Python数据分析从小白到专家

Name: Python数据分析从小白到专家
ISBN: 9787121409233

田越英电子工业出版社 · 中国2021年5月

3.0

字数: 9万字
章节数: 175
ISBN: 9787121409233

信息有误查询本书

内容简介

本书共13章，主要内容涵盖Python语法及数据分析方法。第1章主要介绍数据分析的概念，使读者有一个大致的印象，并简单介绍本书频繁使用的Python的5个第三方库。第2章主要做一些准备工作，手把手带读者搭建Python环境，包括Python 3.7.6的安装和pip的安装。第3章介绍Python编程基础。第4章到第7章介绍使用Python进行简单数据分析的基础库，包括NumPy、Pandas和Matplotlib库，并介绍使用正则表达式处理数据的方法。第8章到第13章属于进阶内容，但也是Python数据分析的基础，结合机器学习介绍一些常见的用于数据分析的机器学习算法及常用的数学模型。

编辑推荐

这本书的定位很清楚：从零开始，把Python语法和数据分析常用工具串成一条学习路径。前几章先讲数据分析概念、环境搭建和编程基础，对没有编程经验的人比较友好；随后进入NumPy、Pandas、Matplotlib和正则表达式，覆盖数据清洗、处理与可视化的基本环节；后几章结合机器学习介绍常见算法和数学模型，让读者对进阶方向有初步认识。它的价值在于把“学语法”和“做分析”放在同一本书里，减少初学者在多个资料间跳转的负担。阅读时建议边看边敲代码，每章配合小数据集练习，环境搭建部分务必亲自动手完成。需要提醒的是，数据分析能力靠项目积累，读完后应找真实数据做完整分析流程，而不是停留在示例代码上。

适合谁读

适合

零编程基础的读者，想系统入门Python数据分析
在校学生，需要一本覆盖语法、常用库与基础算法的教材
职场转岗人员，希望用Python处理数据并做基础可视化
有一定Excel经验、想过渡到编程分析的学习者

不适合

已熟练使用Pandas和机器学习库、寻求高阶建模技巧的读者
只想快速学会某一可视化工具、不愿系统学习编程基础的人
需要深度学习框架或大数据平台实操内容的读者

阅读建议

先完成第2章环境搭建，确保Python和pip可用后再进入后续章节
每章代码亲手敲一遍，遇到报错先自行排查再对照书中说明
学完NumPy和Pandas后，找一个自己关心的数据集做清洗和统计练习
读机器学习章节时重在理解算法用途和输入输出，不必一开始深究数学推导

出版社简介

电子工业出版社中国 · 成立于 1982 年

电子工业出版社是一家以电子信息及相关领域为出版特色的综合性出版社。从库内三千余种图书来看，其出版方向覆盖编程设计、人工智能、计算机综合、财经、摄影与社科等门类，既关注技术前沿，也兼顾大众阅读。代表图书包括《因子投资：方法与实践》《x86汇编语言：从实模式到保护模式》《RISC-V开放架构设计之道》《人工智能：语音识别理解与实践》《相控阵雷达技术》《雷达目标特性》及《100个Go语言典型错误》等，多围绕技术方法与工程实践展开。作者资源方面，有石川、李忠、王晓波、大卫·帕特森、安德鲁·沃特曼、余子濠等中外作者。受公开资料所限，暂不展开更多出版特色。

