python数据分析基础 第2版PDF|Epub|txt|kindle电子书版本网盘下载

python数据分析基础 第2版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 Python编程基础1

1.1 Python系统配置1

1.2 Python基础知识6

1.2.1 帮助6

1.2.2 标识符7

1.2.3 行与缩进7

1.2.4 变量与对象8

1.2.5 数字与表达式10

1.2.6 运算符11

1.2.7 字符串12

1.2.7.1 转义字符12

1.2.7.2 字符串格式化13

1.2.7.3 字符串的内置方法14

1.2.8 日期和时间19

1.3 数据结构与序列20

1.3.1 列表21

1.3.1.1 列表索引和切片21

1.3.1.2 列表操作22

1.3.1.3 内置列表函数23

1.3.1.4 列表方法23

1.3.2 元组24

1.3.3 字典25

1.3.4 集合27

1.3.5 推导式28

1.4 语句与控制流29

1.4.1 条件语句29

1.4.2 循环语句31

1.4.2.1 while循环31

1.4.2.2 for循环31

1.4.2.3 循环控制33

1.5 函数34

1.5.1 函数的参数35

1.5.2 全局变量与局部变量36

1.5.3 匿名函数37

1.5.4 递归和闭包38

1.5.5 柯里化与反柯里化39

1.5.6 常用的内置高阶函数40

1.5.6.1 filter函数40

1.5.6.2 map函数40

1.5.6.3 reduce函数40

1.6 迭代器、生成器和装饰器41

1.6.1 迭代器41

1.6.2 生成器42

1.6.3 装饰器44

第2章 Python编程进阶47

2.1 类47

2.1.1 声明类47

2.1.2 方法49

2.1.2.1 实例方法49

2.1.2.2 类方法50

2.1.2.3 静态方法51

2.1.3 属性52

2.1.3.1 实例属性和类属性53

2.1.3.2 私有属性和公有属性53

2.1.4 继承54

2.1.4.1 隐式继承54

2.1.4.2 显式覆盖56

2.1.4.3 super继承56

2.1.4.4 多态57

2.1.4.5 多重继承59

2.1.5 特性60

2.2 异常捕获与容错处理64

2.2.1 错误和异常64

2.2.2 异常处理66

2.2.2.1 触发异常66

2.2.2.2 捕获异常67

2.2.2.3 其他处理68

2.3 模块69

2.4 包70

2.4.1 包的组成与调用71

2.4.2 常用数据分析工具库71

2.4.2.1 scipy71

2.4.2.2 statsmodels72

2.4.2.3 sklearn73

2.4.2.4 TensorFlow73

2.5 文件I/O74

2.6 多核并行计算77

2.6.1 多进程78

2.6.2 并行81

第3章 数据预处理84

3.1 numpy基础84

3.1.1 向量86

3.1.2 数组88

3.1.2.1 数据类型与结构数组88

3.1.2.2 索引与切片91

3.1.2.3 数组的属性94

3.1.2.4 数组排序95

3.1.2.5 数组维度96

3.1.2.6 数组组合98

3.1.2.7 数组分拆101

3.1.2.8 ufunc运算102

3.1.3 矩阵107

3.1.4 文件读写107

3.2 pandas基础109

3.2.1 pandas的数据结构109

3.2.1.1 Series109

3.2.1.2 DataFrame113

3.2.2 pandas的数据操作123

3.2.2.1 排序123

3.2.2.2 排名125

3.2.2.3 运算126

3.2.2.4 函数应用与映射127

3.2.2.5 分组129

3.2.2.6 合并129

3.2.2.7 分类数据132

3.2.2.8 时间序列133

3.2.2.9 缺失值处理142

第4章 数据描述148

4.1 统计量148

4.1.1 集中趋势148

4.1.1.1 均值148

4.1.1.2 中位数150

4.1.1.3 分位数151

4.1.1.4 众数151

4.1.2 离散程度152

4.1.2.1 极差152

4.1.2.2 四分位差153

4.1.2.3 方差和标准差153

4.1.2.4 协方差154

4.1.2.5 变异系数154

