《Python數據科學指南》是2018年12月人民郵電出版社出版的圖書，作者是薩伯拉曼尼安。
基本介紹
- 中文名：Python數據科學指南
- 作者：薩伯拉曼尼安
- ISBN：9787115435101
- 頁數：380頁
- 定價：79元
- 出版社：人民郵電出版社
- 出版時間：2018年12月
- 裝幀：平裝
- 開本：16開
內容簡介,圖書目錄,
內容簡介
Python作為一種高 級程式設計語言，憑藉其簡潔、易讀及可擴展性日漸成為程式設計領域備受推崇的語言，並成為數據科學家的必讀之一。
本書詳細介紹了Python在數據科學中的套用，包括數據探索、數據分析與挖掘、機器學習、大規模機器學習等主題。每一章都為讀者提供了足夠的數學知識和代碼示例來理解不同深度的算法功能，幫助讀者更好地掌握各個知識點。
本書內容結構清晰，示例完整，無論是數據科學領域的新手，還是經驗豐富的數據科學家都將從中獲益。
圖書目錄
第 1章 Python在數據科學中的套用 1
1.1 簡介 2
1.2 使用字典對象 2
1.2.1 準備工作 2
1.2.2 操作方法 2
1.2.3 工作原理 3
1.2.4 更多內容 4
1.2.5 參考資料 6
1.3 使用字典的字典 6
1.3.1 準備工作 6
1.3.2 操作方法 6
1.3.3 工作原理 7
1.3.4 參考資料 7
1.4 使用元組 7
1.4.1 準備工作 7
1.4.2 操作方法 8
1.4.3 工作原理 9
1.4.4 更多內容 12
1.4.5 參考資料 12
1.5 使用集合 13
1.5.1 準備工作 13
1.5.2 操作方法 13
1.5.3 工作原理 14
1.5.4 更多內容 15
1.6 寫一個列表 16
1.6.1 準備工作 16
1.6.2 操作方法 16
1.6.3 工作原理 18
1.6.4 更多內容 19
1.7 從另一個列表創建列表——列表推導 20
1.7.1 準備工作 20
1.7.2 操作方法 20
1.7.3 工作原理 20
1.7.4 更多內容 21
1.8 使用疊代器 22
1.8.1 準備工作 22
1.8.2 操作方法 23
1.8.3 工作原理 23
1.8.4 更多內容 24
1.9 生成一個疊代器和生成器 24
1.9.1 準備工作 25
1.9.2 操作方法 25
1.9.3 工作原理 25
1.9.4 更多內容 25
1.10 使用可疊代對象 26
1.10.1 準備工作 26
1.10.2 操作方法 26
1.10.3 工作原理 27
1.10.4 參考資料 27
1.11 將函式作為變數傳遞 28
1.11.1 準備工作 28
1.11.2 操作方法 28
1.11.3 工作原理 28
1.12 在函式中嵌入函式 28
1.12.1 準備工作 29
1.12.2 操作方法 29
1.12.3 工作原理 29
1.13 將函式作為參數傳遞 29
1.13.1 準備工作 29
1.13.2 操作方法 29
1.13.3 工作原理 30
1.14 返回一個函式 30
1.14.1 準備工作 31
1.14.2 操作方法 31
1.14.3 工作原理 31
1.14.4 更多內容 32
1.15 使用裝飾器改變函式行為 32
1.15.1 準備工作 32
1.15.2 操作方法 32
1.15.3 工作原理 33
1.16 使用lambda創造匿名函式 34
1.16.1 準備工作 34
1.16.2 操作方法 35
1.16.3 工作原理 35
1.17 使用映射函式 35
1.17.1 準備工作 36
1.17.2 操作方法 36
1.17.3 工作原理 36
1.17.4 更多內容 36
1.18 使用過濾器 37
1.18.1 準備工作 37
1.18.2 操作方法 37
1.18.3 工作原理 38
1.19 使用zip和izip函式 38
1.19.1 準備工作 38
1.19.2 操作方法 38
1.19.3 工作原理 38
1.19.4 更多內容 39
1.19.5 參考資料 40
1.20 從表格數據使用數組 40
1.20.1 準備工作 40
1.20.2 操作方法 41
1.20.3 工作原理 41
1.20.4 更多內容 42
1.21 對列進行預處理 43
1.21.1 準備工作 44
1.21.2 操作方法 44
1.21.3 工作原理 45
1.21.4 更多內容 45
1.22 列表排序 46
1.22.1 準備工作 46
1.22.2 操作方法 46
1.22.3 工作原理 46
1.22.4 更多內容 47
1.23 採用鍵排序 47
1.23.1 準備工作 48
1.23.2 操作方法 48
1.23.3 工作原理 49
1.23.4 更多內容 49
1.24 使用itertools 52
1.24.1 準備工作 52
1.24.2 操作方法 52
1.24.3 工作原理 53
第 2章 Python環境 55
2.1 簡介 55
2.2 使用NumPy庫 55
2.2.1 準備工作 55
2.2.2 操作方法 56
2.2.3 工作原理 58