版权信息
内容简介
前言
第1章数据分析存在的意义
1.1 数据分析与Python
1.1.1 数据科学和数据分析的始末
1.1.2 为什么使用Python作为脚本
1.2 本书的主要内容
1.2.1 数据分析基础：NumPy、Pandas和Matplotlib库概述
1.2.2 数据处理：NumPy库简介
1.2.3 数据处理：Pandas库简介
1.2.4 图表绘制：Matplotlib库简介
1.2.5 中坚力量：Sklearn和Statsmodels库简介
第2章开始前的准备
2.1 Python 3.7.6的安装
2.1.1 Python3和Python2的区别
2.1.2 在Windows 10系统中下载并安装Python 3.7.6
2.1.3 手动配置环境变量
2.2 pip的安装
2.2.1 pip是什么
2.2.2 在Windows系统中下载和安装pip
2.2.3 使用pip命令下载和管理pip
第3章 Python编程基础
3.1 Python编程初识
3.1.1 第一个Python程序
3.1.2 整型、浮点型、布尔型与复数型
3.1.3 不同数据类型之间的运算法则
3.1.4 Python中的常用内建函数
3.2 Python编程常用类型
3.2.1 Python的列表
3.2.2 Python的元组
3.2.3 Python的字典
3.2.4 Python的字符串
3.3 Python的条件、循环和分支语句以及异常处理
3.3.1 Python的编程风格
3.3.2 错误、异常和异常处理
3.3.3 条件语句：if、if-else和elif
3.3.4 循环语句：while和for
3.4 其他关于Python的重要知识点
3.4.1 匿名函数lambda
3.4.2 Python自定义类与打印函数
第4章线性代数知识和第三方库NumPy的使用
4.1 必要的线性代数知识
4.1.1 线性代数综述
4.1.2 行列式
4.1.3 矩阵及矩阵的运算
4.1.4 矩阵的初等变换与秩、向量组与线性相关
4.1.5 相似矩阵
4.2 NumPy库的基础操作
4.2.1 NumPy库的安装和基本方法
4.2.2 创建一个数组
4.2.3 索引、切片和迭代
4.2.4 拼合、划分一个矩阵
4.2.5 深拷贝、浅拷贝与不拷贝
4.3 用NumPy库实现矩阵运算
4.3.1 矩阵基本运算一（矩阵加法、矩阵减法、矩阵数乘）
4.3.2 矩阵基本运算二（矩阵相乘、逆矩阵、矩阵的特征值和特征向量）
第5章使用正则表达式处理数据
5.1 RE模块简述
5.1.1 正则表达式（RE）模块使用的符号
5.1.2 正则表达式的匹配规则
5.2 使用正则表达式模块
5.2.1 匹配对象方法group()和groups()的用法
5.2.2 使用管道符进行匹配
符号实现多个条件匹配
5.2.4 一些特殊格式的正则表达式匹配模式
第6章使用Pandas库处理数据
6.1 Pandas库简述
6.1.1 Pandas库能做什么
6.1.2 Pandas库功能简述
6.2 三种格式的文件后缀简述
6.2.1 什么是CSV文件
6.2.2 Python自带的CSV模块
6.2.3 为什么要将TXT和Excel文件转化为CSV文件
6.3 处理.csv格式的数据
6.3.1 用read_csv()和head()读取CSV文件并显示其行/列
6.3.2 查看列数、维度以及切片操作
6.3.3 读取特定的列以及列的改值操作
6.3.4 求某一列的最大值、最小值、算术平均数以及数据的排序
6.3.5 Pandas库的写入操作——to_csv()方法
6.4 处理非.csv格式的数据
6.4.1 用Pandas库读取TXT文件
6.4.2 用Pandas库读取Excel文件
6.5 Pandas库的其他常用操作
6.5.1 新增DataFrame数据结构的意义
6.5.2 创建与遍历DataFrame数据结构
6.5.3 检索已有的DataFrame数据结构
6.5.4 DataFrame数据结构的选择操作
6.5.5 处理DataFrame数据结构中的缺失数据
第7章使用Matplotlib库实现数据可视化
7.1 Matplotlib库简述
7.1.1 Matplotlib库的安装
7.1.2 Matplotlib库常见的问题
7.2 Matplotlib库的基本方法
7.2.1 设定x轴与y轴的相关内容
7.2.2 “点”和“线”样式的设定
7.3 使用Matplotlib库绘制图表
7.3.1 绘制柱状图
7.3.2 绘制直方图
7.3.3 绘制散点图
7.3.4 绘制饼状图
7.3.5 绘制折线图
第8章数学模型与数理统计
8.1 走进数学模型
8.1.1 什么是数学模型
8.1.2 建立数学模型的一般步骤
8.1.3 数学模型示例
8.2 必要的数理统计知识
8.2.1 样本、总体、个体、统计量
8.2.2 3个重要的分布：χ2分布、t分布、f分布
8.2.3 点估计、矩估计与区间估计
8.2.4 全概率公式和贝叶斯公式
8.2.5 依概率收敛与切比雪夫不等式
第9章线性回归
9.1 最小二乘法与切比雪夫准则
9.1.1 最小二乘法的数学原理
9.1.2 切比雪夫准则的数学原理
9.2 OLS回归模型
9.2.1 OLS回归模型的概念
9.2.2 如何生成测试数据
9.2.3 OLS回归模型的代码实现和可视化
9.3 LAD回归模型
9.3.1 LAD回归模型的概念
9.3.2 LAD回归模型的代码实现和可视化
9.4 OLS回归模型与LAD回归模型
9.4.1 比较OLS回归模型与LAD回归模型的拟合曲线
9.4.2 简单的一元线性回归分析的代码展示
9.5 从极大似然估计再审视线性回归
9.5.1 从传统的数理统计到线性回归
9.5.2 极大似然估计
9.5.3 假设检验基本概念
9.5.4 区间估计、置信区间和置信限
第10章分类问题与逻辑回归
10.1 逻辑回归：从分类问题谈起
10.1.1 从线性回归到分类问题
10.1.2 逻辑回归与Sigmoid函数
10.1.3 使用极大似然估计计算Sigmoid函数的损失函数
10.1.4 逻辑回归模型求解的本质
10.2 从梯度上升法与梯度下降法到逻辑回归
10.2.1 梯度上升法和梯度下降法的由来
10.2.2 梯度下降法及梯度上升法的数学原理
10.2.3 用Python实现逻辑回归
10.2.4 题外话：从用Python实现逻辑回归中看psutil库
10.2.5 逻辑回归可视化：绘制决策边界
第11章模型评估与模型改进
11.1 线性回归模型的评估与改进
11.1.1 线性回归模型的评估
11.1.2 模型改进：从一元线性回归到多元线性回归问题
11.1.3 模型改进：过度拟合与添加、设定惩罚项
11.2 逻辑回归模型的评估与改进
11.2.1 分类模型的评估：查准率、查全率及F-score
11.2.2 分类模型的评估：ROC曲线、AUC指标
11.2.3 模型改进：随机梯度下降法
11.2.4 逻辑回归最终代码展示（使用随机梯度下降法）
第12章聚类：K-means算法
12.1 K-means算法及相关内容的基本概念
12.1.1 聚类与机器学习的概念
12.1.2 聚类：K-means算法的原理
12.2 K-means算法的Python实现
12.2.1 朴素的K-means算法的Python实现
12.2.2 朴素的K-means算法的Python实现的具体解析
12.2.3 模型改进：使用不同颜色和形状标记不同的簇
12.2.4 K-means算法改进：使用二分K-means算法
第13章分类：KNN算法
13.1 KNN算法的基本概念
13.1.1 KNN算法的相关概念
13.1.2 KNN算法原理概述
13.2 KNN算法的Python实现
13.2.1 制作测试用例数据集
13.2.2 KNN算法的具体实现
13.2.3 KNN算法的完整代码
13.3 结语：关于数据分析
13.3.1 决策树之前：树的概念
13.3.2 信息熵和决策树
13.3.3 写在最后的话：留给机器学习

