獲取使用Python操作、處理、清理和處理數據集的權威手冊。對于Python 3.10和pandas 1.4的更新，這個實踐指南的第三版包含了實踐案例研究，向您展示如何有效地解決大量數據分析問題。在此過程中，您將了解最新版本的pandas、NumPy和Jupyter。
本書涉及Python中操作、處理、清理和處理數據的具體細節。我的目標是為Python編程語言的各個部分及其面向數據的庫生態系統和工具提供指導，幫助您成為一名有效的數據分析師。雖然“數據分析”在這本書的標題中，但重點是Python編程、庫和工具，而不是數據分析方法。這是數據分析所需的Python編程。
在我2012年最初出版這本書之后的某個時候，人們開始用數據科學這個術語來概括從簡單的描述性統計到更高級的統計分析和機器學習的一切。從那時起，用于進行數據分析(或數據科學)的Python開源生態系統也得到了顯著的擴展。現在有很多其他的書專門關注這些更高級的方法。我希望本書能夠為您提供充分的準備，使您能夠轉向更具體的領域資源。
目錄內容：
Preface * Preliminaries * Python Language Basics, IPython, and Jupyter Notebooks * Built-In Data Structures, Functions, and Files * NumPy Basics: Arrays and Vectorized Computation * Getting Started with pandas * Data Loading, Storage, and File Formats * Data Cleaning and Preparation * Data Wrangling: Join, Combine, and Reshape * Plotting and Visualization
Data Aggregation and Group Operations* Time Series * Introduction to Modeling Libraries in Python * Data Analysis Examples * Advanced NumPy * More on the IPython System * Index * About the Author
付費5元查看完整內容
相關內容
獲取關于在Python中操作、處理、清理和處理數據集的完整說明。本實用指南的第二版針對Python 3.6進行了更新，包含了大量的實際案例研究，向您展示了如何有效地解決廣泛的數據分析問題。在這個過程中，您將學習最新版本的pandas、NumPy、IPython和Jupyter。 本書由Wes McKinney (Python pandas項目的創建者)撰寫，是一本實用的、現代的Python數據科學工具介紹書。它非常適合剛接觸Python的分析師和剛接觸數據科學和科學計算的Python程序員。數據文件和相關材料可在GitHub上獲得。
使用IPython shell和Jupyter筆記本進行探索性計算 * 學習NumPy (Numerical Python)的基本和高級特性 * 開始使用pandas庫中的數據分析工具 * 使用靈活的工具來加載、清理、轉換、合并和重塑數據 * 使用matplotlib創建信息可視化 * 應用pandas groupby工具對數據集進行切片、切丁和匯總 * 分析和操作規則和不規則時間序列數據 * 了解如何通過全面、詳細的示例解決真實世界的數據分析問題
獲取使用Python操作、處理、清理和處理數據集的權威手冊。對于Python 3.10和pandas 1.4的更新，這個實踐指南的第三版包含了實踐案例研究，向您展示如何有效地解決大量數據分析問題。在此過程中，您將了解最新版本的pandas、NumPy和Jupyter。
本書涉及Python中操作、處理、清理和處理數據的具體細節。我的目標是為Python編程語言的各個部分及其面向數據的庫生態系統和工具提供指導，幫助您成為一名有效的數據分析師。雖然“數據分析”在這本書的標題中，但重點是Python編程、庫和工具，而不是數據分析方法。這是數據分析所需的Python編程。
在我2012年最初出版這本書之后的某個時候，人們開始用數據科學這個術語來概括從簡單的描述性統計到更高級的統計分析和機器學習的一切。從那時起，用于進行數據分析(或數據科學)的Python開源生態系統也得到了顯著的擴展。現在有很多其他的書專門關注這些更高級的方法。我希望本書能夠為您提供充分的準備，使您能夠轉向更具體的領域資源。
目錄內容：
