Python數(shù)據(jù)分析從小白到高手

1 Python入門
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主要庫簡介  4
1.2.1 NumPy  5
1.2.2 Pandas  6
1.2.3 Matplotlib  7
1.2.4 Sklearn  9
1.3 如何學習Python  11
2 搭建Python開發(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語法
3.1 Python基礎語法  29
3.1.1 變量及其命名  29
3.1.2 代碼行與縮進  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 編碼類型及轉換  37
3.2 Python運算符  39
3.2.1 算術運算符  39
3.2.2 賦值運算符  42
3.2.3 比較運算符  45
3.2.4 邏輯運算符  46
3.2.5 運算符優(yōu)先級  49
3.3 Python常用技巧  51
3.3.1 自動補全程序  51
3.3.2 變量賦值技巧  52
3.3.3 變量鏈式比較  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 三元表達式  59
3.3.11 lambda表達式  61
3.3.12 矩陣乘法與轉置  62
4 Python數(shù)據(jù)類型
4.1 認識數(shù)據(jù)類型  64
4.1.1 數(shù)值(number)類型  64
4.1.2 字符串(string)類型  65
4.1.3 列表(list)類型  68
4.1.4 元組(tuple)類型  70
4.1.5 集合(set)類型  71
4.1.6 字典(dict)類型  73
4.1.7 布爾值(boolean)類型  76
4.1.8 空值(None)類型  76
4.1.9 數(shù)據(jù)類型轉換  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 字符串大小寫轉換的3種函數(shù)  96
4.2.8 獲取字符串長度或字節(jié)數(shù)  99
4.2.9 統(tǒng)計字符串出現(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)庫數(shù)據(jù)  114
5.2.1 加載Oracle數(shù)據(jù)庫數(shù)據(jù)  114
5.2.2 加載MySQL數(shù)據(jù)庫數(shù)據(jù)  116
5.2.3 加載SQL Server數(shù)據(jù)庫數(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 集群網絡環(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  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庫簡介  152
7.1.2 業(yè)績考核誤差條形圖  152
7.2 Pyecharts  155
7.2.1 Pyecharts庫簡介  155
7.2.2 銷售額主題河流圖  156
7.3 Seaborn  159
7.3.1 Seaborn庫簡介  159
7.3.2 利潤額增強箱形圖  159
7.4 Plotly  162
7.4.1 Plotly庫簡介  162
7.4.2 家庭成員結構旭日圖  163
7.5 Altair  165
7.5.1 Altair庫簡介  165
7.5.2 月度訂單量脊線圖  166
7.6 NetworkX  169
7.6.1 NetworkX簡介  169
7.6.2 NetworkX繪制平衡樹  170
8 Python機器學習
8.1 機器學習理論概述  173
8.1.1 機器學習概念  173
8.1.2 機器學習分類  176
8.1.3 模型評估方法  177
8.2 線性回歸及其案例  181
8.2.1 線性回歸簡介  181
8.2.2 線性回歸的建模  181
8.2.3 汽車價格的預測  184
8.3 聚類分析及其案例  190
8.3.1 K-Means聚類簡介  190
8.3.2 K-Means聚類建模  192
8.3.3 使用手肘法判斷聚類數(shù)  197
8.3.4 輪廓系數(shù)法判斷聚類數(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 時間序列及其案例  209
8.5.1 時間序列算法概述  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深度學習
9.1 深度學習概述  223
9.1.1 什么是深度學習  223
9.1.2 安裝PyTorch 2.0  227
9.2 PyTorch圖像識別技術  228
9.2.1 加載數(shù)據(jù)集  228
9.2.2 搭建與訓練網絡  229
9.2.3 預測圖像數(shù)據(jù)  231
9.3 PyTorch模型可視化  231
9.3.1 Visdom簡介  231
9.3.2 Visdom可視化操作  233
9.4 手寫數(shù)字自動識別  244
10 Python自然語言處理
10.1 自然語言處理概述  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 商品評論關鍵詞詞云  255
10.3 聊天機器人ChatGPT  257
10.3.1 ChatGPT簡介  257
10.3.2 Python如何調用ChatGPT  259
10.3.3 Python調用ChatGPT舉例  260
10.4 spaCy  262
10.4.1 spaCy簡介  262
10.4.2 spaCy語言模型  266
10.4.3 spaCy依存分析  269
10.5 Gensim  272
10.5.1 Gensim簡介  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線圖技術理論  283
11.1.3 案例數(shù)據(jù)采集  284
11.2 數(shù)據(jù)基礎分析  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 指標相關性分析  294
11.3.2 指標趨勢性分析  297
11.3.3 股票交易時機分析  299
11.3.4 股票交易策略分析  301
11.4 案例小結  303
12 案例：武漢市空氣質量分析
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
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)預處理
13.3 數(shù)據(jù)建模
13.4 案例小結
附錄　306
參考文獻  307