4.1.3 分布形状154

4.1.3.1 偏度154

4.1.3.2 峰度155

4.2 统计表156

4.2.1 统计表的基本要素156

4.2.2 统计表的编制157

第5章 统计图形与可视化161

5.1 matplotlib基本绘图161

5.1.1 函数绘图161

5.1.2 图形基本设置166

5.1.2.1 创建图例166

5.1.2.2 刻度设置167

5.1.2.3 图像注解168

5.1.2.4 图像大小169

5.1.2.5 创建子图170

5.1.2.6 其他绘图函数171

5.1.3 面向对象绘图172

5.1.4 绘图样式174

5.2 pandas基本绘图174

5.3 基本统计图形176

5.3.1 折线图177

5.3.2 面积图179

5.3.3 直方图179

5.3.4 条形图181

5.3.5 龙卷风图184

5.3.6 饼图185

5.3.7 阶梯图186

5.3.8 盒须图187

5.3.9 小提琴图189

5.3.10 散点图190

5.3.11 气泡图192

5.3.12 六边形箱图193

5.3.13 雷达坐标图194

5.3.14 轮廓图195

5.3.15 调和曲线图195

5.3.16 等高线图196

5.3.17 极坐标图196

5.3.18 词云图197

5.3.19 数据地图200

5.4 其他绘图工具202

第6章 简单统计推断204

6.1 简单统计推断的基本原理204

6.1.1 数据分布204

6.1.1.1 总体分布205

6.1.1.2 样本分布205

6.1.1.3 抽样分布205

6.1.2 参数估计207

6.1.2.1 点估计208

6.1.2.2 区间估计208

6.1.3 假设检验209

6.1.3.1 假设检验的基本思想209

6.1.3.2 假设检验基本步骤210

6.1.3.3 假设检验中总体的几种不同情况211

6.2 单总体参数的估计及假设检验213

6.2.1 单总体的参数估计213

6.2.1.1 单总体均值的参数估计213

6.2.1.2 单总体方差、标准差的参数估计214

6.2.1.3 单总体比例的参数估计215

6.2.2 单总体参数的假设检验215

6.2.2.1 总体均值的假设检验215

6.2.2.2 总体比例的假设检验218

6.3 两总体参数的假设检验218

6.3.1 独立样本的假设检验219

6.3.1.1 独立样本均值之差的假设检验219

6.3.1.2 独立样本比例之差的假设检验221

6.3.2 成对样本的假设检验222

第7章 方差分析225

7.1 方差分析的基本原理225

7.2 一元方差分析229

7.2.1 一元单因素方差分析229

7.2.1.1 方差同质性检验230

7.2.1.2 方差来源分解及检验过程230

7.2.1.3 多重比较检验231

7.2.1.4 方差分析模型的参数估计和预测232

7.2.1.5 方差分析模型的预测234

7.2.2 一元多因素方差分析234

7.2.2.1 只考虑主效应的多因素方差分析235

7.2.2.2 存在交互效应的多因素方差分析239

7.3 协方差分析241

第8章 非参数检验244

8.1 非参数检验的基本问题244

8.2 单样本非参数检验245

8.2.1 中位数（均值）的检验245

8.2.2 分布的检验247

8.2.3 游程检验248

8.3 两个样本的非参数检验249

8.3.1 独立样本中位数比较的Wi1coxon秩和检验249

8.3.2 独立样本的分布检验251

8.3.3 成对（匹配）样本中位数的检验252

8.3.4 两样本的游程检验252

8.4 多个样本的非参数检验253

8.4.1 多个样本的分布检验253

8.4.2 独立样本位置的检验254

第9章 相关分析与关联分析257

9.1 相关分析257

9.1.1 函数关系与相关关系257

9.1.2 简单相关分析258

9.1.2.1 用图形描述相关关系258

9.1.2.2 用相关系数测度相关关系259

9.1.2.3 相关系数的显著性检验260

9.1.3 偏相关分析262

9.1.4 点二列相关分析263

9.1.5 非参数相关分析264

9.1.5.1 Spearman相关系数264

9.1.5.2 Kendall tau-b系数265

9.1.5.3 Hoeffding's D系数265

9.2 关联分析267

