未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏

拍卖

拍卖交易我的竞拍收藏

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 8:00-21:00

纠纷处理 9:00-21:00

图书审核 9:00-18:00

监督与建议

请选择

手机孔网

Jupyter数据科学实战

作者: [印] 普拉泰克·古普塔（Prateek Gupta）著 , 王珮瑶译

出版社: 人民邮电出版社

出版时间: 2020-11

版次: 1

ISBN: 9787115544391

定价: 79.00

装帧: 平装

开本: 16开

纸张: 胶版纸

页数: 254页

分类: 计算机与互联网

4人买过

本书旨在成为读者进入数据科学领域的指南。全书共20章，涵盖了数据科学及其应用的各个方面，引入经典数据集将理论与实践相结合，采用Jupyter等工具，以Python语言由浅入深地介绍了数据科学及相关学科的基本概念、数据预处理、机器学习及时间序列等内容，并提供了不同的案例研究，以达到学以致用的效果。通过阅读本书，读者将获得成为一名数据科学家所需的基本知识和技能。

本书适合有Python或其他编程语言基础，并对数据科学感兴趣的人员阅读。普拉泰克·古普塔（Prateek Gupta）是一位有着超过6年工作经验的数据科学专业人士，曾在HCL、Zensar和Sapient等多家跨国IT巨头就职，其专业领域主要是寻找模式、运用先进统计方法和算法揭示隐藏的规律，力争最大限度地提高企业收入和盈利能力，并确保高效的运营管理。

他是一位具有主观能动性并且在电子商务领域颇有建树的忠实数据爱好者，还凭借自己在商品自动分类、情感分析、客户细分和推荐引擎方面的机器学习专业知识帮助了NTUC Singapore和Times Group India等多个客户。他秉持着这一理念：“当天才放弃努力时，勤奋将超越天赋”。

他感兴趣的是有关机器学习和自然语言处理在各个行业的应用的前沿研究领域。闲暇时，他喜欢通过自己的博客分享知识，并激励年轻人进入令人兴奋的数据科学世界。第 1章数据科学基本概念 1

