Python数据分析 第2版 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

[美] 阿曼多·凡丹戈（Armando Fandango） 著，韩波 译

图书标签:

• Python
• 数据分析
• Pandas
• NumPy
• Matplotlib
• 数据挖掘
• 机器学习
• 统计分析
• 可视化
• 科学计算
• 实战

出版社： 人民邮电出版社

ISBN：9787115481177

版次：2

商品编码：12366000

品牌：异步图书

包装：平装

开本：16开

出版时间：2018-06-01

用纸：胶版纸

页数：274

正文语种：中文

编辑推荐

Python拥有许多强大的程序库，已经成为进行各种数据分析和预测建模任务的流行平台。Python的应用范围很广，拓展性很大。本书介绍了众多的Python模块，例如Matplotlib、statsmodels、scikit-learn和NLTK。同时，本书还介绍了Python如何与外部环境（例如R、Fortran、C/C++和Boost库）进行交互。
通过阅读本书，你将学会如何使用Python处理和操作数据，并完成复杂的分析和建模。我们将借助NumPy和Pandas来学习数据的各种操作。本书将介绍如何从各种数据源（例如SQL、NoSQL、CSV文件和HDF5）中存储和检索数据。此外，我们还将学习如何通过可视化库实现数据的可视化，以及信号处理、时间序列、文本数据分析、机器学习和社交媒体分析等主题。

内容简介

Python作为一种程序设计语言，凭借其简洁、易读及可扩展性日渐成为程序设计领域备受推崇的语言。同时，Python语言的数据分析功能也逐渐为大众所认可。
本书就是一本介绍如何用Python进行数据分析的学习指南。全书共12章，从Python程序库入门、NumPy数组和Pandas入门开始，陆续介绍了数据的检索、数据加工与存储、数据可视化等内容。同时，本书还介绍了信号处理与时间序列、应用数据库、分析文本数据与社交媒体、预测性分析与机器学习、Python生态系统的外部环境和云计算、性能优化及分析、并发性等内容。在本书的最后，还采用3个附录的形式为读者补充了一些重要概念、常用函数以及在线资源等重要内容。
本书延续了上一版示例丰富、简单易懂的优点，非常适合对Python语言感兴趣或者想要使用Python语言进行数据分析的读者参考阅读。

作者简介

Armando Fandango是Epic工程咨询集团知名数据科学家，负责与国防和政府机构有关的保密项目。Armando是一位技术精湛的技术人员，拥有全球创业公司和大型公司的工作经历和管理经验。他的工作涉及金融科技、证券交易所、银行、生物信息学、基因组学、广告技术、基础设施、交通运输、能源、人力资源和娱乐等多个领域。
Armando在预测分析、数据科学、机器学习、大数据、产品工程、高性能计算和云基础设施等项目中工作了十多年。他的研究兴趣横跨机器学习、深度学习和科学计算等领域。