9.2.1 基本概念与数据预处理267

9.2.2 Apriori算法269

9.2.3 FP-growth算法273

第10章 回归分析275

10.1 线性回归275

10.1.1 回归分析的基本原理275

10.1.1.1 参数估计的普通最小二乘法277

10.1.1.2 回归方程的检验及模型预测278

10.1.2 一元线性回归279

10.1.3 多元线性回归286

10.1.4 含有定性自变量的线性回归290

10.2 非线性回归294

10.2.1 可线性化的非线性分析294

10.2.2 非线性回归模型297

10.3 多项式回归300

10.4 分位数回归303

第11章 离散因变量模型309

11.1 线性概率模型309

11.2 二元选择模型311

11.2.1 线性概率模型的缺陷与改进311

11.2.2 二元选择模型的基本原理311

11.2.2.1 模型构建和参数估计过程312

11.2.2.2 模型检验313

11.2.3 BINARY PROBIT模型313

11.2.4 BINARY LOGIT模型317

11.3 多重选择模型319

11.4 计数模型322

第12章 主成分与因子分析325

12.1 数据降维325

12.1.1 数据降维的基本问题325

12.1.2 数据降维的基本原理326

12.2 主成分分析327

12.2.1 主成分分析的基本概念与原理327

12.2.2 主成分分析的基本步骤和过程328

12.3 因子分析337

12.3.1 因子分析的基本原理337

12.3.1.1 因子分析模型337

12.3.1.2 因子旋转338

12.3.1.3 因子得分338

12.3.2 因子分析的基本步骤和过程339

第13章 列联分析与对应分析350

13.1 列联分析350

13.1.1 列联表350

13.1.2 列联表的分布353

13.1.3 X2分布与X2检验354

13.1.4 X2分布的期望值准则355

13.2 对应分析356

13.2.1 对应分析的基本思想356

13.2.2 对应分析的步骤和过程357

13.2.2.1 概率矩阵P357

13.2.2.2 数据点坐标357

13.2.2.3 行列变量分类降维358

13.2.2.4 对应分析图359

第14章 聚类369

14.1 聚类的基本原理369

14.1.1 聚类的基本原则370

14.1.2 单一指标的系统聚类过程371

14.1.3 多指标的系统聚类过程373

14.2 聚类的步骤和过程378

14.2.1 系统聚类378

14.2.2 K-MEANS聚类384

14.2.3 DBSCAN聚类385

第15章 判别与分类387

15.1 判别和分类的基本思想387

15.1.1 判别387

15.1.2 分类388

15.1.3 效果评估389

15.2 常用判别方法和分类算法390

15.2.1 距离判别和线性判别390

15.2.2 贝叶斯判别396

15.2.3 k－近邻398

15.2.4 决策树400

15.2.5 随机森林405

15.2.6 支持向量机407

第16章 神经网络与深度学习410

16.1 神经网络410

16.1.1 基本概念与原理410

16.1.2 感知机412

16.1.3 多层神经网络415

16.2 深度学习419

16.2.1 基本概念与原理419

16.2.2 卷积神经网络420

16.2.2.1 网络结构420

16.2.2.2 参数估计422

16.2.3 Tensorflow423

16.2.3.1 Tensorflow基础424

16.2.3.2 Tensorflow训练CNN428

第17章 时间序列分析438

17.1 时间序列的基本问题438

17.1.1 时间序列的组成部分438

17.1.2 时间序列的平稳性440

17.1.2.1 平稳性的含义440

17.1.2.2 时间序列的零均值化和平稳化441

17.1.2.3 时间序列的平稳性检验441

17.2 ARIMA模型的分析过程445

17.2.1 ARIMA模型445

17.2.1.1 AR模型445

17.2.1.2 MA模型445

17.2.1.3 ARMA模型446

17.2.2 ARMA模型的识别、估计与预测446

17.2.2.1 模型的识别446

17.2.2.2 模型参数估计及检验449

17.2.2.3 模型的预测452

附录：各章图形455