Python數(shù)據(jù)分析師修煉之道

目 錄
第1章 Anaconda和Jupyter Notebook 1
1.1 Anaconda 1
1.2 Jupyter Notebook 3
1.2.1 創(chuàng)建自己的Jupyter Notebook 3
1.2.2 Jupyter Notebook用戶界面 4
1.3 使用Jupyter Notebook 5
1.3.1 在代碼單元格中運(yùn)行代碼 5
1.3.2 在文本單元格中運(yùn)行markdown語法 6
1.3.3 鍵盤快捷操作 9
1.4 本章小結(jié) 10
第2章 NumPy向量計(jì)算 11
2.1 NumPy簡(jiǎn)介 11
2.2 NumPy數(shù)組 13
2.2.1 在NumPy中創(chuàng)建數(shù)組 13
2.2.2 數(shù)組的屬性 16
2.2.3 數(shù)組中的基本數(shù)學(xué)運(yùn)算 17
2.2.4 數(shù)組的常見操作 19
2.3 使用NumPy進(jìn)行模擬 23
2.3.1 投擲硬幣 23
2.3.2 模擬股票收益 25
2.4 本章小結(jié) 27
第3章 數(shù)據(jù)分析庫pandas 29
3.1 pandas庫 29
3.1.1 導(dǎo)入pandas中的對(duì)象 30
3.1.2 Series 30
3.1.3 創(chuàng)建pandas中的Series 31
3.1.4 DataFrame 34
3.1.5 創(chuàng)建pandas DataFrame 35
3.1.6 剖析DataFrame 36
3.2 pandas操作 37
3.2.1 檢查數(shù)據(jù) 37
3.2.2 數(shù)據(jù)的選取、添加和刪除 37
3.2.3 DataFrame切片 40
3.2.4 基于標(biāo)記的選擇操作 40
3.3 數(shù)據(jù)集 42
3.3.1 數(shù)據(jù)集中按部門劃分的員工數(shù)量 42
3.3.2 員工的流失率 42
3.3.3 平均時(shí)薪 43
3.3.4 平均工作年限 43
3.3.5 任職時(shí)間最長(zhǎng)的員工 44
3.3.6 員工的整體滿意度 44
3.4 進(jìn)一步思考 46
3.4.1 低滿意度員工 46
3.4.2 低工作滿意度和低工作參與度的員工 47
3.4.3 員工比較 48
3.5 本章小結(jié) 53
第4章 可視化和數(shù)據(jù)分析 55
4.1 matplotlib簡(jiǎn)介 55
4.2 pyplot簡(jiǎn)介 58
4.3 面向?qū)ο蠼涌?64
4.4 常見的自定義方式 70
4.4.1 顏色 70
4.4.2 限定坐標(biāo)軸 71
4.4.3 設(shè)置刻度和刻度標(biāo)記 71
4.4.4 圖例 73
4.4.5 標(biāo)注 74
4.4.6 生成網(wǎng)格、水平線和垂直線 75
4.5 基于seaborn和pandas的EDA 76
4.5.1 seaborn庫 76
4.5.2 執(zhí)行探索性數(shù)據(jù)分析 77
4.5.3 核心目標(biāo) 78
4.5.4 變量類型 78
4.6 單獨(dú)分析變量 79
4.6.1 理解主變量 80
4.6.2 數(shù)值變量 81
4.6.3 類別變量 83
4.7 變量間的關(guān)系 86
4.7.1 散點(diǎn)圖 86
4.7.2 箱形圖 89
4.7.3 復(fù)雜的條件圖 92
4.8 本章小結(jié) 94
第5章 Python統(tǒng)計(jì)計(jì)算 95
5.1 SciPy簡(jiǎn)介 95
5.1.1 統(tǒng)計(jì)子包 95
5.1.2 置信區(qū)間 98
5.1.3 概率計(jì)算 100
5.2 假設(shè)測(cè)試 101
5.3 執(zhí)行統(tǒng)計(jì)測(cè)試 102
5.4 本章小結(jié) 107
第6章 預(yù)測(cè)分析模型 109
6.1 預(yù)測(cè)分析和機(jī)器學(xué)習(xí) 109
6.2 理解scikit-learn庫 110
6.3 使用scikit-learn構(gòu)建回歸模型 113
6.4 利用回歸模型預(yù)測(cè)房屋價(jià)格 118
6.5 本章小結(jié) 122