目录

第 1章　Python程序库入门 1
1．1　安装Python 3　3
1．1．1　安装数据分析程序库　3
1．1．2　Linux平台或Mac OS X平台　3
1．1．3　Windows平台　4
1．2　将IPython用作shell　4
1．3　学习手册页　6
1．4　Jupyter Notebook　7
1．5　NumPy数组　8
1．6　一个简单的应用　8
1．7　从何处寻求帮助和参考资料　11
1．8　查看Python库中包含的模块　12
1．9　通过Matplotlib实现数据的可视化　12
1．10　小结　14
第　2章 NumPy数组　15
2．1　NumPy数组对象　16
2．2　创建多维数组　17
2．3　选择NumPy数组元素　17
2．4　NumPy的数值类型　18
2．4．1　数据类型对象　20
2．4．2　字符码　20
2．4．3　dtype构造函数　21
2．4．4　dtype属性　22
2．5　一维数组的切片与索引　23
2．6　处理数组形状　23
2．6．1　堆叠数组　25
2．6．2　拆分NumPy数组　28
2．6．3　NumPy数组的属性　30
2．6．4　数组的转换　34
2．7　创建数组的视图和拷贝　35
2．8　花式索引　36
2．9　基于位置列表的索引方法　38
2．10　用布尔型变量索引NumPy数组　39
2．11　NumPy数组的广播　41
2．12　小结　44
2．13　参考资料　44
第3章　Pandas入门　45
3．1　Pandas的安装与概览　46
3．2　Pandas数据结构之DataFrame　47
3．3　Pandas数据结构之Series　49
3．4　利用Pandas查询数据　52
3．5　利用Pandas的DataFrame进行统计计算　56
3．6　利用Pandas的DataFrame实现
数据聚合　58
3．7　DataFrame的串联与附加
操作　62
3．8　连接DataFrames　63
3．9　处理缺失数据问题　65
3．10　处理日期数据　67
3．11　数据透视表　70
3．12　小结　71
3．13　参考资料　71
第4章　统计学与线性代数　72
4．1　用NumPy进行简单的描述性统计计算　72
4．2　用NumPy进行线性代数运算　75
4．2．1　用NumPy求矩阵的逆　75
4．2．2　用NumPy解线性方程组　77
4．3　用NumPy计算特征值和特征向量　78
4．4　NumPy随机数　80
4．4．1　用二项式分布进行博弈　81
4．4．2　正态分布采样　83
4．4．3　用SciPy进行正态检验　84
4．5　创建掩码式NumPy数组　86
4．6　忽略负值和极值　88
4．7　小结　91
第5章　数据的检索、加工与存储　92
5．1　利用NumPy和pandas对CSV文件进行写操作　92
5．2　二进制．npy与pickle格式　94
5．3　使用PyTables存储数据　97
5．4　Pandas DataFrame与HDF5仓库之间的读写操作　99
5．5　使用Pandas读写Excel文件　102
5．6　使用REST Web服务和JSON　103
5．7　使用Pandas读写JSON　105
5．8　解析RSS和Atom订阅　106
5．9　使用Beautiful Soup解析HTML　108
5．10　小结　114
5．11　参考资料　114
第6章　数据可视化　115
6．1　Matplotlib的子库　116
6．2　Matplotlib绘图入门　116
6．3　对数图　118
6．4　散点图　119
6．5　图例和注解　121
6．6　三维图　123
6．7　Pandas绘图　125
6．8　时滞图　127
6．9　自相关图　129
6．10　Plot．ly　130
6．11　小结　132
第7章　信号处理与时间序列　133
7．1　statsmodels模块　134
7．2　移动平均值　134
7．3　窗口函数　136
7．4　协整的定义　138
7．5　自相关　140
7．6　自回归模型　142
7．7　ARMA模型　145
7．8　生成周期信号　147
7．9　傅里叶分析　149
7．10　谱分析　152
7．11　滤波　153
7．12　小结　155
第8章　应用数据库　156
8．1　基于sqlite3的轻量级访问　157
8．2　通过Pandas访问数据库　159
8．3　SQLAlchemy　161
8．3．1　SQLAlchemy的安装和配置　161
8．3．2　通过SQLAlchemy填充数据库　162
8．3．3　通过SQLAlchemy查询数据库　164
8．4　Pony ORM　166
8．5　Dataset：懒人数据库　167
8．6　PyMongo与MongoDB　168
8．7　利用Redis存储数据　170
8．8　利用memcache存储数据　171
8．9　Apache Cassandra　172
8．10　小结　174
第9章　分析文本数据和社交媒体　176
9．1　安装NLTK　177
9．2　NLTK简介　177
9．3　滤除停用字、姓名和数字　178
9．4　词袋模型　180
9．5　词频分析　181
9．6　朴素贝叶斯分类　183
9．7　情感分析　186
9．8　创建词云　189
9．9　社交网络分析　193
9．10　小结　195
第　10章 预测性分析与机器学习　197
10．1　预处理　198
10．2　基于逻辑回归的分类　201
10．3　基于支持向量机的分类　202
10．4　基于ElasticNetCV的回归分析　205
10．5　支持向量回归　207
10．6　基于相似性传播算法的聚类
分析　210
10．7　均值漂移算法　211
10．8　遗传算法　213
10．9　神经网络　217
10．10　决策树　219
10．11　小结　222
第　11章 Python生态系统的外部环境和云计算　223
11．1　与MATLAB/Octave交换
信息　224
11．2　安装rpy2　225
11．3　连接R　225
11．4　为Java传递NumPy数组　228
11．5　集成SWIG和NumPy　229
11．6　集成Boost和Python　233
11．7　通过f2py使用Fortran代码　235
11．8　PythonAnywhere云　236
11．9　小结　238
第　12章 性能优化、性能分析与并发性　239
12．1　代码的性能分析　240
12．2　安装Cython　245
12．3　调用C代码　248
12．4　利用multiprocessing创建进程池　252
12．5　通过Joblib提高for循环的并发性　254
12．6　比较Bottleneck函数与NumPy函数　255
12．7　通过Jug实现MapReduce　257
12．8　安装MPI for Python　259
12．9　IPython Parallel　260
12．10　小结　263
附录A　重要概念　264
附录B　常用函数　269

