更新时间：2020-11-21 11:57:09
封面
版权页
内容提要
作者简介
译者简介
致谢
前言
资源与支持
第1章 数据科学基本概念
1.1 数据的概念
1.2 数据科学的定义
1.3 数据科学家的工作
1.4 数据科学应用实例
1.5 为何Python适合数据科学
1.6 小结
第2章 软件安装与配置
2.1 系统要求
2.2 下载Anaconda
2.3 在Windows系统上安装Anaconda
2.4 在Linux系统上安装Anaconda
2.5 如何在Anaconda中安装新的Python库
2.6 打开笔记本——Jupyter
2.7 了解笔记本
2.8 小结
第3章 列表与字典
3.1 什么是列表
3.2 如何创建列表
3.3 列表的不同操作
3.4 列表与数组的差异
3.5 什么是字典
3.6 如何创建字典
3.7 字典的相关操作
3.8 小结
第4章 函数与包
4.1 Python的Help()函数
4.2 如何导入Python包
4.3 如何创建并调用函数
4.4 在函数中传递参数
4.5 函数的默认参数
4.6 如何在函数中使用未知参数
4.7 函数的全局与本地变量
4.8 Lambda函数
4.9 了解Python中的main方法
4.10 小结
第5章 NumPy基本概念
5.1 导入NumPy包
5.2 为何NumPy数组优于列表
5.3 NumPy数组属性
5.4 创建NumPy数组
5.5 访问NumPy数组中的元素
5.6 NumPy数组的切片
5.7 数组连接
5.8 小结
第6章 Pandas和数据帧
6.1 导入Pandas
6.2 Pandas数据结构
6.3 .loc[]和.iloc[]
6.4 一些有用的数据帧函数
6.5 处理数据帧中的缺失值
6.6 小结
第7章 与数据库交互
7.1 SQLAlchemy
7.2 安装SQLAlchemy包
7.3 如何使用SQLAlchemy
7.4 SQLAlchemy引擎配置
7.5 在数据库中新建表
7.6 在表中插入数据
7.7 更新记录
7.8 如何合并表格
7.9 小结
第8章 数据科学中的统计思维
8.1 数据科学中的统计学
8.2 统计数据/变量的类型
8.3 平均数、中位数和众数
8.4 概率的基本概念
8.5 统计分布
8.6 Pearson相关系数
8.7 概率密度函数
8.8 真实案例
8.9 统计推断与假设检验
8.10 小结
第9章 如何在Python中导入数据
9.1 导入TXT数据
9.2 导入CSV数据
9.3 导入Excel数据
9.4 导入JSON数据
9.5 导入腌制数据
9.6 导入压缩数据
9.7 小结
第10章 清洗导入的数据
10.1 了解数据
10.2 分析缺失值
10.3 丢弃缺失值
10.4 自动填充缺失值
10.5 如何缩放和归一化数据
10.6 如何解析日期
10.7 如何应用字符编码
10.8 清洗不一致的数据
10.9 小结
第11章 数据可视化