Preface * Preliminaries * Python Language Basics, IPython, and Jupyter Notebooks * Built-In Data Structures, Functions, and Files * NumPy Basics: Arrays and Vectorized Computation * Getting Started with pandas * Data Loading, Storage, and File Formats * Data Cleaning and Preparation * Data Wrangling: Join, Combine, and Reshape * Plotting and Visualization
Data Aggregation and Group Operations* Time Series * Introduction to Modeling Libraries in Python * Data Analysis Examples * Advanced NumPy * More on the IPython System * Index * About the Author
付費5元查看完整內容
Python是訪問、操作和從各種數據中獲得見解的理想選擇。Python for Data Science通過根植于實際示例和實踐活動的邊做邊學的方法向您介紹Python的數據分析世界。您將學習如何編寫Python代碼來獲取、轉換和分析數據，為業務管理、市場營銷和決策支持中的用例實踐最先進的數據處理技術。
您將發現Python豐富的用于基本操作的內置數據結構集，以及用于數據科學的魯棒的開源庫生態系統，包括NumPy、pandas、scikit-learn、matplotlib等。這些示例展示了如何以各種格式加載數據，如何簡化、分組和聚合數據集，以及如何創建圖表、地圖和其他可視化功能。后面的章節將深入展示真實世界的數據應用，包括使用位置數據來推動出租車服務，市場籃子分析來識別共同購買的商品，以及機器學習來預測股票價格。
Introduction
**Chapter 1: **The Basics of Data Chapter 2: Python Data Structures **Chapter 3: **Python Data Science Libraries Chapter 4: Accessing Data from Files and APIs Chapter 5: Working with Databases **Chapter 6: **Aggregating Data Chapter 7: Combining Datasets **Chapter 8: **Creating Visualizations **Chapter 9: **Analyzing Location Data Chapter 10: Analyzing Time Series Data Chapter 11: Gaining Insights from Data Chapter 12: Machine Learning for Data Analysis
付費5元查看完整內容
Python是訪問、操作和從各種數據中獲得見解的理想選擇。Python for Data Science通過根植于實際示例和實踐活動的邊做邊學的方法向您介紹Python的數據分析世界。您將學習如何編寫Python代碼來獲取、轉換和分析數據，為業務管理、市場營銷和決策支持中的用例實踐最先進的數據處理技術。
您將發現Python豐富的用于基本操作的內置數據結構集，以及用于數據科學的健壯的開源庫生態系統，包括NumPy、pandas、scikit-learn、matplotlib等。這些示例展示了如何以各種格式加載數據，如何簡化、分組和聚合數據集，以及如何創建圖表、地圖和其他可視化功能。后面的章節將深入展示真實世界的數據應用，包括使用位置數據為出租車服務提供動力，市場籃子分析來識別共同購買的商品，以及機器學習來預測股票價格。
這本書從數據處理和分析的概念介紹開始，解釋一個典型的數據處理管道。然后，我們將介紹Python的內置數據結構和一些廣泛用于數據科學應用程序的第三方Python庫。接下來，我們將探討用于獲取、組合、聚合、分組、分析和可視化不同大小和數據類型的數據集的日益復雜的技術。隨著本書的深入，我們將把Python數據科學技術應用到商業管理、市場營銷和金融領域的實際用例中。每一章都包含“練習”部分，這樣你就可以練習和鞏固你剛剛學到的知識。
第一章: 數據的基礎知識為理解使用數據的基本要素提供了必要的背景知識。您將了解到數據有不同的類別，包括結構化、非結構化和半結構化數據。然后，您將了解典型數據分析過程中涉及的步驟。
