Python數據可視化(2017年機械工業出版社出版的圖書)

Python數據可視化(2017年機械工業出版社出版的圖書)

本詞條是多義詞,共2個義項
更多義項 ▼ 收起列表 ▲

《Python數據可視化》是2017年機械工業出版社出版的圖書,作者是科斯·拉曼。

基本介紹

  • 書名:Python數據可視化
  • 作者:科斯·拉曼
  • 譯者:[印度] 科斯·拉曼(Kirthi Raman) 著
  • 出版社:機械工業出版社
  • 出版時間:2017年04月
  • 定價:69 元
  • ISBN:978-7-111-56090-6
內容簡介,圖書目錄,

內容簡介

書由資深數據工程師撰寫,融合其多年實踐經驗,既詳細講解了分析和可視化的方法,又給出了不用領域的實際套用案例,為深入乃雅台理解並靈活套用Python進行數據可視化提供實用指南。
本書開篇首先探討數據框架,解釋了數據轉換為信息,最終轉換為奔定墓知識的過舉牛悼和程。隨後,舉例講解用流行的Python庫實現可視化的過程。你將學到如何使用NumPy、SciPy、IPython、matplotlib、pandas、patsy和scikit-learn,了解這些工具如何用不同方法可視化生成結果。接下來的內容不僅展示了諸如互動式繪圖、數值、線形圖解法和非線性回歸、聚類和分類等先進技術,而且有助於你理解數據可視化的美學特徵和最佳案例。本書最後還給出一些有趣的案例,比如社會網路、現實生活中的有向圖舉例、適合這些問題的數據結構,以及網路分析。
全面講解Python在不同套用領域的可視化方法
涵蓋Python的各種繪圖選項,包含大量實際套用案例
隨著海量信息的增長,需要處理的數據越來越多。這些數據包含著許多掌控當代成功命脈的看法與見解。能蒸詢凳肯夠發現數據、清洗數據,並使用正確的工具實現可視化至關重要。本書講解了用Python軟體包實現數據可視化的一些不同方法,並給出很多不同領域的案例,比如,數值計算、財務模型、統計機器學習,以及遺傳學與網路等。