1．1 数据的概念 2

1．1．1 结构化数据 2

1．1．2 非结构化数据 2

1．1．3 半结构化数据 3

1．2 数据科学的定义 3

1．3 数据科学家的工作 4

1．4 数据科学应用实例 5

1．5 为何Python适合数据科学 6

1．6 小结 7

第 2章软件安装与配置 8

2．1 系统要求 9

2．2 下载Anaconda 9

2．3 在Windows系统上安装Anaconda 10

2．4 在Linux系统上安装Anaconda 11

2．5 如何在Anaconda中安装新的Python库 13

2．6 打开笔记本―Jupyter 14

2．7 了解笔记本 15

2．8 小结 19

第3章列表与字典 20

3．1 什么是列表 21

3．2 如何创建列表 21

3．3 列表的不同操作 22

3．4 列表与数组的差异 25

3．5 什么是字典 26

3．6 如何创建字典 26

3．7 字典的相关操作 26

3．8 小结 28

第4章函数与包 29

4．1 Python的Help()函数 30

4．2 如何导入Python包 30

4．3 如何创建并调用函数 31

4．4 在函数中传递参数 31

4．5 函数的默认参数 32

4．6 如何在函数中使用未知参数 32

4．7 函数的全局与本地变量 33

4．8 Lambda函数 35

4．9 了解Python中的main方法 35

4．10 小结 38

第5章 NumPy基本概念 39

5．1 导入NumPy包 39

5．2 为何NumPy数组优于列表 40

5．3 NumPy数组属性 41

5．4 创建NumPy数组 41

5．5 访问NumPy数组中的元素 43

5．6 NumPy数组的切片 44

5．7 数组连接 46

5．8 小结 47

第6章 Pandas和数据帧 48

6．1 导入Pandas 48

6．2 Pandas数据结构 49

6．3 ．loc[]和．iloc[] 54

6．4 一些有用的数据帧函数 55

6．5 处理数据帧中的缺失值 57

6．6 小结 60

第7章与数据库交互 61

7．1 SQLAlchemy 62

7．2 安装SQLAlchemy包 62

7．3 如何使用SQLAlchemy 63

7．4 SQLAlchemy引擎配置 64

7．5 在数据库中新建表 65

7．6 在表中插入数据 66

7．7 更新记录 67

7．8 如何合并表格 68

7．8．1 内连接 68

7．8．2 左连接 69

7．8．3 右连接 70

7．9 小结 70

第8章数据科学中的统计思维 71

8．1 数据科学中的统计学 72

8．2 统计数据/变量的类型 72

8．3 平均数、中位数和众数 73

8．4 概率的基本概念 74

8．5 统计分布 75

8．6 Pearson相关系数 77

8．7 概率密度函数 78

8．8 真实案例 79

8．9 统计推断与假设检验 79

8．10 小结 86

第9章如何在Python中导入数据 87

9．1 导入TXT数据 88

9．2 导入CSV数据 89

9．3 导入Excel数据 90

9．4 导入JSON数据 90

9．5 导入腌制数据 91

9．6 导入压缩数据 91

9．7 小结 92

第 10章清洗导入的数据 93

10．1 了解数据 94

10．2 分析缺失值 95

10．3 丢弃缺失值 97

10．4 自动填充缺失值 98

10．5 如何缩放和归一化数据 99

10．6 如何解析日期 102

10．7 如何应用字符编码 104

10．8 清洗不一致的数据 105

10．9 小结 106

第 11章数据可视化 107

11．1 条形图 108

11．2 折线图 109

11．3 直方图 110

11．4 散点图 111

11．5 堆积图 111

11．6 箱线图 113

11．7 小结 115

第 12章数据预处理 116

12．1 关于案例研究 116

12．2 导入数据集 117

12．3 探索性数据分析 118

12．4 数据清洗与预处理 122

12．5 特征工程 124

12．6 小结 129

第 13章监督式机器学习 130

13．1 常见的机器学习术语 131

13．2 机器学习导论 132

13．3 常用机器学习算法列述 133

13．4 监督式机器学习基础 134

13．5 解决分类机器学习问题 136

13．6 为何要进行训练/测试拆分和交叉验证 140

13．7 解决回归机器学习问题 144

13．8 如何调整机器学习模型 152

13．9 如何处理sklearn中的分类变量 154

13．10 处理缺失数据的高级技术 155

13．11 小结 158

第 14章无监督式机器学习 159

14．1 为何选择无监督式机器学习 160

14．2 无监督式机器学习技术 160

14．2．1 聚类 161

14．2．2 主成分分析 169

14．3 案例研究 172

14．4 验证无监督式机器学习 178

14．5 小结 179

第 15章处理时间序列数据 180

15．1 为何时间序列重要 181

15．2 如何处理日期和时间 181

15．3 转换时间序列数据 184

15．4 操作时间序列数据 187

15．5 比较时间序列的增长率 189

15．6 如何改变时间序列频率 192

15．7 小结 198

第 16章时间序列法 199

16．1 时间序列预测的定义 200

16．2 预测的基本步骤 200

16．3 时间序列预测的技术 201

16．3．1 自回归 201

16．3．2 移动平均 202

16．3．3 自回归移动平均 203

16．3．4 自回归积分移动平均 203

16．3．5 季节性自回归积分移动平均 204

16．3．6 季节性自回归积分移动平均与外生回归因子 205

16．3．7 向量自回归移动平均 205

16．3．8 Holt-Winters指数平滑 206

16．4 预测网页的未来流量 207

16．5 小结 214

第 17章案例研究1 215

第 18章案例研究2 230

第 19章案例研究3 239

第 20章案例研究4 247
内容简介:
本书旨在成为读者进入数据科学领域的指南。全书共20章，涵盖了数据科学及其应用的各个方面，引入经典数据集将理论与实践相结合，采用Jupyter等工具，以Python语言由浅入深地介绍了数据科学及相关学科的基本概念、数据预处理、机器学习及时间序列等内容，并提供了不同的案例研究，以达到学以致用的效果。通过阅读本书，读者将获得成为一名数据科学家所需的基本知识和技能。

本书适合有Python或其他编程语言基础，并对数据科学感兴趣的人员阅读。
作者简介:
普拉泰克·古普塔（Prateek Gupta）是一位有着超过6年工作经验的数据科学专业人士，曾在HCL、Zensar和Sapient等多家跨国IT巨头就职，其专业领域主要是寻找模式、运用先进统计方法和算法揭示隐藏的规律，力争最大限度地提高企业收入和盈利能力，并确保高效的运营管理。

他是一位具有主观能动性并且在电子商务领域颇有建树的忠实数据爱好者，还凭借自己在商品自动分类、情感分析、客户细分和推荐引擎方面的机器学习专业知识帮助了NTUC Singapore和Times Group India等多个客户。他秉持着这一理念：“当天才放弃努力时，勤奋将超越天赋”。

他感兴趣的是有关机器学习和自然语言处理在各个行业的应用的前沿研究领域。闲暇时，他喜欢通过自己的博客分享知识，并激励年轻人进入令人兴奋的数据科学世界。
目录:
第 1章数据科学基本概念 1