第二章:Python數據結構介紹Python內置的四種數據結構:列表、字典、元組和集合。您將看到如何使用每個結構，以及如何將它們組合成更復雜的結構，可以表示現實世界的對象。
第三章:Python數據科學庫討論了Python健壯的第三方數據分析和操作庫生態系統。您將看到pandas庫及其主要數據結構Series和DataFrame，它們已經成為面向數據的Python應用程序的實際標準。您還將了解NumPy和scikit-learn，這兩個庫通常用于數據科學。
第四章:從文件和api訪問數據深入了解獲取數據并將其加載到腳本中的細節。您將學習如何將不同來源的數據(如文件和api)加載到Python腳本中的數據結構中，以便進行進一步處理。
第五章:使用數據庫繼續討論將數據導入Python，涵蓋了如何使用數據庫數據。您將看到訪問和操作存儲在不同類型數據庫中的數據的示例，包括關系數據庫(如MySQL)和NoSQL數據庫(如MongoDB)。 第六章:聚合數據通過對數據進行分組并進行聚合計算來解決匯總數據的問題。您將學習使用pandas對數據進行分組，并生成小計、總計和其他聚合。 第七章:結合數據集介紹了如何將來自不同數據源的數據組合為一個單獨的數據集。您將學習SQL開發人員用于連接數據庫表的技術，并將它們應用于內置的Python數據結構、NumPy數組和pandas DataFrames。 第八章:創建可視化討論可視化是最自然的方式揭露隱藏的數據中的模式。您將了解不同類型的可視化，如線形圖、條形圖和直方圖，并將了解如何使用用于繪圖的主要Python庫Matplotlib創建它們。您還將使用Cartopy庫來生成映射。 第九章:分析位置數據解釋如何使用geopy和Shapely庫處理位置數據。您將學習獲取和使用靜止和移動物體的GPS坐標的方法，并將探索拼車服務如何為給定的皮卡識別最佳汽車的現實世界示例。 第十章:分析時間序列數據提出了一些分析技術可以應用于時間序列數據中提取有意義的數據。特別地，本章中的例子說明了時間序列數據分析如何應用于股票市場數據。 第十一章:從數據中獲得洞察力探討了從數據中獲得洞察力的策略，以便做出明智的決定。例如，您將學習如何發現超市中銷售的產品之間的關聯，從而確定在一次交易中經常一起購買的商品組(對推薦和促銷有用)。 第十二章:機器學習數據分析涵蓋了使用scikitlearn先進的數據分析任務。您將訓練機器學習模型，根據產品的星級評級對產品評論進行分類，并預測股票價格的趨勢。
付費5元查看完整內容
你們已經學過了一些基本的統計學知識。均值、中位數和標準差都很熟悉。你知道調查和實驗，以及相關和簡單回歸的基本概念。你已經學習了概率，誤差范圍，一些假設檢驗和置信區間。你準備好為你的統計工具箱裝載新的工具了嗎?Statistics II For Dummies, 2nd Edition，拾取了Statistics For Dummies, 2nd Edition， (John Wiley & Sons)的右邊，并保持你沿著統計學的想法和技術的道路，以積極的，一步一步的方式。《傻瓜統計II》第二版的重點是尋找更多分析數據的方法。我會一步一步地說明如何使用一些技術，如多元回歸、非線性回歸、單向和雙向方差分析(ANOVA)和卡方檢驗，我還會給你一些使用大數據集的練習，這是現在非常流行的。使用這些新技術，您可以根據手頭的信息估計、調查、關聯和聚集更多的變量，并看到如何將這些工具組合在一起，創建一個關于您的數據的偉大故事(我希望是非虛構的!)。
//www.wiley.com/en-ag/Statistics+II+For+Dummies,+2nd+Edition-p-9781119827399
這本書是為那些已經通過置信區間和假設檢驗完成統計學的基本概念的人設計的(在《傻瓜統計學》第二版中找到)，他們已經準備好了通過Stats I的最后部分，或者解決Stats II的問題。不過，我還是會根據需要對Stats進行一些簡要概述，以提醒您所涵蓋的內容，并確保您了解最新情況。對于每一項新技術，您都可以從經驗豐富的數據分析師(真正屬于您的)那里獲得關于何時以及為何使用它的概述，如何知道何時需要它，如何應用它的逐步指導，以及提示和技巧。因為知道何時使用哪種方法是非常重要的，我強調是什么使每一種技術不同，以及結果告訴你什么。您還將看到這些技術在現實生活中的許多應用。
付費5元查看完整內容
本書通過使用Python的案例研究來探索數據分析和統計的基礎知識。這本書將向你展示如何自信地用Python編寫代碼，以及如何使用各種Python庫和函數來分析任何數據集。該代碼在Jupyter 筆記本中提出，可以進一步調整和擴展。
這本書分為三個部分——用Python編程，數據分析和可視化，以及統計。首先介紹Python——語法、函數、條件語句、數據類型和不同類型的容器。然后，您將回顧更高級的概念，如正則表達式、文件處理和用Python解決數學問題。