开启数据世界的探索之旅：一本引导你掌握现代数据分析核心技能的指南 在这个信息爆炸的时代，数据已成为驱动决策、洞察趋势、革新业务的强大引擎。无论你是初涉数据科学的职场新人，还是渴望提升分析能力的资深从业者，一本扎实、全面的技术书籍都是你装备自己、征服数据世界的必备利器。本书并非一本关于Python语言本身或者某一特定领域的深入教程，而是一本致力于为你构建一个清晰、系统的数据分析思维框架，并为你提供一系列实用工具和方法论，让你能够自信地应对真实世界的数据挑战。 我们深知，掌握数据分析的精髓，不仅仅是学习一门编程语言的语法，更重要的是理解数据背后的逻辑，学会如何提出正确的问题，如何有效地清洗和转换数据，如何从中提取有价值的信息，以及如何以清晰、有说服力的方式呈现你的发现。因此，本书将带你踏上一段循序渐进的学习之旅，从数据分析的起源和核心概念出发，逐步深入到实际操作层面，让你不仅知其然，更知其所以然。 第一部分：奠定坚实基础——理解数据与分析的本质 旅程的开端，我们将从宏观层面为你梳理数据分析的价值所在，以及它在当今各个行业中所扮演的关键角色。你将了解到，数据分析并非高不可攀的学术象牙塔，而是渗透于我们日常生活和商业运作方方面面的实用学科。我们将探讨数据分析的典型流程，从问题定义、数据收集，到数据清洗、探索性数据分析（EDA）、建模、评估，再到结果的沟通与应用。理解这个流程，将为你后续的学习提供清晰的路线图。 你还将接触到各种常见的数据类型，例如结构化数据（表格数据）、半结构化数据（JSON、XML）和非结构化数据（文本、图像），以及它们各自的特点和处理难点。这有助于你根据数据形态选择最合适的技术和方法。此外，我们还会深入讨论数据质量的重要性，以及数据倾斜、缺失值、异常值等常见问题对分析结果的潜在影响，并初步介绍一些应对这些挑战的策略。 第二部分：实操利器——掌握现代数据分析的核心工具集 在打下坚实的基础之后，我们将正式引入数据分析领域最强大、最流行的工具集。本书将侧重于介绍如何有效地利用这些工具来处理和分析数据。你将学习到如何高效地加载、存储和操作表格型数据，这是数据分析中最常见的形式。我们将详细讲解如何使用一系列强大的库来完成数据清洗、转换和预处理任务。这包括： 数据加载与存储：掌握从各种来源（如CSV文件、Excel表格、数据库）读取数据，以及将处理后的数据保存到不同格式的方法。 数据清洗与预处理：学会识别和处理缺失值（填充、删除），检测和处理异常值，进行数据类型转换，删除重复项，以及重命名、重塑和合并数据集等基本但至关重要的操作。 数据转换与特征工程：深入理解如何对数据进行各种转换，例如对数转换、标准化、归一化，以及如何创建新的特征（特征工程）来提升模型的性能。 数据聚合与分组：学习如何使用强大的分组和聚合功能，对数据进行按组汇总、计算统计量（如均值、总和、计数、标准差）等，从而获得数据的宏观视图。 文本数据处理基础：对于日益重要的文本数据，我们将介绍一些基础的文本预处理技术，例如分词、去除停用词、词干提取/词形还原等，为后续的文本分析打下基础。 第三部分：洞察本质——探索性数据分析（EDA）的艺术 探索性数据分析（EDA）是数据分析流程中至关重要的一环，它如同侦探在现场勘查，通过观察、提问和可视化，揭示数据隐藏的模式、关系和异常。