4．1．1　屬性與屬性類(lèi)型　119
4．1．2　數(shù)據(jù)類(lèi)型　120
4．1．3　數(shù)據(jù)集的類(lèi)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(kù)中獲取數(shù)據(jù)　130
4．2．3　從網(wǎng)絡(luò)接口獲取數(shù)據(jù)　133
4．2．4　從網(wǎng)頁(yè)抓取數(shù)據(jù)　135
4．3　網(wǎng)絡(luò)爬蟲(chóng)　135
4．3．1　爬蟲(chóng)簡(jiǎn)介及爬蟲(chóng)流程　135
4．3．2　發(fā)起請(qǐng)求　136
4．3．3　獲取響應(yīng)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(xí)題　147
第5章　Python數(shù)據(jù)分析　149
5．1數(shù)據(jù)分析基礎(chǔ)　150
5．1．1　對(duì)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(jì)分析　156
5．2．1　數(shù)據(jù)集中趨勢(shì)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(shí)現(xiàn)主成分分析　166
5．4　回歸分析　171
5．4．1　簡(jiǎn)單線(xiàn)性回歸分析　172
5．4．2　多元線(xiàn)性回歸分析　177
本章小結(jié)　181
習(xí)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(lèi)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(lèi)預(yù)測(cè)：決策樹(shù)算法　193
6．2．1　分類(lèi)算法概述　193
6．2．2　決策樹(shù)算法　194
6．2．3　決策樹(shù)分枝　195
6．2．4　決策樹(shù)剪枝　198
6．2．5　分類(lèi)算法評(píng)估　199
6．2．6　決策樹(shù)的Python實(shí)現(xiàn)　200
6．3樸素貝葉斯（Naive　Bayesian）　202
6．3．1　貝葉斯簡(jiǎn)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(shí)現(xiàn)　204
6．4　人工神經(jīng)網(wǎng)絡(luò)　205
6．4．1　人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)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(luò)　211
6．4．4　反向傳播機(jī)制　212
6．4．5　神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)　215
6．5集成學(xué)習(xí)　220
6．5．1　集成學(xué)習(xí)簡(jiǎn)介　220
6．5．2　裝袋法的代表——隨機(jī)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(shí)現(xiàn)　239
6．7　聚類(lèi)分析　242
6．7．1　聚類(lèi)分析概述　242
6．7．2　常用聚類(lèi)算法　243
6．7．3　聚類(lèi)算法Python實(shí)現(xiàn)　249
本章小結(jié)　252
習(xí)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(guò)程　255
7．1．4　文本挖掘的應(yīng)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(lèi)　268
7．3．1　文本分類(lèi)概述　268
7．3．2文本分類(lèi)的Python實(shí)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(yīng)用及示例　273
7．5　LDA主題模型　275
7．5．1主題模型簡(jiǎn)介　276
7．5．2主題模型在文本語(yǔ)義挖掘的應(yīng)用　280
本章小結(jié)　282
習(xí)題　283
第8章　深度學(xué)習(xí)基礎(chǔ)　284
8．1　深度學(xué)習(xí)概述　284
8．1．1機(jī)器學(xué)習(xí)與深度學(xué)習(xí)　284
8．1．2　深度學(xué)習(xí)的發(fā)展　285
8．1．3　深度學(xué)習(xí)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(chǔ)　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(luò)　292
8．4．1卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介　292
8．4．2　二維卷積運(yùn)算的運(yùn)算基礎(chǔ)　293
8．4．3　二維卷積運(yùn)算的填充與步長(zhǎng)　295
8．4．4　三維卷積運(yùn)算　296
8．4．5　其他卷積神經(jīng)網(wǎng)絡(luò)組件　298
8．5　循環(huán)神經(jīng)網(wǎng)絡(luò)　301
8．5．1　RNN的結(jié)構(gòu)　301
8．5．2　RNN存在的問(wèn)題　304
8．5．3　LSTM　304
8．5．4　GRU　305
8．6　CNN與RNN的PyTorch實(shí)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(xí)題　310
第9章　深度學(xué)習(xí)應(yīng)用　313
9．1　圖片分類(lèi)與遷移學(xué)習(xí)　313
9．1．1　遷移學(xué)習(xí)與傳統(tǒng)模型　313
9．1．2　圖片分類(lèi)的經(jīng)典案例　315
9．1．3　PyTorch實(shí)現(xiàn)DenseNet　317
9．2　命名實(shí)體識(shí)別　321
9．2．1　命名實(shí)體識(shí)別基礎(chǔ)　321
9．2．2　PyTorch實(shí)現(xiàn)命名實(shí)體識(shí)別　325
本章小結(jié)　330
習(xí)題　331
參考文獻(xiàn)　332