2.2.4 更多內容 64
2.2.5 參考資料 64
2.3 使用matplotlib進行繪畫 64
2.3.1 準備工作 64
2.3.2 操作方法 64
2.3.3 工作原理 66
2.3.4 更多內容 72
2.4 使用scikit-learn進行機器學習 73
2.4.1 準備工作 73
2.4.2 操作方法 73
2.4.3 工作原理 75
2.4.4 更多內容 81
2.4.5 參考資料 82
第3章 數據分析——探索與爭鳴 83
3.1 簡介 84
3.2 用圖表分析單變數數據 85
3.2.1 準備工作 85
3.2.2 操作方法 86
3.2.3 工作原理 87
3.2.4 參考資料 92
3.3 數據分組和使用點陣圖 92
3.3.1 準備工作 93
3.3.2 操作方法 93
3.3.3 工作原理 95
3.3.4 參考資料 97
3.4 為多變數數據繪製散點陣圖 97
3.4.1 準備工作 98
3.4.2 操作方法 98
3.4.3 工作原理 99
3.4.4 參考資料 100
3.5 使用熱圖 101
3.5.1 準備工作 101
3.5.2 操作方法 101
3.5.3 工作原理 102
3.5.4 更多內容 104
3.5.5 參考資料 105
3.6 實施概要統計及繪圖 105
3.6.1 準備工作 105
3.6.2 操作方法 106
3.6.3 工作原理 107
3.6.4 參考資料 110
3.7 使用箱須圖 110
3.7.1 準備工作 110
3.7.2 操作方法 110
3.7.3 工作原理 111
3.7.4 更多內容 112
3.8 修補數據 113
3.8.1 準備工作 113
3.8.2 操作方法 113
3.8.3 工作原理 114
3.8.4 更多內容 115
3.8.5 參考資料 116
3.9 實施隨機採樣 116
3.9.1 準備工作 116
3.9.2 操作方法 117
3.9.3 工作原理 117
3.9.4 更多內容 118
3.10 縮放數據 118
3.10.1 準備工作 118
3.10.2 操作方法 118
3.10.3 工作原理 119
3.10.4 更多內容 119
3.11 數據標準化 121
3.11.1 準備工作 121
3.11.2 操作方法 121
3.11.3 工作原理 122
3.11.4 更多內容 122
3.12 實施分詞化 123
3.12.1 準備工作 123
3.12.2 操作方法 123
3.12.3 工作原理 124
3.12.4 更多內容 125
3.12.5 參考資料 127
3.13 刪除停用詞 127
3.13.1 操作方法 128
3.13.2 工作原理 129
3.13.3 更多內容 130
3.13.4 參考資料 130
3.14 詞提取 130
3.14.1 準備工作 131
3.14.2 操作方法 132
3.14.3 工作原理 132
3.14.4 更多內容 133
3.14.5 參考資料 133
3.15 執行詞形還原 134
3.15.1 準備工作 134
3.15.2 操作方法 134
3.15.3 工作原理 135
3.15.4 更多內容 135
3.15.5 參考資料 135
3.16 詞袋模型表示文本 136
3.16.1 準備工作 136
3.16.2 操作方法 136
3.16.3 工作原理 138
3.16.4 更多內容 140
3.16.5 參考資料 141
3.17 計算詞頻和反文檔頻率 142
3.17.1 準備工作 142
3.17.2 操作方法 142
3.17.3 工作原理 144
3.17.4 更多內容 145
第4章 數據分析——深入理解 146
4.1 簡介 146
4.2 抽取主成分 147
4.2.1 準備工作 148
4.2.2 操作方法 149
4.2.3 工作原理 151
4.2.4 更多內容 152
4.2.5 參考資料 154
4.3 使用核PCA 154
4.3.1 準備工作 154
4.3.2 操作方法 154
4.3.3 工作原理 156
4.3.4 更多內容 159
4.4 使用奇異值分解抽取特徵 160
4.4.1 準備工作 161
4.4.2 操作方法 161
4.4.3 工作原理 162
4.4.4 更多內容 163
4.5 用隨機映射給數據降維 164
4.5.1 準備工作 164
4.5.2 操作方法 165
4.5.3 工作原理 166
4.5.4 更多內容 167
4.5.5 參考資料 168
4.6 用NMF分解特徵矩陣 168
4.6.1 準備工作 169
4.6.2 操作方法 170
4.6.3 工作原理 172
4.6.4 更多內容 175
4.6.5 參考資料 176
第5章 數據挖掘——海底撈針 177
5.1 簡介 177
5.2 使用距離度量 178
5.2.1 準備工作 178
5.2.2 操作方法 179
5.2.3 工作原理 180
5.2.4 更多內容 183
5.2.5 參考資料 184
5.3 學習和使用核方法 184
5.3.1 準備工作 184