本書的第二部分將介紹用于數據分析的Python庫。將有一個介紹性的章節涵蓋基本概念和術語，和一個章節的NumPy(科學計算庫)，NumPy(數據角力庫)和可視化庫，如Matplotlib和Seaborn。案例研究將包括作為例子，以幫助讀者理解一些實際應用的數據分析。
本書的最后幾章集中在統計學上，闡明了與數據科學相關的統計學的重要原則。這些主題包括概率、貝葉斯定理、排列和組合、假設檢驗(方差分析、卡方檢驗、z檢驗和t檢驗)，以及Scipy庫如何簡化涉及統計的繁瑣計算。
你會: 進一步提高你的Python編程和分析技能 用Python解決微積分、集合論和代數中的數學問題 使用Python中的各種庫來結構化、分析和可視化數據 使用Python進行實際案例研究 回顧基本的統計概念，并使用Scipy庫來解決統計方面的問題
付費5元查看完整內容
這里有一本關于世界上最流行的編程語言的全面和最新的指南!無論您是新手還是專家，您都將找到使用c++ 20最新特性所需要的東西。作為編程語言的主力，c++為您提供了對數據使用、接口和資源分配的最大控制。如果你的工作涉及數據，精通c++意味著你是不可或缺的!
這個版本給了你8本書合在一本中完全掌握c++。在本書中，國際知名專家John Paul Mueller將帶您從使用對象和類的基礎知識，到編寫使用通常與c++不相關的范例的應用程序，例如那些用于函數式編程策略的范例。該書還包括在線資源，如源代碼。您將了解如何使用c++ GNU編譯器來構建應用程序，甚至如何使用您的移動設備進行編碼。
掌握高級編程和故障排除 用lambda表達式簡化代碼 在你需要的地方使用c++:游戲、企業應用程序和Web服務 揭開對象的秘密，包括設計模式的使用 了解如何使用函數式編程技術使代碼簡潔易讀
付費5元查看完整內容
在Jupyter Notebook環境中使用Python和TensorFlow 2.0創建、執行、修改和共享機器學習應用程序。這本書打破了編程機器學習應用程序的任何障礙，通過使用Jupyter Notebook而不是文本編輯器或常規IDE。
您將從學習如何使用Jupyter筆記本來改進使用Python編程的方式開始。在獲得一個良好的基礎與Python工作在木星的筆記本，你將深入什么是TensorFlow，它如何幫助機器學習愛好者，以及如何解決它提出的挑戰。在此過程中，使用Jupyter筆記本創建的示例程序允許您應用本書前面的概念。
那些剛接觸機器學習的人可以通過這些簡單的程序來學習基本技能。本書末尾的術語表提供了常見的機器學習和Python關鍵字和定義，使學習更加容易。
你將學到什么
程序在Python和TensorFlow 解決機器學習的基本障礙 在Jupyter Notebook環境中發展
這本書是給誰的
理想的機器學習和深度學習愛好者誰對Python編程感興趣使用Tensorflow 2.0在Jupyter 筆記本應用程序。了解一些機器學習概念和Python編程(使用Python version 3)的基本知識會很有幫助。
付費5元查看完整內容
《數據科學與機器學習概論》的創建目標是為尋求了解數據科學的初學者、數據愛好者和經驗豐富的數據專業人士提供從頭到尾對使用開源編程進行數據科學應用開發的深刻理解。這本書分為四個部分: 第一部分包含對這本書的介紹，第二部分涵蓋了數據科學、軟件開發和基于開源嵌入式硬件的領域; 第三部分包括算法，是數據科學應用的決策引擎; 最后一節匯集了前三節中共享的概念，并提供了幾個數據科學應用程序示例。
^
- Introductory Chapter: Clustering with Nature-Inspired Optimization Algorithms 在本章中，讀者將學習如何為聚類問題應用優化算法。
By Pakize Erdogmus and Fatih Kayaalp
- Best Practices in Accelerating the Data Science Process in Python
By Deanne Larson
數據科學和大數據項目的數量正在增長，當前的軟件開發方法受到了挑戰，以支持和促進這些項目的成功和頻率。關于如何使用數據科學算法以及大數據的好處已經有了很多研究，但是關于可以利用哪些最佳實踐來加速和有效地交付數據科學和大數據項目的研究卻很少。大數據的數量、種類、速度和準確性等特點使這些項目復雜化。數據科學家可利用的開源技術的激增也會使情況變得復雜。隨著數據科學和大數據項目的增加，組織正在努力成功交付。本文討論了數據科學和大數據項目過程，過程中的差距，最佳實踐，以及這些最佳實踐如何在Python中應用，Python是一種常見的數據科學開源編程語言。