1．1 数据的概念 2

1．1．1 结构化数据 2

1．1．2 非结构化数据 2

1．1．3 半结构化数据 3

1．2 数据科学的定义 3

1．3 数据科学家的工作 4

1．4 数据科学应用实例 5

1．5 为何Python适合数据科学 6

1．6 小结 7

第 2章软件安装与配置 8

2．1 系统要求 9

2．2 下载Anaconda 9

2．3 在Windows系统上安装Anaconda 10

2．4 在Linux系统上安装Anaconda 11

2．5 如何在Anaconda中安装新的Python库 13

2．6 打开笔记本―Jupyter 14

2．7 了解笔记本 15

2．8 小结 19

第3章列表与字典 20

3．1 什么是列表 21

3．2 如何创建列表 21

3．3 列表的不同操作 22

3．4 列表与数组的差异 25

3．5 什么是字典 26

3．6 如何创建字典 26

3．7 字典的相关操作 26

3．8 小结 28

第4章函数与包 29

4．1 Python的Help()函数 30

4．2 如何导入Python包 30

4．3 如何创建并调用函数 31

4．4 在函数中传递参数 31

4．5 函数的默认参数 32

4．6 如何在函数中使用未知参数 32

4．7 函数的全局与本地变量 33

4．8 Lambda函数 35

4．9 了解Python中的main方法 35

4．10 小结 38

第5章 NumPy基本概念 39

5．1 导入NumPy包 39

5．2 为何NumPy数组优于列表 40

5．3 NumPy数组属性 41

5．4 创建NumPy数组 41

5．5 访问NumPy数组中的元素 43

5．6 NumPy数组的切片 44

5．7 数组连接 46

5．8 小结 47

第6章 Pandas和数据帧 48

6．1 导入Pandas 48

6．2 Pandas数据结构 49

6．3 ．loc[]和．iloc[] 54

6．4 一些有用的数据帧函数 55

6．5 处理数据帧中的缺失值 57

6．6 小结 60

第7章与数据库交互 61

7．1 SQLAlchemy 62

7．2 安装SQLAlchemy包 62

7．3 如何使用SQLAlchemy 63

7．4 SQLAlchemy引擎配置 64

7．5 在数据库中新建表 65

7．6 在表中插入数据 66

7．7 更新记录 67

7．8 如何合并表格 68

7．8．1 内连接 68

7．8．2 左连接 69

7．8．3 右连接 70

7．9 小结 70

第8章数据科学中的统计思维 71

8．1 数据科学中的统计学 72

8．2 统计数据/变量的类型 72

8．3 平均数、中位数和众数 73

8．4 概率的基本概念 74

8．5 统计分布 75

8．6 Pearson相关系数 77

8．7 概率密度函数 78

8．8 真实案例 79

8．9 统计推断与假设检验 79

8．10 小结 86

第9章如何在Python中导入数据 87

9．1 导入TXT数据 88

9．2 导入CSV数据 89

9．3 导入Excel数据 90

9．4 导入JSON数据 90

9．5 导入腌制数据 91

9．6 导入压缩数据 91

9．7 小结 92

第 10章清洗导入的数据 93

10．1 了解数据 94

10．2 分析缺失值 95

10．3 丢弃缺失值 97

10．4 自动填充缺失值 98

10．5 如何缩放和归一化数据 99

10．6 如何解析日期 102

10．7 如何应用字符编码 104

10．8 清洗不一致的数据 105

10．9 小结 106

第 11章数据可视化 107

11．1 条形图 108

11．2 折线图 109

11．3 直方图 110

11．4 散点图 111

11．5 堆积图 111

11．6 箱线图 113

11．7 小结 115

第 12章数据预处理 116

12．1 关于案例研究 116

12．2 导入数据集 117

12．3 探索性数据分析 118

12．4 数据清洗与预处理 122

12．5 特征工程 124

12．6 小结 129

第 13章监督式机器学习 130

13．1 常见的机器学习术语 131

13．2 机器学习导论 132

13．3 常用机器学习算法列述 133

13．4 监督式机器学习基础 134

13．5 解决分类机器学习问题 136

13．6 为何要进行训练/测试拆分和交叉验证 140

13．7 解决回归机器学习问题 144

13．8 如何调整机器学习模型 152

13．9 如何处理sklearn中的分类变量 154

13．10 处理缺失数据的高级技术 155

13．11 小结 158

第 14章无监督式机器学习 159

14．1 为何选择无监督式机器学习 160

14．2 无监督式机器学习技术 160

14．2．1 聚类 161

14．2．2 主成分分析 169

14．3 案例研究 172

14．4 验证无监督式机器学习 178

14．5 小结 179

第 15章处理时间序列数据 180

15．1 为何时间序列重要 181

15．2 如何处理日期和时间 181

15．3 转换时间序列数据 184

15．4 操作时间序列数据 187

15．5 比较时间序列的增长率 189

15．6 如何改变时间序列频率 192

15．7 小结 198

第 16章时间序列法 199

16．1 时间序列预测的定义 200

16．2 预测的基本步骤 200

16．3 时间序列预测的技术 201

16．3．1 自回归 201

16．3．2 移动平均 202

16．3．3 自回归移动平均 203

16．3．4 自回归积分移动平均 203

16．3．5 季节性自回归积分移动平均 204

16．3．6 季节性自回归积分移动平均与外生回归因子 205

16．3．7 向量自回归移动平均 205

16．3．8 Holt-Winters指数平滑 206

16．4 预测网页的未来流量 207

16．5 小结 214

第 17章案例研究1 215

第 18章案例研究2 230

第 19章案例研究3 239

第 20章案例研究4 247

查看详情

Jupyter数据科学实战

内容简介:

作者简介:

目录: