前言 第1章數據分析是什么 1.1海量數據蘊藏的知識 1.2數據分析與數據挖掘的關系 1.3機器學習概述 1.4機器學習與數據分析的關系 1.5數據分析的基本步驟 1.6Python和數據分析 習題 第2章Python語言基礎 2.1Python發展史 2.2Python及Pandas、scikit- learn、Matplotlib的 安裝 2.2.1Windows環境下Python的 安裝 2.2.2Ubuntu和Mac環境下 Python的安裝 2.2.3集成開發環境 2.2.4使用pip安裝Pandas、 scikit-learn和Matplotlib 2.2.5使用第三方科學計算發行版 Python進行快速安裝 2.3Pycharm 2.4Python基礎知識 2.4.1Python編碼規范 2.4.2模塊化的系統 2.5Python基礎語法 2.5.1數據類型 2.5.2基本計算 2.5.3控制語句 2.6重要的Python庫 2.6.1Pandas 2.6.2scikit-learn 2.6.3Matplotlib 2.6.4其他 2.7Jupyter 習題 第3章數據預處理 3.1了解數據 3.2數據質量 3.2.1完整性 3.2.2一致性 3.2.3準確性 3.2.4及時性 3.3數據清洗 3.4特征工程 3.4.1特征選擇 3.4.2特征構建 3.4.3特征提取 習題 第4章NumPy——數據分析基礎 工具 4.1多維數組對象：ndarray 4.1.1ndarray的創建 4.1.2ndarray的數據類型 4.2ndarray的索引、切片和 迭代 4.3ndarray的shape操作 4.4ndarray的基礎操作 4.5習題 第5章Pandas——處理結構化 數據 5.1基本數據結構 5.1.1Series 5.1.2DataFrame 5.2基于Pandas的Index對象的 訪問操作 5.2.1Pandas的Index對象 5.2.2索引的不同訪問方式 5.3數學統計和計算工具 5.3.1統計函數：協方差、相關 系數、排序 5.3.2窗口函數 5.4數學聚合和分組運算 5.4.1agg函數的聚合操作 5.4.2transform函數的轉換 操作 5.4.3apply函數實現一般的 操作 習題 第6章數據分析與知識發現的一些 常用方法 6.1分類分析 6.1.1邏輯回歸 6.1.2線性判別分析 6.1.3支持向量機 6.1.4決策樹 6.1.5K鄰近 6.1.6樸素貝葉斯 6.2關聯分析 6.2.1基本概念 6.2.2典型算法 6.3聚類分析 6.3.1K均值算法 6.3.2DBSCAN算法 6.4回歸分析 6.4.1線性回歸分析 6.4.2支持向量回歸 6.4.3K鄰近回歸 習題 第7章Pandas與scikit-learn——實 現數據的分析 7.1分類方法 7.1.1Logistic回歸 7.1.2支持向量機 7.1.3近鄰算法 7.1.4決策樹 7.1.5隨機梯度下降 7.1.6高斯過程分類 7.1.7神經網絡分類(多層感 知器) 7.1.8樸素貝葉斯 7.2回歸方法 7.2.1*小二乘法 7.2.2嶺回歸 7.2.3Lasso 7.2.4貝葉斯嶺回歸 7.2.5決策樹回歸 7.2.6高斯過程回歸 7.2.7*近鄰回歸 7.3聚類方法 7.3.1K-means算法 7.3.2AffinityPropagation算法 7.3.3Mean-shift算法 7.3.4SpectralClustering算法 7.3.5HierarchicalClustering 算法 7.3.6DBSCAN算法 7.3.7Birch算法 習題 第8章Matplotlib——交互式圖表 繪制 8.1基本布局對象 8.2圖表樣式的修改以及裝飾項 接口 8.3基礎圖表繪制 8.3.1直方圖 8.3.2散點圖 8.3.3餅圖 8.3.4柱狀圖 8.3.5折線圖 8.3.6表格 8.3.7不同坐標系下的圖像 8.4matplot3D 8.5Matplotlib與Jupyter結合 習題 第9章案例：新生信息分析與 可視化 9.1使用Pandas對數據預 處理 9.2使用Matplotlib庫畫圖 9.3使用Pandas進行繪圖 第10章案例：用戶流失預警 10.1讀入數據 10.2數據預處理 10.3五折交叉驗證 10.4引入3種模型 10.5調整prob閾值輸出精確 評估 第11章案例：美國加利福尼亞房價 預測的數據分析 11.1數據分析常用的Python 工具庫 11.1.1Pandas 11.1.2NumPy 11.1.3Matplotlib 11.1.4Sklearn 11.2數據的讀入和初步分析 11.2.1數據讀入 11.2.2分割測試集與訓練集 11.2.3數據的初步分析 11.3數據的預處理 11.3.1拆分數據 11.3.2空白值的填充 11.3.3數據的標準化 11.3.4數據的流程化處理 11.4模型的構建 11.4.1查看不同模型的表現 11.4.2選擇效果*好的模型進行 預測 第12章案例：基于上下文感知的 多模態交通推薦 12.1題目理解 12.1.1題目背景 12.1.2數據說明 12.1.3評測指標 12.1.4輸出格式 12.2解決方案 12.2.1工具包導入 12.2.2特征工程 第13章案例：機器人*優路徑走 迷宮 13.1關鍵技術 13.1.1馬爾科夫決策過程 13.1.2Bellman方程 13.2程序設計步驟 13.2.1初始化迷宮地圖 13.2.2計算不同位置*優 路徑 第14章案例：基于Python+Elasticsearch 實現搜索附近小區房價 14.1程序設計 14.2準備數據 14.3安裝以及使用 Elasticsearch 14.4實現附近房價搜索 的搜索引擎 參考文獻