5.3.2 操作方法 185
5.3.3 工作原理 186
5.3.4 更多內容 187
5.3.5 參考資料 187
5.4 用k-means進行數據聚類 188
5.4.1 準備工作 188
5.4.2 操作方法 190
5.4.3 工作原理 191
5.4.4 更多內容 192
5.4.5 參考資料 193
5.5 學習向量量化 193
5.5.1 準備工作 193
5.5.2 操作方法 194
5.5.3 工作原理 197
5.5.4 更多內容 199
5.5.5 參考資料 199
5.6 在單變數數據中找出異常點 200
5.6.1 準備工作 200
5.6.2 操作方法 202
5.6.3 工作原理 203
5.6.4 更多內容 205
5.6.5 參考資料 207
5.7 使用局部異常因子方法發現異常點 207
5.7.1 準備工作 207
5.7.2 操作方法 208
5.7.3 工作原理 210
5.7.4 更多內容 216
第6章 機器學習1 217
6.1 簡介 217
6.2 為建模準備數據 218
6.2.1 準備工作 218
6.2.2 操作方法 218
6.2.3 工作原理 221
6.2.4 更多內容 222
6.3 查找最近鄰 223
6.3.1 準備工作 224
6.3.2 操作方法 226
6.3.3 工作原理 227
6.3.4 更多內容 229
6.3.5 參考資料 230
6.4 用樸素貝葉斯分類文檔 230
6.4.1 準備工作 232
6.4.2 操作方法 232
6.4.3 工作原理 238
6.4.4 更多內容 242
6.4.5 參考資料 242
6.5 構建決策樹解決多類問題 243
6.5.1 準備工作 244
6.5.2 操作方法 247
6.5.3 工作原理 249
6.5.4 更多內容 251
6.5.5 參考資料 252
第7章 機器學習2 253
7.1 簡介 253
7.2 回歸方法預測實數值 254
7.2.1 準備工作 255
7.2.2 操作方法 256
7.2.3 工作原理 259
7.2.4 更多內容 263
7.2.5 參考資料 267
7.3 學習L2縮減回歸——嶺回歸 267
7.3.1 準備工作 268
7.3.2 操作方法 268
7.3.3 工作原理 271
7.3.4 更多內容 273
7.3.5 參考資料 276
7.4 學習L1縮減回歸——LASSO 276
7.4.1 準備工作 277
7.4.2 操作方法 277
7.4.3 工作原理 280
7.4.4 更多內容 283
7.4.5 參考資料 283
7.5 L1和L2縮減交叉驗證疊代 283
7.5.1 準備工作 284
7.5.2 操作方法 284
7.5.3 工作原理 288
7.5.4 更多內容 294
7.5.5 參考資料 295
第8章 集成方法 296
8.1 簡介 296
8.2 理解集成——掛袋法 297
8.2.1 準備工作 298
8.2.2 操作方法 298
8.2.3 工作原理 300
8.2.4 更多內容 304
8.2.5 參考資料 305
8.3 理解集成——提升法 305
8.3.1 準備工作 307
8.3.2 操作方法 307
8.3.3 工作原理 312
8.3.4 更多內容 319
8.3.5 參考資料 319
8.4 理解集成——梯度提升 320
8.4.1 準備工作 321
8.4.2 操作方法 321
8.4.3 工作原理 325
8.4.4 更多內容 330
8.4.5 參考資料 330
第9章 生長樹 331
9.1 簡介 331
9.2 從生長樹到生長森林——隨機森林 332
9.2.1 準備工作 333
9.2.2 操作方法 333
9.2.3 工作原理 336
9.2.4 更多內容 340
9.2.5 參考資料 342
9.3 生成超隨機樹 342
9.3.1 準備工作 343
9.3.2 操作方法 343
9.3.3 工作原理 345
9.3.4 更多內容 349
9.3.5 參考資料 349
9.4 生成旋轉森林 349
9.4.1 準備工作 350
9.4.2 操作方法 350
9.4.3 工作原理 353
9.4.4 更多內容 358
9.4.5 參考資料 358
第 10章 大規模機器學習——線上學習 359
10.1 簡介 359
10.2 用感知器作為線上學習算法 360
10.2.1 準備工作 361
10.2.2 操作方法 362
10.2.3 工作原理 363
10.2.4 更多內容 366
10.2.5 參考資料 367
10.3 用隨機梯度下降解決回歸問題 367
10.3.1 準備工作 369
10.3.2 操作方法 369
10.3.3 工作原理 370
10.3.4 更多內容 373
10.3.5 參考資料 375
10.4 用隨機梯度下降解決分類問題 375
10.4.1 準備工作 376
10.4.2 操作方法 376
10.4.3 工作原理 377
10.4.4 更多內容 379
10.4.5 參考資料 380
