《PYTHON数据分析 活用PANDAS库＝PANDAS FOR EVERYONE PYTHON DATA ANALYSIS》求取 ⇩

第一部分简介2

第1章Pandas DataFrame基础知识2

1.1 简介2

1.2 加载数据集3

1.3查看列、行和单元格5

1.3.1 获取列子集6

1.3.2 获取行子集7

1.3.3 混合11

1.4分组和聚合计算16

1.4.1 分组方式17

1.4.2 分组频率计数21

1.5 基本绘图21

1.6 小结22

第2章Pandas数据结构23

2.1 简介23

2.2创建数据24

2.2.1 创建Series24

2.2.2 创建DataFrame25

2.3Series26

2.3.1 类似于ndarray的Series27

2.3.2 布尔子集：Series29

2.3.3 操作自动对齐和向量化（广播）31

2.4DataFrame34

2.4.1 布尔子集：DataFrame34

2.4.2 操作自动对齐和向量化（广播）35

2.5更改Series和DataFrame36

2.5.1 添加列36

2.5.2 直接更改列37

2.5.3 删除值39

2.6导出和导入数据40

2.6.1 保存数据40

2.6.2 CSV42

2.6.3 Excel42

2.6.4 feather文件格式43

2.6.5 其他数据输出格式43

2.7 小结44

第3章绘图入门45

3.1 简介45

3.2 matplotlib46

3.3使用matplotlib绘制统计图51

3.3.1 单变量52

3.3.2 双变量53

3.3.3 多变量数据54

3.4seabom56

3.4.1 单变量56

3.4.2 双变量数据59

3.4.3 多变量数据67

3.5Pandas对象75

3.5.1 直方图75

3.5.2 密度图76

3.5.3 散点图77

3.5.4 蜂巢图77

3.5.5 箱线图79

3.6 seabom主题和样式79

3.7 小结81

第二部分数据处理84

第4章数据组合84

4.1 简介84

4.2 整理数据84

4.3连接85

4.3.1 添加行85

4.3.2 添加列89

4.3.3 不同索引下的连接操作90

4.4合并多个数据集93

4.4.1 一对一合并94

4.4.2 多对一合并95

4.4.3 多对多合并95

4.5 小结97

第5章缺失数据98

5.1 简介98

5.2 何为NaN值98

5.3缺失值从何而来100

5.3.1 加载数据100

5.3.2 合并数据101

5.3.3 用户输入值103

5.3.4 重建索引103

5.4处理缺失数据105

5.4.1 查找和统计缺失数据105

5.4.2 清理缺失数据106

5.4.3 缺失值计算109

5.5 小结110

第6章整理数据111

6.1 简介111

6.2包含值而非变量的列112

6.2.1 固定一列112

6.2.2 固定多列114

6.3包含多个变量的列115

6.3.1 单独拆分和添加列（简单方法）116

6.3.2 在单个步骤中进行拆分和组合（简单方法）118

6.3.3 在单个步骤中进行拆分和组合（复杂方法）118

6.4 行与列中的变量119

6.5 一张表中的多个观测单元（归一化）121

6.6跨多张表的观测单元123

6.6.1 使用循环加载多个文件125

6.6.2 使用列表推导加载多个文件126

6.7 小结127

第三部分数据整理130

第7章数据类型130

7.1 简介130

7.2 数据类型130

7.3类型转换131

7.3.1 转换为字符串对象131

7.3.2 转换为数值类型132

7.4分类数据136

7.4.1 转换为category类型137

7.4.2 操作分类数据137

7.5 小结138

第8章字符串和文本数据139

8.1 简介139

8.2字符串139

8.2.1 取子串和字符串切片139

8.2.2 获取字符串的最后一个字符141

8.3 字符串方法143

8.4更多字符串方法144

8.4.1 join方法144

8.4.2 splitlines方法144

8.5字符串格式化145

8.5.1 自定义字符串格式146

8.5.2 格式化字符串146

8.5.3 格式化数字146

8.5.4 C printf格式化风格147

8.5.5 Python 3.6＋中的格式化字符串148

8.6正则表达式148

8.6.1 匹配模式149

8.6.2 查找模式152

8.6.3 模式替代152

8.6.4 编译模式153

8.7 regex库154

8.8 小结154

第9章应用155

9.1 简介155

9.2 函数155

9.3使用函数156

9.3.1 Series的apply方法157