本书将为你详细讲解EDA的理论和实践，帮助你培养敏锐的数据洞察力。你将学习： 描述性统计：掌握如何计算和解释数据的中心趋势（均值、中位数）、离散程度（方差、标准差、四分位数）、分布形状（偏度、峰度）等统计指标，全面了解数据的基本特征。 数据可视化：深入学习如何利用各种可视化工具创建出直观、信息丰富的图表，例如散点图、折线图、柱状图、箱线图、直方图、热力图等。你将理解不同图表适用于展示的数据类型和关系，并学会如何通过可视化来发现变量之间的相关性、趋势、周期性、聚类和异常值。 相关性分析：学习如何量化变量之间的线性关系（如皮尔逊相关系数），以及如何通过散点图和相关矩阵直观地展现这些关系。 假设检验入门：初步了解假设检验的基本思想，以及如何运用统计方法来判断观察到的数据差异是否具有统计学意义，为更深入的建模奠定基础。 第四部分：揭示模式——构建与评估预测模型 数据分析的最终目标往往是为了预测未来或解释现象。本部分将带领你进入模型构建的领域。我们将从机器学习的基础概念入手，介绍几种经典且广泛应用的建模技术。你将学习如何选择合适的模型，如何训练模型，以及如何评估模型的性能。 模型选择与原理：我们将介绍几种不同类型的模型，例如用于分类和回归问题的模型。你将理解这些模型的工作原理，以及它们各自的优缺点和适用场景。 模型训练与调优：学习如何使用准备好的数据来训练模型，以及如何通过调整模型参数（超参数调优）来优化模型的性能。 模型评估指标：掌握常用的模型评估指标，例如分类模型的准确率、精确率、召回率、F1分数、ROC曲线和AUC值，以及回归模型的均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）和R²分数。你将学会如何根据不同的业务目标选择合适的评估指标。 模型诊断与解释：理解如何诊断模型的不足，例如过拟合和欠拟合，以及如何通过一些方法来解释模型的预测结果，了解模型做出决策的依据。 第五部分：沟通成果——将分析转化为 actionable insights 再精妙的分析，如果不能有效地传达给决策者，其价值将大打折扣。本书的最后一部分将聚焦于如何将你的数据分析成果转化为清晰、有说服力的见解，并有效地传达给非技术背景的受众。 故事化叙事：学习如何将数据分析过程和结果组织成一个引人入胜的故事，让你的听众更容易理解和接受。 数据报告与仪表盘：介绍创建清晰、简洁的数据报告和交互式仪表盘的最佳实践，帮助你直观地展示关键指标和趋势。 沟通策略：提供关于如何清晰、简洁地解释复杂数据分析结果的建议，以及如何与不同背景的利益相关者进行有效沟通的技巧。 本书的目标是成为你在数据分析旅程中的可靠伙伴。它提供了一个扎实的起点，让你能够掌握使用现代工具进行数据分析的核心技能。通过本书的学习，你不仅能够机械地执行数据分析的步骤，更能培养出独立思考、解决问题的能力，真正理解数据所蕴含的力量，并将其转化为驱动你个人和组织成长的强大动力。无论你最终的职业目标是数据科学家、数据分析师，还是希望在现有工作中更好地利用数据，本书都将为你提供一份坚实的行动指南。

