Python數據科學手冊PDF高清完整版免費下載|百度雲盤

来源:https://www.cnblogs.com/sahnhe/archive/2020/07/28/13393431.html
-Advertisement-
Play Games

百度雲盤:Python數據科學手冊PDF高清完整版免費下載 提取碼:cbbj 內容簡介 本書是對以數據深度需求為中心的科學、研究以及針對計算和統計方法的參考書。本書共五章,每章介紹一到兩個Python數據科學中的重點工具包。首先從IPython和Jupyter開始,它們提供了數據科學家需要的計算環境 ...


百度雲盤:Python數據科學手冊PDF高清完整版免費下載

提取碼:cbbj

 

 

 

內容簡介  

 

作者簡介  

Jake VanderPlas,Python科學棧深度用戶和開發者,尤其擅長Python科學計算和數據可視化,是altair等可視化程式庫的創建人,併為Scikit-Learn、IPython等Python程式庫做了大量貢獻。現任美國華盛頓大學eScience學院物理科學研究院院長。

 

目錄 

譯者序 xiii
前言 xv
第1 章 IPython:超越Python 1
1.1 shell還是Notebook 1
1.1.1 啟動IPython shell 2
1.1.2 啟動Jupyter Notebook 2
1.2 IPython的幫助和文檔 3
1.2.1 用符號? 獲取文檔 3
1.2.2 通過符號?? 獲取源代碼 4
1.2.3 用Tab補全的方式探索模塊 5
1.3 IPython shell中的快捷鍵 7
1.3.1 導航快捷鍵 7
1.3.2 文本輸入快捷鍵 7
1.3.3 命令歷史快捷鍵 8
1.3.4 其他快捷鍵 9
1.4 IPython魔法命令 9
1.4.1 粘貼代碼塊:%paste和%cpaste 9
1.4.2 執行外部代碼:%run 10
1.4.3 計算代碼運行時間:%timeit 11
1.4.4 魔法函數的幫助:?、%magic 和%lsmagic 11
1.5 輸入和輸出歷史 12
1.5.1 IPython的輸入和輸出對象 12
1.5.2 下劃線快捷鍵和以前的輸出 13
1.5.3 禁止輸出 13
1.5.4 相關的魔法命令 13
1.6 IPython和shell命令 14
1.6.1 shell快速入門 14
1.6.2 IPython中的shell命令 15
1.6.3 在shell中傳入或傳出值 15
1.7 與shell相關的魔法命令 16
1.8 錯誤和調試 17
1.8.1 控制異常:%xmode 17
1.8.2 調試:當閱讀軌跡追溯不足以解決問題時 19
1.9 代碼的分析和計時 21
1.9.1 代碼段計時:%timeit和%time 22
1.9.2 分析整個腳本:%prun 23
1.9.3 用%lprun進行逐行分析 24
1.9.4 用%memit和%mprun進行記憶體分析 25
1.10 IPython參考資料 26
1.10.1 網路資源 26
1.10.2 相關圖書 27
第2 章 NumPy入門 28
2.1 理解Python中的數據類型 29
2.1.1 Python整型不僅僅是一個整型 30
2.1.2 Python列表不僅僅是一個列表 31
2.1.3 Python中的固定類型數組 32
2.1.4 從Python列表創建數組 32
2.1.5 從頭創建數組 33
2.1.6 NumPy標準數據類型 34
2.2 NumPy數組基礎 35
2.2.1 NumPy數組的屬性 36
2.2.2 數組索引:獲取單個元素 37
2.2.3 數組切片:獲取子數組 38
2.2.4 數組的變形 41
2.2.5 數組拼接和分裂 42
2.3 NumPy數組的計算:通用函數 44