圖書目錄

譯者序
前 言
第1章 數據可視化概念框架 1
1.1 數據、信息、知識和觀點 2
1.1.1 數據 2
1.1.2 信息 2
1.1.3 知識 3
1.1.4 數據分析和觀點 3
1.2 數據轉換 4
1.2.1 數據轉換為信息 4
1.2.2 信息轉換為知識 7
1.2.3 知識轉換為觀點 7
1.3 數據可視化歷史 8
1.4 可視化如何幫助決策 10
1.4.1 可視化適用於哪裡 11
1.4.2 如今的數據可視化 12
1.5 可視化圖像 15
1.5.1 條形圖和餅圖 19
1.5.2 箱線圖 22
1.5.3 散點圖和氣泡圖 23
1.5.4 請棄核密度估計圖 26
1.6 總結 29
第2章 數據分析與可視化 30
2.1 為什麼可視化需要規劃 31
2.2 Ebola案例 31
2.3 體育案例 37
2.4 用數據編寫有趣的故事 47
2.4.1 為什麼故事如此重要 47
2.4.2 以讀者驅動為導向的故事 47
2.4.3 以作者驅動為導向的故事 53
2.5 感知與表達方法 55
2.6 一些最好的可視化實踐 57
2.6.1 比較和排名 57
2.6.2 相關性 58
2.6.3 分布 59
2.6.4 位置定位或地理數據 61
2.6.5 局部到整體的關係 61
2.6.6 隨時間的變化趨勢 62
2.7 Python中的可視化工具 62
2.8 互動式可視化 64
2.8.1 事件監聽器 64
2.8.2 布局設計 65
2.9 總結 67
第3章 開始使用Python IDE 69
3.1 Python中的IDE工具 70
3.1.1 Python 3.x和Python 2.7 70
3.1.2 互動式工具類型 70
3.1.3 Python IDE類型 72
3.2 Anaconda可視化繪圖 83
3.2.1 表面三維圖 83
3.2.2 方形圖 85
3.3 互動式可視化軟體包 89
3.3.1 Bokeh 89
3.3.2 VisPy 90
3.4 總結 91
第4章 數值計算和互動式繪拘端民圖 92
4.1 NumPy、SciPy和MKL函式 93
4.1.1 NumPy 93
4.1.2 SciPy 99
4.1.3 MKL函式 105
4.1.4 Python的性能 106
4.2 標量選擇 106
4.3 切片 107
4.4 數組索引 108
4.4.1 數值索引 108
4.4.2 邏輯索引 109
4.5 其他數據結構 110
4.5.1 棧 110
4.5.2 元組 111
4.5.3 集合 112
4.5.4 佇列 113
4.5.5 字典 114
4.5.6 字典的矩陣表示 115
4.5.7 Trie樹 120
4.6 利用matplotlib進行可視化 121
4.6.1 詞雲 122
4.6.2 安裝詞雲 122
4.6.3 詞雲的輸入 124
4.6.4 繪製股票價格圖 129
4.7 體育運動中愉市祖的可視化案例 136
4.8 總結 140
第5章 金融和統計模型 141
5.1 確定性模型 142
5.2 隨機性模型 150
5.2.1 蒙特卡洛模擬 150
5.2.2 投資組合估值 168
5.2.3 模擬模型 170
5.2.4 幾何布朗運動模擬 170
5.2.5 基於擴散模擬 173
5.3 閾值模型 175
5.4 統計與機器學習綜述 179
5.4.1 k-最近鄰算法 179
5.4.2 廣義線性模型 181
5.5 創建動畫和互動圖 184
5.6 總結 188
第6章 統計與機器學習 189
6.1 分類方法 190
6.1.1 理解線性回歸 191
6.1.2 線性回歸 193
6.1.3 決策樹 196
6.1.4 貝葉斯理論 199
6.1.6 用TextBlob構建樸素貝葉斯分類器 202
6.1.7 用詞雲觀察積極情緒 206
6.2 k-最近鄰 208
6.3 邏輯斯諦回歸 211
6.4 支持向量機 214
6.5 主成分分析 216
6.6  k-均值聚類 220
6.7 總結 223
第7章 生物信息學、遺傳學和網路模型 224
7.1 有向圖和多重圖 225
7.1.1 存儲圖表數據 225
7.1.2 圖表展示 227
7.2 圖的聚集係數 235
7.3 社交網路分析 238
7.4 平面圖測試 240
7.5 有向無環圖測試 242
7.6 最大流量和最小切割 244
7.7 遺傳編程示例 245
7.8 隨機區組模型 247
7.9 總結 250
第8章 高級可視化 252
8.1 計算機模擬 253
8.1.1 Python的random包 253
8.1.2 SciPy的random函式 254
8.1.3 模擬示例 255
8.1.4 信號處理 258
8.1.5 動畫製作 261
8.1.6 利用HTML5進行可視化 263
8.1.7 Julia和Python有什麼區別 267
8.1.8 用D3.js進行可視化 267
8.1.9 儀錶盤 268
8.2 總結 269
附錄 繼續探索可視化 270
2.8 互動式可視化 64
2.8.1 事件監聽器 64
2.8.2 布局設計 65
2.9 總結 67
第3章 開始使用Python IDE 69
3.1 Python中的IDE工具 70
3.1.1 Python 3.x和Python 2.7 70
3.1.2 互動式工具類型 70
3.1.3 Python IDE類型 72
3.2 Anaconda可視化繪圖 83
3.2.1 表面三維圖 83
3.2.2 方形圖 85
3.3 互動式可視化軟體包 89
3.3.1 Bokeh 89
3.3.2 VisPy 90
3.4 總結 91
第4章 數值計算和互動式繪圖 92
4.1 NumPy、SciPy和MKL函式 93
4.1.1 NumPy 93
4.1.2 SciPy 99
4.1.3 MKL函式 105
4.1.4 Python的性能 106
4.2 標量選擇 106
4.3 切片 107
4.4 數組索引 108
4.4.1 數值索引 108
4.4.2 邏輯索引 109
4.5 其他數據結構 110
4.5.1 棧 110
4.5.2 元組 111
4.5.3 集合 112
4.5.4 佇列 113
4.5.5 字典 114
4.5.6 字典的矩陣表示 115
4.5.7 Trie樹 120
4.6 利用matplotlib進行可視化 121
4.6.1 詞雲 122
4.6.2 安裝詞雲 122
4.6.3 詞雲的輸入 124
4.6.4 繪製股票價格圖 129
4.7 體育運動中的可視化案例 136
4.8 總結 140
第5章 金融和統計模型 141
5.1 確定性模型 142
5.2 隨機性模型 150
5.2.1 蒙特卡洛模擬 150
5.2.2 投資組合估值 168
5.2.3 模擬模型 170
5.2.4 幾何布朗運動模擬 170
5.2.5 基於擴散模擬 173
5.3 閾值模型 175
5.4 統計與機器學習綜述 179
5.4.1 k-最近鄰算法 179
5.4.2 廣義線性模型 181
5.5 創建動畫和互動圖 184
5.6 總結 188
第6章 統計與機器學習 189
6.1 分類方法 190
6.1.1 理解線性回歸 191
6.1.2 線性回歸 193
6.1.3 決策樹 196
6.1.4 貝葉斯理論 199
6.1.6 用TextBlob構建樸素貝葉斯分類器 202
6.1.7 用詞雲觀察積極情緒 206
6.2 k-最近鄰 208
6.3 邏輯斯諦回歸 211
6.4 支持向量機 214
6.5 主成分分析 216
6.6  k-均值聚類 220
6.7 總結 223
第7章 生物信息學、遺傳學和網路模型 224
7.1 有向圖和多重圖 225
7.1.1 存儲圖表數據 225
7.1.2 圖表展示 227
7.2 圖的聚集係數 235
7.3 社交網路分析 238
7.4 平面圖測試 240
7.5 有向無環圖測試 242
7.6 最大流量和最小切割 244
7.7 遺傳編程示例 245
7.8 隨機區組模型 247
7.9 總結 250
第8章 高級可視化 252
8.1 計算機模擬 253
8.1.1 Python的random包 253
8.1.2 SciPy的random函式 254
8.1.3 模擬示例 255
8.1.4 信號處理 258
8.1.5 動畫製作 261
8.1.6 利用HTML5進行可視化 263
8.1.7 Julia和Python有什麼區別 267
8.1.8 用D3.js進行可視化 267
8.1.9 儀錶盤 268
8.2 總結 269
附錄 繼續探索可視化 270

相關詞條

熱門詞條

聯絡我們