Python數(shù)據(jù)分析從小白到高手

1 Python入門(mén)
1.1 為什么選擇Python  2
1.1.1 人工智能與ChatGPT  2
1.1.2 Python與人工智能  3
1.2 Python主要庫(kù)簡(jiǎn)介  4
1.2.1 NumPy  5
1.2.2 Pandas  6
1.2.3 Matplotlib  7
1.2.4 Sklearn  9
1.3 如何學(xué)習(xí)Python  11
2 搭建Python開(kāi)發(fā)環(huán)境
2.1 Anaconda  14
2.1.1 什么是Anaconda  14
2.1.2 安裝Anaconda  15
2.2 常用開(kāi)發(fā)工具  18
2.2.1 Spyder  18
2.2.2 Jupyter Lab  21
2.2.3 PyCharm  23
2.3 包管理工具pip  26
3 Python語(yǔ)法
3.1 Python基礎(chǔ)語(yǔ)法  29
3.1.1 變量及其命名  29
3.1.2 代碼行與縮進(jìn)  30
3.1.3 條件if及if嵌套  31
3.1.4 循環(huán)while與for  32
3.1.5 格式format()與%  34
3.1.6 編碼類(lèi)型及轉(zhuǎn)換  37
3.2 Python運(yùn)算符  39
3.2.1 算術(shù)運(yùn)算符  39
3.2.2 賦值運(yùn)算符  42
3.2.3 比較運(yùn)算符  45
3.2.4 邏輯運(yùn)算符  46
3.2.5 運(yùn)算符優(yōu)先級(jí)  49
3.3 Python常用技巧  51
3.3.1 自動(dòng)補(bǔ)全程序  51
3.3.2 變量賦值技巧  52
3.3.3 變量鏈?zhǔn)奖容^  53
3.3.4 獲取元素索引  54
3.3.5 遍歷序列元素  55
3.3.6 序列元素排序  55
3.3.7 列表解析式  56
3.3.8 元素序列解包  57
3.3.9 合并序列元素  58
3.3.10 三元表達(dá)式  59
3.3.11 lambda表達(dá)式  61
3.3.12 矩陣乘法與轉(zhuǎn)置  62
4 Python數(shù)據(jù)類(lèi)型
4.1 認(rèn)識(shí)數(shù)據(jù)類(lèi)型  64
4.1.1 數(shù)值(number)類(lèi)型  64
4.1.2 字符串(string)類(lèi)型  65
4.1.3 列表(list)類(lèi)型  68
4.1.4 元組(tuple)類(lèi)型  70
4.1.5 集合(set)類(lèi)型  71
4.1.6 字典(dict)類(lèi)型  73
4.1.7 布爾值(boolean)類(lèi)型  76
4.1.8 空值(None)類(lèi)型  76
4.1.9 數(shù)據(jù)類(lèi)型轉(zhuǎn)換  77
4.2 字符串常用方法  81
4.2.1 字符串拼接的3種方法  81
4.2.2 字符串切片的2種方法  83
4.2.3 分割與合并字符串  84
4.2.4 檢索子字符串的幾種方法  87
4.2.5 字符串對(duì)齊的3種方法  91
4.2.6 去除字符串中空格的3種方法  93
4.2.7 字符串大小寫(xiě)轉(zhuǎn)換的3種函數(shù)  96
4.2.8 獲取字符串長(zhǎng)度或字節(jié)數(shù)  99
4.2.9 統(tǒng)計(jì)字符串出現(xiàn)次數(shù)  100
4.3 列表常用方法  101
4.3.1 append()方法  101
4.3.2 clear()方法  102
4.3.3 copy()方法  102
4.3.4 count()方法  104
4.3.5 extend()方法  104
4.3.6 index()方法  105
4.3.7 insert()方法  106
4.3.8 pop()方法  107
4.3.9 remove()方法  107
4.3.10 reverse()方法  108
4.3.11 sort()方法  109
5 Python數(shù)據(jù)加載
5.1 加載本地離線數(shù)據(jù)  111
5.1.1 加載TXT文件數(shù)據(jù)  111
5.1.2 加載CSV文件數(shù)據(jù)  112
5.1.3 加載Excel文件數(shù)據(jù)  113
5.2 加載常用數(shù)據(jù)庫(kù)數(shù)據(jù)  114
5.2.1 加載Oracle數(shù)據(jù)庫(kù)數(shù)據(jù)  114
5.2.2 加載MySQL數(shù)據(jù)庫(kù)數(shù)據(jù)  116
5.2.3 加載SQL Server數(shù)據(jù)庫(kù)數(shù)據(jù)  117
5.3 加載Hadoop集群數(shù)據(jù)  118
5.3.1 集群軟件及其版本  118
5.3.2 集群網(wǎng)絡(luò)環(huán)境配置  120
5.3.3 Python連接Hive  122
5.4 加載Web在線數(shù)據(jù)  124
6 Python數(shù)據(jù)準(zhǔn)備
6.1 數(shù)據(jù)的索引  127
6.1.1 創(chuàng)建索引  127
6.1.2 創(chuàng)建層次化索引  129
6.1.3 調(diào)整索引  130
6.2 數(shù)據(jù)的排序  131
6.2.1 按行索引排序數(shù)據(jù)  131
6.2.2 按列索引排序數(shù)據(jù)  132
6.2.3 按一列或多列排序數(shù)據(jù)  133
6.2.4 按一行或多行排序數(shù)據(jù)  133
6.3 數(shù)據(jù)的切片  134
6.3.1 提取一列或多列數(shù)據(jù)  134
6.3.2 提取一行或多行數(shù)據(jù)  135
6.3.3 提取指定區(qū)域的數(shù)據(jù)  136
6.4 數(shù)據(jù)的聚合  137