评分☆☆☆☆☆

这本书刚拿到手的时候，我还有点犹豫，毕竟“Python数据分析”这个主题实在太庞大了，而且市面上相关书籍也琳琅满目，选择哪一本确实需要点运气。我之前也接触过一些数据分析的入门书籍，但总觉得隔靴搔痒，要么讲解过于理论化，要么实操案例不够接地气，学完之后感觉自己还是停留在“知道”的层面，离“做到”还有很远的距离。当我翻开《Python数据分析 第2版》的扉页，看到它对NumPy、Pandas、Matplotlib等核心库的系统性介绍，以及丰富的实战练习时，我心里就燃起了一丝希望。我特别关注书中关于数据清洗和预处理的部分，因为在我看来，这是数据分析过程中最耗时也最容易出错的环节，如果这本书能提供清晰、可操作的指导，那将是巨大的福音。此外，对数据可视化工具的讲解深度也是我衡量一本好书的重要标准，毕竟直观的数据展示往往能帮助我们更快地洞察问题，并有效地与他人沟通分析结果。这本书在这方面是否有独到之处，我会仔细品味。

评分☆☆☆☆☆

我是一名在工作中需要处理大量报表和数据的职场人士，每天跟Excel打交道，实在心力交瘁。我一直想学习Python来提升工作效率，尤其是在数据处理和分析方面。《Python数据分析 第2版》的出版对我来说，简直是雪中送炭。我最看重的是它贴近实际应用场景的案例，而不是那些抽象的数学模型或者脱离实际的算法堆砌。我希望这本书能教我如何用Python解决我在工作中遇到的具体问题，比如如何自动生成复杂报表，如何从多个数据源整合信息，如何进行数据挖掘以发现业务洞察等等。书中对常见数据分析任务的解决方案，以及如何在实际业务环境中应用这些技术，是我非常期待的部分。如果这本书能让我摆脱Excel的束缚，真正实现数据处理的自动化和智能化，那将极大地提升我的工作价值。

评分☆☆☆☆☆

作为一名 Python 开发者，我对数据科学领域一直抱有浓厚的兴趣，但之前更多的是在应用层面上，对于数据分析的底层逻辑和方法论理解不够深入。《Python数据分析 第2版》的出现，正好填补了我在这方面的知识空白。我特别关注书中对各种数据分析算法和统计学原理的介绍，我希望它能在讲解Python实现的同时，也能提供足够的理论支持，让我明白“为什么”要这样做，而不仅仅是“怎么做”。我希望它能帮助我理解诸如回归分析、分类算法、聚类分析等经典模型的原理，并学习如何在Python中高效地实现它们。同时，我对书中关于模型评估和选择的内容也充满期待，因为这直接关系到分析结果的可靠性和实用性。我希望这本书能让我从一个Python的使用者，蜕变成一个真正理解和运用数据分析方法的专家。

评分☆☆☆☆☆

说实话，我一直对数据分析领域跃跃欲试，但苦于没有一个清晰的学习路径。我尝试过零散地学习一些Python的库，但总感觉不成体系，学完这个忘那个，效率极低。直到我朋友推荐了《Python数据分析 第2版》，我才真正觉得找到了一本能够引导我入门的“宝藏”。我尤其欣赏的是它不仅仅停留在代码层面的讲解，而是将数据分析的整个流程，从问题定义、数据获取、数据理解、数据清洗、特征工程，到模型构建和结果解释，都进行了非常细致的梳理。这让我这个初学者能够对整个数据分析的“大图景”有一个宏观的认识，不至于在细节中迷失方向。书中对Pandas的讲解更是深入浅出，我以前觉得DataFrame操作很复杂，但看完这本书，我感觉很多曾经困扰我的问题都迎刃而解了。它提供的各种技巧和最佳实践，让我能够更高效、更优雅地处理各种数据操作。

评分☆☆☆☆☆

我一直认为，数据分析的最终目的是为了驱动决策，而如何清晰、有说服力地呈现分析结果，是衡量数据分析师能力的重要标准。《Python数据分析 第2版》在这方面是否有独到的见解，是我非常关心的。我希望这本书不仅能教我如何进行数据分析，更能教我如何将分析过程和结果以一种易于理解、引人入胜的方式呈现给非技术背景的听众。我对书中关于数据可视化部分的讲解非常期待，比如如何选择合适的图表类型来表达不同的信息，如何设计美观且信息量丰富的图表，以及如何利用Python库生成交互式可视化报告。此外，我也希望能从书中学习到如何构建一个完整的分析报告，包括问题陈述、数据描述、分析方法、结果展示以及最终的业务建议。如果这本书能让我成为一个能够“讲故事”的数据分析师，那它就物超所值了。

评分☆☆☆☆☆

此用户未填写评价内容

评分☆☆☆☆☆

还不错，就是看不懂了??

评分☆☆☆☆☆

书不厚，还可以吧

评分☆☆☆☆☆

不错，适合入门看

评分☆☆☆☆☆

书不厚，还可以吧

评分☆☆☆☆☆

书不错，物流也比较快！

评分☆☆☆☆☆

学习新的计算机语言

评分☆☆☆☆☆

书不错，物流也比较快！

评分☆☆☆☆☆

还不错，就是看不懂了??