2.3.1 緩慢的迴圈 44
2.3.2 通用函數介紹 45
2.3.3 探索NumPy的通用函數 46
2.3.4 高級的通用函數特性 49
2.3.5 通用函數:更多的信息 51
2.4 聚合:最小值、最大值和其他值 51
2.4.1 數組值求和 51
2.4.2 最小值和最大值 52
2.4.3 示例:美國總統的身高是多少 54
2.5 數組的計算:廣播 55
2.5.1 廣播的介紹 55
2.5.2 廣播的規則 57
2.5.3 廣播的實際應用 60
2.6 比較、掩碼和布爾邏輯 61
2.6.1 示例:統計下雨天數 61
2.6.2 和通用函數類似的比較操作 62
2.6.3 操作布爾數組 64
2.6.4 將布爾數組作為掩碼 66
2.7 花哨的索引 69
2.7.1 探索花哨的索引 69
2.7.2 組合索引 70
2.7.3 示例:選擇隨機點 71
2.7.4 用花哨的索引修改值 72
2.7.5 示例:數據區間劃分 73
2.8 數組的排序 75
2.8.1 NumPy中的快速排序:np.sort和np.argsort 76
2.8.2 部分排序:分隔 77
2.8.3 示例:K個最近鄰 78
2.9 結構化數據:NumPy的結構化數組 81
2.9.1 生成結構化數組 83
2.9.2 更高級的複合類型 84
2.9.3 記錄數組:結構化數組的扭轉 84
2.9.4 關於Pandas 85
第3 章 Pandas數據處理 86
3.1 安裝並使用Pandas 86
3.2 Pandas對象簡介 87
3.2.1 Pandas的Series對象 87
3.2.2 Pandas的DataFrame對象 90
3.2.3 Pandas的Index對象 93
3.3 數據取值與選擇 95
3.3.1 Series數據選擇方法 95
3.3.2 DataFrame數據選擇方法 98
3.4 Pandas數值運算方法 102
3.4.1 通用函數:保留索引 102
3.4.2 通用函數:索引對齊 103
3.4.3 通用函數:DataFrame與Series的運算 105
3.5 處理缺失值 106
3.5.1 選擇處理缺失值的方法 106
3.5.2 Pandas的缺失值 107
3.5.3 處理缺失值 110
3.6 層級索引 113
3.6.1 多級索引Series 113
3.6.2 多級索引的創建方法 116
3.6.3 多級索引的取值與切片 119
3.6.4 多級索引行列轉換 121
3.6.5 多級索引的數據累計方法 124
3.7 合併數據集:Concat與Append操作 125
3.7.1 知識回顧:NumPy數組的合併 126
3.7.2 通過pd.concat實現簡易合併 126
3.8 合併數據集:合併與連接 129
3.8.1 關係代數 129
3.8.2 數據連接的類型 130
3.8.3 設置數據合併的鍵 132
3.8.4 設置數據連接的集合操作規則 134
3.8.5 重覆列名:suffixes參數 135
3.8.6 案例:美國各州的統計數據 136
3.9 累計與分組 140
3.9.1 行星數據 140
3.9.2 Pandas的簡單累計功能 141
3.9.3 GroupBy:分割、應用和組合 142
3.10 數據透視表 150
3.10.1 演示數據透視表 150
3.10.2 手工製作數據透視表 151
3.10.3 數據透視表語法 151
3.10.4 案例:美國人的生日 153
3.11 向量化字元串操作 157
3.11.1 Pandas字元串操作簡介 157
3.11.2 Pandas字元串方法列表 159
3.11.3 案例:食譜資料庫 163
3.12 處理時間序列 166
3.12.1 Python的日期與時間工具 166
3.12.2 Pandas時間序列:用時間作索引 169
