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 在代碼單元格中運行代碼 5
1.3.2 在文本單元格中運行markdown語法 6
1.3.3 鍵盤快捷操作 9
1.4 本章小結 10
第2章 NumPy向量計算 11
2.1 NumPy簡介 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)學運算 17
2.2.4 數(shù)組的常見操作 19
2.3 使用NumPy進行模擬 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 27
第3章 數(shù)據(jù)分析庫pandas 29
3.1 pandas庫 29
3.1.1 導入pandas中的對象 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 平均時薪 43
3.3.4 平均工作年限 43
3.3.5 任職時間最長的員工 44
3.3.6 員工的整體滿意度 44
3.4 進一步思考 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 53
第4章 可視化和數(shù)據(jù)分析 55
4.1 matplotlib簡介 55
4.2 pyplot簡介 58
4.3 面向對象接口 64
4.4 常見的自定義方式 70
4.4.1 顏色 70
4.4.2 限定坐標軸 71
4.4.3 設置刻度和刻度標記 71
4.4.4 圖例 73
4.4.5 標注 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 78
4.5.4 變量類型 78
4.6 單獨分析變量 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 變量間的關系 86
4.7.1 散點圖 86
4.7.2 箱形圖 89
4.7.3 復雜的條件圖 92
4.8 本章小結 94
第5章 Python統(tǒng)計計算 95
5.1 SciPy簡介 95
5.1.1 統(tǒng)計子包 95
5.1.2 置信區(qū)間 98
5.1.3 概率計算 100
5.2 假設測試 101
5.3 執(zhí)行統(tǒng)計測試 102
5.4 本章小結 107
第6章 預測分析模型 109
6.1 預測分析和機器學習 109
6.2 理解scikit-learn庫 110
6.3 使用scikit-learn構建回歸模型 113
6.4 利用回歸模型預測房屋價格 118
6.5 本章小結 122