6.4.1 groupby()函數(shù)：分組聚合  137
6.4.2 agg()函數(shù)：更多聚合指標(biāo)  138
6.5 數(shù)據(jù)的透視  140
6.5.1 pivot_table()函數(shù)：數(shù)據(jù)透視  140
6.5.2 crosstab()函數(shù)：數(shù)據(jù)交叉  143
6.6 數(shù)據(jù)的合并  144
6.6.1 merge()函數(shù)：橫向合并  144
6.6.2 concat()函數(shù)：縱向合并  149
7 Python數(shù)據(jù)可視化
7.1 Matplotlib  152
7.1.1 Matplotlib庫(kù)簡(jiǎn)介  152
7.1.2 業(yè)績(jī)考核誤差條形圖  152
7.2 Pyecharts  155
7.2.1 Pyecharts庫(kù)簡(jiǎn)介  155
7.2.2 銷(xiāo)售額主題河流圖  156
7.3 Seaborn  159
7.3.1 Seaborn庫(kù)簡(jiǎn)介  159
7.3.2 利潤(rùn)額增強(qiáng)箱形圖  159
7.4 Plotly  162
7.4.1 Plotly庫(kù)簡(jiǎn)介  162
7.4.2 家庭成員結(jié)構(gòu)旭日?qǐng)D  163
7.5 Altair  165
7.5.1 Altair庫(kù)簡(jiǎn)介  165
7.5.2 月度訂單量脊線圖  166
7.6 NetworkX  169
7.6.1 NetworkX簡(jiǎn)介  169
7.6.2 NetworkX繪制平衡樹(shù)  170
8 Python機(jī)器學(xué)習(xí)
8.1 機(jī)器學(xué)習(xí)理論概述  173
8.1.1 機(jī)器學(xué)習(xí)概念  173
8.1.2 機(jī)器學(xué)習(xí)分類(lèi)  176
8.1.3 模型評(píng)估方法  177
8.2 線性回歸及其案例  181
8.2.1 線性回歸簡(jiǎn)介  181
8.2.2 線性回歸的建模  181
8.2.3 汽車(chē)價(jià)格的預(yù)測(cè)  184
8.3 聚類(lèi)分析及其案例  190
8.3.1 K-Means聚類(lèi)簡(jiǎn)介  190
8.3.2 K-Means聚類(lèi)建模  192
8.3.3 使用手肘法判斷聚類(lèi)數(shù)  197
8.3.4 輪廓系數(shù)法判斷聚類(lèi)數(shù)  198
8.4 XGBoost及其案例  202
8.4.1 XGBoost算法概述  202
8.4.2 XGBoost算法參數(shù)  204
8.4.3 XGBoost算法案例  207
8.5 時(shí)間序列及其案例  209
8.5.1 時(shí)間序列算法概述  209
8.5.2 指數(shù)平滑法及其案例  210
8.5.3 ARIMA算法及其案例  214
9 Python深度學(xué)習(xí)
9.1 深度學(xué)習(xí)概述  223
9.1.1 什么是深度學(xué)習(xí)  223
9.1.2 安裝PyTorch 2.0  227
9.2 PyTorch圖像識(shí)別技術(shù)  228
9.2.1 加載數(shù)據(jù)集  228
9.2.2 搭建與訓(xùn)練網(wǎng)絡(luò)  229
9.2.3 預(yù)測(cè)圖像數(shù)據(jù)  231
9.3 PyTorch模型可視化  231
9.3.1 Visdom簡(jiǎn)介  231
9.3.2 Visdom可視化操作  233
9.4 手寫(xiě)數(shù)字自動(dòng)識(shí)別  244
10 Python自然語(yǔ)言處理
10.1 自然語(yǔ)言處理概述  251
10.2 Jieba中文分詞  252
10.2.1 Jieba分詞模式  252
10.2.2 自定義停用詞  254
10.2.3 商品評(píng)論關(guān)鍵詞詞云  255
10.3 聊天機(jī)器人ChatGPT  257
10.3.1 ChatGPT簡(jiǎn)介  257
10.3.2 Python如何調(diào)用ChatGPT  259
10.3.3 Python調(diào)用ChatGPT舉例  260
10.4 spaCy  262
10.4.1 spaCy簡(jiǎn)介  262
10.4.2 spaCy語(yǔ)言模型  266
10.4.3 spaCy依存分析  269
10.5 Gensim  272
10.5.1 Gensim簡(jiǎn)介  272
10.5.2 Gensim文本處理步驟  273
10.5.3 中文LDA分析及可視化  275
11 案例：金融量化交易分析
11.1 案例背景概述  283
11.1.1 案例研究意義  283
11.1.2 K線圖技術(shù)理論  283
11.1.3 案例數(shù)據(jù)采集  284
11.2 數(shù)據(jù)基礎(chǔ)分析  287
11.2.1 查看數(shù)據(jù)集信息  287
11.2.2 數(shù)據(jù)描述性分析  288
11.2.3 數(shù)據(jù)可視化分析  289
11.3 股票數(shù)據(jù)分析  294
11.3.1 指標(biāo)相關(guān)性分析  294
11.3.2 指標(biāo)趨勢(shì)性分析  297
11.3.3 股票交易時(shí)機(jī)分析  299
11.3.4 股票交易策略分析  301
11.4 案例小結(jié)  303
12 案例：武漢市空氣質(zhì)量分析
12.1 案例背景概述
12.2 歷年數(shù)據(jù)可視化分析
12.3 AQI回歸分析
12.4 案例小結(jié)
13 案例：阿爾茨海默病特征分析
13.1 案例背景概述
13.2 數(shù)據(jù)預(yù)處理
13.3 數(shù)據(jù)建模
13.4 案例小結(jié)
附錄　306
參考文獻(xiàn)  307