- Software Design for Success By Laura M. Castro
正如人們所期望的那樣，技術書籍的大部分時間都集中在技術方面。然而，這造成了一種錯覺，即技術在某種程度上是沒有偏見的，總是中性的，因此適合每個人。后來，當產品已經存在時，現實會證明我們不是這樣的。包含和表示在設計和建模階段是至關重要的。在本章中，我們將從架構的角度分析，哪些非功能性需求是最敏感的，以及如何開始討論它們以最大限度地提高我們的軟件產品成功的可能性。
-
Embedded Systems Based on Open Source Platforms By Zlatko Bundalo and Dusanka Bundalo
-
The K-Means Algorithm Evolution By Joaquín Pérez-Ortega, Nelva Nely Almanza-Ortega, Andrea Vega-Villalobos, Rodolfo Pazos-Rangel, Crispín Zavala-Díaz and Alicia Martínez-Rebollar
-
“Set of Strings” Framework for Big Data Modeling By Igor Sheremet
-
Investigation of Fuzzy Inductive Modeling Method in Forecasting Problems By Yu. Zaychenko and Helen Zaychenko
-
Segmenting Images Using Hybridization of K-Means and Fuzzy C-Means Algorithms By Raja Kishor Duggirala
-
The Software to the Soft Target Assessment By Lucia Mrazkova Duricova, Martin Hromada and Jan Mrazek
-
The Methodological Standard to the Assessment of the Traffic Simulation in Real Time By Jan Mrazek, Martin Hromada and Lucia Duricova Mrazkova
-
Augmented Post Systems: Syntax, Semantics, and Applications By Igor Sheremet
-
Serialization in Object-Oriented Programming Languages By Konrad Grochowski, Micha? Breiter and Robert Nowak
本章描述了將對象狀態轉換為一種格式的過程，這種格式可以在當前使用的面向對象編程語言中傳輸或存儲。這個過程稱為序列化(封送處理);相反的稱為反序列化(反編組)進程。它是一種低級技術，應該考慮一些技術問題，如內存表示的大小、數字表示、對象引用、遞歸對象連接等。在本章中，我們將討論這些問題并給出解決辦法。我們還簡要回顧了當前使用的工具，并指出滿足所有需求是不可能的。最后，我們提供了一個新的支持向前兼容性的c++庫。
付費5元查看完整內容
在Python中獲得操作、處理、清理和處理數據集的完整說明。本實用指南的第二版針對Python 3.6進行了更新，其中包含了大量的實際案例研究，向您展示了如何有效地解決廣泛的數據分析問題。在這個過程中，您將學習最新版本的panda、NumPy、IPython和Jupyter。
本書由Python panda項目的創建者Wes McKinney編寫，是對Python中的數據科學工具的實用的、現代的介紹。對于剛接觸Python的分析人員和剛接觸數據科學和科學計算的Python程序員來說，它是理想的。數據文件和相關材料可以在GitHub上找到。
- 使用IPython外殼和Jupyter筆記本進行探索性計算
- 學習NumPy (Numerical Python)中的基本和高級特性
- 開始使用pandas庫的數據分析工具
- 使用靈活的工具來加載、清理、轉換、合并和重塑數據
- 使用matplotlib創建信息可視化
- 應用panda groupby工具對數據集進行切片、切割和匯總
- 分析和處理有規律和不規則的時間序列數據
- 學習如何解決現實世界的數據分析問題與徹底的，詳細的例子
付費5元查看完整內容
Fundamentals of Python Programming
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191