3.12.3 Pandas時間序列數據結構 170
3.12.4 時間頻率與偏移量 172
3.12.5 重新取樣、遷移和視窗 173
3.12.6 更多學習資料 178
3.12.7 案例:美國西雅圖自行車統計數據的可視化 179
3.13 高性能Pandas:eval()與query() 184
3.13.1 query()與eval()的設計動機:複合代數式 184
3.13.2 用pandas.eval()實現高性能運算 185
3.13.3 用DataFrame.eval()實現列間運算 187
3.13.4 DataFrame.query()方法 188
3.13.5 性能決定使用時機 189
3.14 參考資料 189
第4 章 Matplotlib數據可視化 191
4.1 Matplotlib常用技巧 192
4.1.1 導入Matplotlib 192
4.1.2 設置繪圖樣式 192
4.1.3 用不用show()?如何顯示圖形 192
4.1.4 將圖形保存為文件 194
4.2 兩種畫圖介面 195
4.2.1 MATLAB風格介面 195
4.2.2 面向對象介面 196
4.3 簡易線形圖 197
4.3.1 調整圖形:線條的顏色與風格 199
4.3.2 調整圖形:坐標軸上下限 200
4.3.3 設置圖形標簽 203
4.4 簡易散點圖 204
4.4.1 用plt.plot畫散點圖 205
4.4.2 用plt.scatter畫散點圖 206
4.4.3 plot與scatter:效率對比 208
4.5 可視化異常處理 208
4.5.1 基本誤差線 209
4.5.2 連續誤差 210
4.6 密度圖與等高線圖 211
4.7 頻次直方圖、數據區間劃分和分佈密度 215
4.8 配置圖例 219
4.8.1 選擇圖例顯示的元素 221
4.8.2 在圖例中顯示不同尺寸的點 222
4.8.3 同時顯示多個圖例 223
4.9 配置顏色條 224
4.9.1 配置顏色條 224
4.9.2 案例:手寫數字 228
4.10 多子圖 230
4.10.1 plt.axes:手動創建子圖 230
4.10.2 plt.subplot:簡易網格子圖 231
4.10.3 plt.subplots:用一行代碼創建網格 233
4.10.4 plt.GridSpec:實現更複雜的排列方式 234
4.11 文字與註釋 235
4.11.1 案例:節假日對美國出生率的影響 236
4.11.2 坐標變換與文字位置 237
4.11.3 箭頭與註釋 239
4.12 自定義坐標軸刻度 241
4.12.1 主要刻度與次要刻度 242
4.12.2 隱藏刻度與標簽 243
4.12.3 增減刻度數量 244
4.12.4 花哨的刻度格式 245
4.12.5 格式生成器與定位器小結 247
4.13 Matplotlib自定義:配置文件與樣式表 248
4.13.1 手動配置圖形 248
4.13.2 修改預設配置:rcParams 249
4.13.3 樣式表 251
4.14 用Matplotlib畫三維圖 255
4.14.1 三維數據點與線 256
4.14.2 三維等高線圖 256
4.14.3 線框圖和曲面圖 258
4.14.4 曲面三角剖分 259
4.15 用Basemap可視化地理數據 261
4.15.1 地圖投影 263
4.15.2 畫一個地圖背景 267
4.15.3 在地圖上畫數據 269
4.15.4 案例:美國加州城市數據 270
4.15.5 案例:地表溫度數據 271
4.16 用Seaborn做數據可視化 273
4.16.1 Seaborn與Matplotlib 274
4.16.2 Seaborn圖形介紹 275
4.16.3 案例:探索馬拉松比賽成績數據 283
4.17 參考資料 290
4.17.1 Matplotlib資源 290
4.17.2 其他Python畫圖程式庫 290
第5 章 機器學習 291
5.1 什麼是機器學習 291
5.1.1 機器學習的分類 292
5.1.2 機器學習應用的定性示例 292
5.1.3 小結 299
5.2 Scikit-Learn簡介 300
5.2.1 Scikit-Learn的數據表示 300
5.2.2 Scikit-Learn的評估器API 302
5.2.3 應用:手寫數字探索 309
5.2.4 小結 313
5.3 超參數與模型驗證 313
5.3.1 什麼是模型驗證 314
5.3.2 選擇最優模型 317
5.3.3 學習曲線 322
5.3.4 驗證實踐:網格搜索 326
5.3.5 小結 327
5.4 特征工程 327
5.4.1 分類特征 327
5.4.2 文本特征 329
5.4.3 圖像特征 330
5.4.4 衍生特征 330
5.4.5 缺失值填充 332
5.4.6 特征管道 332
5.5 專題:朴素貝葉斯分類 333
5.5.1 貝葉斯分類 333
5.5.2 高斯朴素貝葉斯 334
5.5.3 多項式朴素貝葉斯 336
5.5.4 朴素貝葉斯的應用場景 339
5.6 專題:線性回歸 340
5.6.1 簡單線性回歸 340
5.6.2 基函數回歸 342
5.6.3 正則化 346
5.6.4 案例:預測自行車流量 349
5.7 專題:支持向量機 353
5.7.1 支持向量機的由來 354
5.7.2 支持向量機:邊界最大化 355
5.7.3 案例:人臉識別 363
5.7.4 支持向量機總結 366
5.8 專題:決策樹與隨機森林 367
5.8.1 隨機森林的誘因:決策樹 367
5.8.2 評估器集成演算法:隨機森林 371
5.8.3 隨機森林回歸 373
5.8.4 案例:用隨機森林識別手寫數字 374
5.8.5 隨機森林總結 376
5.9 專題:主成分分析 376
5.9.1 主成分分析簡介 377
5.9.2 用PCA作噪音過濾 383
5.9.3 案例:特征臉 385
5.9.4 主成分分析總結 387
5.10 專題:流形學習 388
5.10.1 流形學習:“HELLO” 388
5.10.2 多維標度法(MDS) 389
5.10.3 將MDS用於流形學習 391
5.10.4 非線性嵌入:當MDS失敗時 393
5.10.5 非線性流形:局部線性嵌入 395
5.10.6 關於流形方法的一些思考 396
5.10.7 示例:用Isomap 處理人臉數據 397
5.10.8 示例:手寫數字的可視化結構 400
5.11 專題:k-means聚類 402
5.11.1 k-means簡介 403
5.11.2 k-means演算法:期望最大化 404
5.11.3 案例 409
5.12 專題:高斯混合模型 415
5.12.1 高斯混合模型(GMM)為什麼會出現:k-means演算法
的缺陷 415
5.12.2 一般化E-M:高斯混合模型 417
5.12.3 將GMM用作密度估計 421
5.12.4 示例:用GMM生成新的數據 425
5.13 專題:核密度估計 427
5.13.1 KDE的由來:直方圖 428
5.13.2 核密度估計的實際應用 431
5.13.3 示例:球形空間的KDE 433
5.13.4 示例:不是很朴素的貝葉斯 436
5.14 應用:人臉識別管道 439
5.14.1 HOG特征 440
5.14.2 HOG實戰:簡單人臉識別器 441
5.14.3 註意事項與改進方案 445
5.15 機器學習參考資料 446
5.15.1 Python中的機器學習 446
5.15.2 通用機器學習資源 447
關於作者 448
關於封面 448