常见问题

没有编程基础能读懂这本书吗？

可以按顺序读。本书第3章专门介绍Python编程基础，前面还有环境搭建的手把手步骤，适合零基础起步。但编程学习需要动手，建议不要跳过基础章节，每段代码都实际运行一遍，遇到不理解的地方先查语法再继续。

书里的案例用什么Python版本和库？

根据简介，本书以Python 3.7.6为例讲解环境安装，并主要使用NumPy、Pandas、Matplotlib等第三方库，同时介绍正则表达式处理数据。读者使用较新版本Python时，大部分基础语法和常用库用法仍然适用，个别安装细节可能需按实际环境调整。

学完这本书能达到什么水平？

可以掌握Python基础语法，使用NumPy和Pandas做数据处理，用Matplotlib完成基础可视化，并了解常见机器学习算法和数学模型的基本思路。这属于数据分析的入门到基础进阶水平，距离独立完成复杂项目还有差距，需要后续用真实数据多练习。

书中的机器学习内容深不深？

本书后几章结合机器学习介绍常见的数据分析算法和常用数学模型，定位是进阶但仍属基础层面，重在让读者理解算法用途和基本流程，而非深入推导。适合作为机器学习的第一站，想系统深入还需阅读专门教材。

读者评论

查询本书

本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。

作者简介

田越英作者

田越英，公开资料有限，目前可确认的身份是一位编程设计类图书作者，库内收录其作品一种，即《Python数据分析从小白到专家》。从书名与所属分类来看，该书面向数据分析领域的入门读者，以 Python 语言为工具，力图把零基础的学习者逐步引向能够独立完成数据分析任务的水平，写作定位偏向实用与渐进。作者在这一题材上的具体背景、从业经历与研究方向尚未见于可靠公开来源，因此不宜过度推测。就现有信息而言，田越英的写作呈现出面向初学者、注重可操作性的特点，其作品为希望进入 Python 数据分析领域的读者提供了一条由浅入深的学习路径，在入门类技术图书中具有一定的参考价值。