9.3.2 DataFrame的apply方法158

9.4apply高级用法160

9.4.1 按列应用162

9.4.2 按行应用164

9.5向量化函数166

9.5.1 使用NumPy167

9.5.2 使用numba168

9.6 lambda函数168

9.7 小结170

第10章分组操作：分割-应用-组合171

10.1 简介171

10.2聚合171

10.2.1 基本的单变量分组聚合172

10.2.2 Pandas内置的聚合方法173

10.2.3 聚合函数174

10.2.4 同时传入多个函数176

10.2.5 在agg/aggregate中使用字典177

10.3 转换178

10.4 过滤器182

10.5pandas.core.groupby.DataFrameGroupBy对象183

10.5.1 分组183

10.5.2 涉及多个变量的分组计算184

10.5.3 选择分组184

10.5.4 遍历分组184

10.5.5 多个分组186

10.5.6 平铺结果187

10.6 使用多级索引188

10.7 小结191

第11章datetime数据类型192

11.1 简介192

11.2 Python的datetime对象192

11.3 转换为datetime193

11.4 加载包含日期的数据196

11.5 提取日期的各个部分196

11.6 日期运算和Timedelta198

11.7 datetime方法200

11.8 获取股票数据202

11.9基于日期取数据子集203

11.9.1 DatetimeIndex对象203

11.9.2 TimedeltaIndex对象204

11.10日期范围205

11.10.1 频率206

11.10.2 偏移量207

11.11 移动207

11.12 重采样213

11.13 时区214

11.14 小结215

第四部分数据建模218

第12章线性模型218

12.1 简介218

12.2简单线性回归218

12.2.1 使用统计模型库218

12.2.2 使用sklearn库220

12.3多元回归222

12.3.1 使用statsmodels库222

12.3.2 使用statsmodels和分类变量222

12.3.3 使用sklearn库224

12.3.4 使用sklearn和分类变量225

12.4 保留sklearn的索引标签226

12.5 小结226

第13章广义线性模型227

13.1 简介227

13.2逻辑回归227

13.2.1 使用statsmodels229

13.2.2 使用sklearn230

13.3泊松回归232

13.3.1 使用statsmodels232

13.3.2 负二项回归233

13.4 更多GLM234

13.5 生存分析235

13.6 小结238

第14章模型诊断239

14.1 简介239

14.2 残差239

14.3比较多个模型243

14.3.1 比较线性模型243

14.3.2 比较GLM246

14.4 k折交叉验证248

14.5 小结251

第15章正则化252

15.1 简介252

15.2 何为正则化252

15.3 LASSO回归254

15.4 岭回归255

15.5 弹性网256

15.6 交叉验证258

15.7 小结260

第16章聚类261

16.1 简介261

16.2 k均值聚类261

16.3层次聚类267

16.3.1 最长距离法267

16.3.2 最短距离法267

16.3.3 平均距离法268

16.3.4 重心法268

16.3.5 手动设置阈值269

16.4 小结270

第五部分终章272

第17章Pandas之外272

17.1 科学计算栈272

17.2性能272

17.2.1 测试代码运行时间272

17.2.2 分析代码274

17.3 规模更大、速度更快274

第18章写给自学者275

18.1 不可闭门造车275

18.2 本地聚会275

18.3 参加会议275

18.4 互联网276

18.5 播客276

18.6 小结276

第六部分附录278

附录A 安装278

附录B 命令行280

附录C 项目模板282

附录D Python代码编写工具283

附录E 工作目录285

附录F 环境287

附录G 安装包289

附录H 导入库291

附录I 列表293

附录J 元组294

附录K 字典295

附录L 切片297

附录M 循环299

附录N 推导式300

附录O 函数301

附录P 范围和生成器305

附录Q 多重赋值307

附录R NumPy ndarray309

附录S 类311

附录T 变形器odo313