Python醫(yī)學(xué)實(shí)用統(tǒng)計(jì)分析

1　Python 簡介與安裝/ 1
1.1　Python 的優(yōu)點(diǎn)/ 1
1.2　Python 的安裝與配置/ 2
1.2.1　Windows 系統(tǒng)下的安裝與配置/ 3
1.2.2　Mac 系統(tǒng)下的安裝與配置/ 6
1.2.3　Linux 系統(tǒng)下的安裝與配置/ 6
1.3　Anaconda 的使用方法/ 6
1.3.1　打開命令行終端/ 6
1.3.2　更新軟件下載渠道/ 6
1.3.3　創(chuàng)建conda 虛擬環(huán)境/ 7
1.3.4　安裝軟件庫/ 7
1.3.5　conda 常用命令合集/ 7
1.4　Jupyter Notebook/ 8
1.4.1　打開Jupyter Notebook/ 9
1.4.2　Jupyter Notebook 界面/ 9
2　Python 語言基礎(chǔ)與重要的庫/ 16
2.1　Python 快速入門/ 16
2.1.1　第一個(gè)Python 程序/ 16
2.1.2　Python 的縮進(jìn)/ 17
2.1.3　查詢幫助文件/ 17
2.1.4　Tab 鍵自動(dòng)補(bǔ)全代碼/ 18
2.2　Python 語法基礎(chǔ)/ 18
2.2.1　變量和數(shù)據(jù)類型/ 18
2.2.2　運(yùn)算符/ 19
2.2.3　列表、元組和字典/ 21
2.2.4　函數(shù)/ 21
2.3　重要的Python 庫/ 22
3　數(shù)據(jù)集創(chuàng)建/ 24
3.1　NumPy 多維數(shù)組對(duì)象/ 25
3.1.1　NumPy 數(shù)組屬性/ 25
3.1.2　NumPy 數(shù)組創(chuàng)建/ 27
3.1.3　NumPy 切片和索引/ 30
3.2　Pandas 數(shù)據(jù)結(jié)構(gòu)/ 32
3.2.1　Series（一維數(shù)據(jù)）/ 32
3.2.2　DataFrame（二維數(shù)據(jù)）/ 33
3.2.3　NumPy 與Pandas 轉(zhuǎn)換/ 36
3.3　數(shù)據(jù)取值與選擇/ 36
3.3.1　Series（一維數(shù)據(jù)）/ 36
3.3.2　DataFrame（二維數(shù)據(jù)）/ 38
3.4　數(shù)據(jù)讀取與存儲(chǔ)/ 41
3.4.1　Pandas 讀取Excel 數(shù)據(jù)/ 41
3.4.2　Pandas 讀取CSV 文件/ 42
3.4.3　Pandas 讀取Txt 數(shù)據(jù)/ 43
3.4.4　Pandas 讀取SAS、Stata 和SPSS 數(shù)據(jù)/ 45
3.4.5　存儲(chǔ)數(shù)據(jù)/ 46
4　基本數(shù)據(jù)管理/ 47
4.1　數(shù)據(jù)基本信息與結(jié)構(gòu)查看/ 47
4.2　創(chuàng)建新變量/ 49
4.3　變量重命名/ 50
4.4　數(shù)據(jù)類型轉(zhuǎn)換 / 52
4.4.1　基本數(shù)據(jù)類型轉(zhuǎn)換/ 52
4.4.2　時(shí)間日期數(shù)據(jù)類型轉(zhuǎn)換/ 53
4.5　數(shù)據(jù)排序/ 56
4.5.1　按索引標(biāo)簽排序/ 56
4.5.2　按列值排序/ 57
4.6　缺失值處理/ 58
4.6.1　缺失值判斷/ 58
4.6.2　缺失值刪除/ 60
4.7　缺失數(shù)據(jù)填補(bǔ)/ 62
4.8　重復(fù)數(shù)據(jù)處理/ 63
4.9　數(shù)據(jù)集的合并/ 65
4.9.1　merge( ) 方法/ 65
4.9.2　concat( ) 方法/ 67
4.9.3　join( ) 方法/ 70
4.10　數(shù)據(jù)集取子集/ 72
4.10.1　直接選擇/ 72
4.10.2　loc( ) 函數(shù)選取子集/ 73
4.10.3　iloc( ) 函數(shù)選取子集/ 74
4.11　數(shù)據(jù)分組/ 75
4.11.1　groupby( ) 函數(shù)/ 75
4.11.2　cut( ) 和qcut( ) 函數(shù)/ 77
4.12　melt( ) 函數(shù)/ 80
4.13　數(shù)據(jù)集更新/ 81
4.13.1　replace( ) 函數(shù)/ 81
4.13.2　update( ) 函數(shù)/ 81
4.14　數(shù)據(jù)集比較/ 83
5　高級(jí)數(shù)據(jù)管理/ 86
5.1　控制流/ 86
5.1.1　條件（分支）語句/ 86
5.1.2　循環(huán)結(jié)構(gòu)/ 88
5.2　函數(shù)/ 91
5.2.1　pandas 函數(shù)/ 91
5.2.2　lambda 函數(shù)/ 95
5.3　向量化字符串操作/ 96
5.4　正則表達(dá)式/ 100
6　網(wǎng)絡(luò)數(shù)據(jù)采集/ 105
6.1　初識(shí)爬蟲/ 105
6.2　http 協(xié)議與url/ 106
6.2.1　http 請(qǐng)求/ 107
6.2.2　http 響應(yīng)/ 107
6.3　網(wǎng)頁結(jié)構(gòu)/ 108
6.3.1　HTML 標(biāo)簽/ 108
6.3.2　HTML 屬性/ 109
6.4　Requests 庫/ 109
6.4.1　獲取網(wǎng)頁/ 109
6.4.2　POST 請(qǐng)求/ 111
6.5　BeautifulSoup 庫/ 111
6.5.1　BeautifulSoup 對(duì)象/ 111
6.5.2　BeautifulSoup 標(biāo)簽/ 113
6.5.3　遍歷節(jié)點(diǎn)/ 114
6.5.4　方法選擇器/ 115
7　資料類型及展示/ 117
7.1　資料類型/ 117
7.2　統(tǒng)計(jì)描述/ 118
7.2.1　定量資料/ 118
7.2.2　定性資料/ 123
7.3　數(shù)據(jù)透視表/ 124
7.4　表格重塑/ 125
7.5　繪制圖形/ 129
7.5.1　繪制圖形的基本步驟/ 129
7.5.2　常見統(tǒng)計(jì)圖/ 130
7.5.3　子圖繪制/ 139
7.5.4　金字塔圖/ 140
7.5.5　其他圖形繪制/ 142
8　定量資料統(tǒng)計(jì)方法/ 143
8.1　單樣本資料與已知總體參數(shù)比較/ 143
8.1.1　單樣本資料的t 檢驗(yàn)/ 143
8.1.2　Wilcoxon 符號(hào)秩和檢驗(yàn)/ 144
8.2　兩組資料之間的比較/ 145
8.2.1　配對(duì)t 檢驗(yàn)/ 145
8.2.2　配對(duì)設(shè)計(jì)資料的非參數(shù)檢驗(yàn)/ 147
8.2.3　兩組獨(dú)立樣本的t 檢驗(yàn)/ 148
8.2.4　兩組資料的非參數(shù)檢驗(yàn)/ 149
8.3　兩組以上資料比較/ 150
8.3.1　方差分析/ 150
8.3.2　Kruskal-Wallis H 檢驗(yàn)/ 153
8.4　相關(guān)分析/ 154
8.4.1　直線相關(guān)分析/ 154
8.4.2　秩相關(guān)/ 157
8.5　線性回歸分析/ 158
8.5.1　基本原理/ 158
8.5.2　應(yīng)用條件/ 159
8.5.3　線性回歸分析的Python 實(shí)現(xiàn)/ 159
9　分類資料數(shù)據(jù)分析/ 162
9.1　卡方檢驗(yàn)/ 162
9.1.1　四格表資料的卡方檢驗(yàn)/ 162
9.1.2　R×C 列聯(lián)表資料的卡方檢驗(yàn)/ 163
9.1.3　卡方檢驗(yàn)的選用/ 163
9.1.4　卡方檢驗(yàn)的Python 實(shí)現(xiàn)/ 164
9.2　Fisher 確切概率法/ 166
9.2.1　Fisher 確切概率法使用條件/ 166
9.2.2　Fisher 確切概率法的Python 實(shí)現(xiàn)/ 166
9.3　配對(duì)卡方檢驗(yàn)/ 167
9.3.1　配對(duì)卡方檢驗(yàn)使用條件/ 168
9.3.2　配對(duì)卡方檢驗(yàn)的Python 實(shí)現(xiàn)/ 168
9.4　多個(gè)相關(guān)樣本的非參數(shù)檢驗(yàn)（Cochran Q 檢驗(yàn)）/ 169
9.4.1　Cochran Q 檢驗(yàn)的Python 實(shí)現(xiàn)/ 169
9.5　趨勢卡方檢驗(yàn)/ 170
9.5.1　趨勢卡方檢驗(yàn)的Python 實(shí)現(xiàn)/ 170
10　多重線性回歸/ 172
10.1　多重線性回歸分析/ 172
10.1.1　多重線性回歸模型簡介/ 172
10.1.2　多重線性回歸使用條件/ 173
10.1.3　資料格式/ 174
10.1.4　多重線性回歸分析的Python 實(shí)現(xiàn)/ 174
10.2　自變量篩選/ 176
10.2.1　逐步回歸分析的Python 實(shí)現(xiàn)/ 177
10.3　多重共線性和回歸診斷/ 181
10.3.1　共線性診斷/ 181
10.3.2　模型診斷/ 182
11　logistic 回歸/ 184
11.1　二分類logistic 回歸/ 184
11.1.1　二分類logistic 回歸的使用條件/ 185
11.1.2　資料格式/ 185
11.1.3　logistic 回歸的Python 實(shí)現(xiàn)/ 185
11.1.4　廣義線性模型/ 192
11.2　有序logistic 回歸/ 195
11.2.1　資料格式/ 196
11.2.2　有序多分類logistic 回歸的Python 實(shí)現(xiàn)/ 196
11.3　無序多分類logistic 回歸/ 199
11.3.1　資料格式/ 200
11.3.2　多分類無序logistic 回歸的Python 實(shí)現(xiàn)/ 200
11.4　條件logistic 回歸/ 203
11.4.1　資料格式/ 203
11.4.2　條件logistic 回歸的Python 實(shí)現(xiàn)/ 204
12　Poisson 回歸/ 207
12.1　Poisson 回歸的應(yīng)用條件/ 207
12.2　資料格式/ 208
12.3　利用廣義線性模型實(shí)現(xiàn)Poisson 回歸/ 212
13　生存分析/ 214
13.1　基本概念/ 214
13.1.1　生存時(shí)間/ 214
13.1.2　生存時(shí)間資料的類型/ 215
13.1.3　生存概率、生存率與風(fēng)險(xiǎn)函數(shù)/ 215
13.2　生存分析研究的主要內(nèi)容/ 215
13.3　生存率的估計(jì)與組間比較/ 216
13.4　中位生存時(shí)間與生存曲線/ 217
13.5　Cox 比例風(fēng)險(xiǎn)模型/ 219
13.5.1　Cox 模型簡介/ 220
13.5.2　Cox 模型分析的資料格式/ 221
13.5.3　Cox 模型分析的Python 實(shí)現(xiàn)/ 221
13.5.4　Cox 模型分析注意事項(xiàng)/ 224
14　時(shí)間序列分析/ 225
14.1　時(shí)間序列的預(yù)處理/ 225
14.1.1　平穩(wěn)性檢驗(yàn)/ 226
14.1.2　純隨機(jī)性檢驗(yàn)/ 226
14.2　平穩(wěn)時(shí)間序列建模/ 226
14.3　非平穩(wěn)時(shí)間序列預(yù)處理/ 227
14.4　ARIMA 模型/ 228
14.4.1　資料格式/ 228
14.4.2　ARIMA 模型的Python 實(shí)現(xiàn)/ 229
14.5　季節(jié)性ARIMA 模型/ 237