您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 今天使用mybatis開發公司中台項目踩的一個坑,分享並記錄一下 踩坑前因:因項目中比較多狀態欄位,用了大量的Integer 0和1進行判斷 在功能做完後只是粗略的點了下覺得沒多大問題(來自程式員強大的自信),便提交了代碼,很不巧的是剛好領導在做功能測試,發現了功能缺陷,主角來了: 在做牧戶查詢時所 ...
  • 假如,明天你財務自由了,你會想去做些什麼? 最近,他二哥坐電梯發現身邊的程式員們,除了交流各種棘手的Bug之外,還會討論股市大盤漲了還是跌了,自己買的股票賺了還是虧了。生活不易,猿猿嘆氣,誰又沒有做過一夜暴富的美夢呢? 待到春來時,洗手作羹湯。 拋棄java C,只把歌來唱。 這樣美麗如畫的場景在他 ...
  • 學習ruby中記錄下的一些要點和感悟,隨緣更新 內容來自 《“笨方法”學ruby》、https://www.runoob.com/ ,此處僅做記錄 #Ruby 數組(Array) Ruby 數組是任何對象的有序整數索引集合。數組中的每個元素都與一個索引相關,並可通過索引進行獲取。 數組的索引從 0 ...
  • 內容簡介: 《Python自動化運維:技術與最佳實踐》一書在中國運維領域將有“劃時代”的重要意義:一方面,這是國內第一本從縱、深和實踐角度探討Python在運維領域應用的著作;一方面本書的作者是中國運維領域的“偶像級”人物,本書是他在天涯社區和騰訊近10年工作經驗的結晶。因為作者實戰經驗豐富,所以能 ...
  • Python是一種解釋型、面向對象、動態數據類型的程式設計語言,在游戲開發領域,Python也得到越來越廣泛的應用,並由此受到重視。 本書教授用Python開發精彩游戲所需的[]為重要的該你那。本書不只是介紹游戲編程概念的相關內容,還深入到複雜的主題。全書共14章,依次介紹了使用Pygame、文件I ...
  • 百度雲盤:Python 編程金典PDF高清完整版免費下載 提取碼:klcf 內容簡介 本書由全球著名的程式語言培訓專家精心編著,解釋瞭如何將Python用作常規用途,編寫多層、客戶機/伺服器結構、資料庫密集型、基於Internet和Web的應用程式。書中採用作者獨創的“活代碼”教學方式,層層揭示了P ...
  • 書籍作者:Mark Summerfield(馬克 . 薩默菲爾德)(英) 書籍譯者:閆鋒欣內容簡介:本書是一本闡述Qt高級編程技術的書籍。本書以工程實踐為主旨,是對Qt現有的700多個類和上百萬字參考文檔中部分關鍵技術深入、全面的講解和探討,如豐富的網路/桌面應用程式、多線程、富文本處理、圖形/視圖 ...
  • 利用pandas模塊實現Excel與MySQL的互通 代碼實現 Excel數據導入MySQL(方式一) # 批量導入數據(速度快) def importdata(localpath: str, db: str, foreignkey): data = pandas.read_excel(localp ...
一周排行
    -Advertisement-
    Play Games
  • 比如要拆分“呵呵呵90909086676喝喝999”,下麵當type=0返回的是中文字元串“呵呵呵,喝喝”,type=1返回的是數字字元串“90909086676,999”, private string GetStrings(string str,int type=0) { IList<strin ...
  • Swagger一個優秀的Api介面文檔生成工具。Swagger可以可以動態生成Api介面文檔,有效的降低前後端人員關於Api介面的溝通成本,促進項目高效開發。 1、使用NuGet安裝最新的包:Swashbuckle.AspNetCore。 2、編輯項目文件(NetCoreTemplate.Web.c ...
  • 2020 年 7 月 30 日, 由.NET基金會和微軟 將舉辦一個線上和為期一天的活動,包括 微軟 .NET 團隊的演講者以及社區的演講者。本次線上大會 專註.NET框架構建微服務,演講者分享構建和部署雲原生應用程式的最佳實踐、模式、提示和技巧。有關更多信息和隨時瞭解情況:https://focu... ...
  • #abp框架Excel導出——基於vue #1.技術棧 ##1.1 前端採用vue,官方提供 UI套件用的是iview ##1.2 後臺是abp——aspnetboilerplate 即abp v1,https://github.com/aspnetboilerplate/aspnetboilerp ...
  • 前言 本文的文字及圖片來源於網路,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯繫我們以作處理。 作者:碧茂大數據 PS:如有需要Python學習資料的小伙伴可以加下方的群去找免費管理員領取 input()輸入 Python提供了 input() 內置函數從標準輸入讀入一 ...
  • 從12年到20年,python以肉眼可見的趨勢超過了java,成為了當今It界人人皆知的編程語言。 python為什麼這麼火? 網路編程語言搜索指數 適合初學者 Python具有語法簡單、語句清晰的特點,這就讓初學者在學習階段可以把精力集中在編程對象和思維方法上。 大佬都在用 Google,YouT ...
  • 在社會上存在一種普遍的對培訓機構的學生一種歧視的現象,具體表現在,比如:當你去公司面試的時候,一旦你說了你是培訓機構出來的,那麼基本上你就涼了,那麼你瞞著不說,然後又通過了面試成功入職,但是以後一旦在公司被髮現有培訓經歷,可能會面臨被降薪,甚至被辭退,培訓機構出來的學生,在用人單位眼裡就是能力低下的 ...
  • from typing import List# 這道題看了大佬寫的代碼,經過自己的理解寫出來了。# 從最外圍的四周找有沒有為O的,如果有的話就進入深搜函數,然後深搜遍歷# 判斷上下左右的位置是否為Oclass Solution: def solve(self, board: List[List[s ...
  • import requests; import re; import os; # 1.請求網頁 header = { "user-agent":'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_5) AppleWebKit/537.36 (KHTML, li ...
  • import requests; import re; import os; import parsel; 1.請求網頁 header = { "user-agent":'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_5) AppleWebKit/537. ...