Python 函式庫語法範例字典

相關熱銷的書籍推薦給您

商品描述 <內容簡介> 彙整最常使用的 Python 函式庫語法 功能索引 + 字母順序查詢, 隨查隨用, 快速解決問題！ Python 是近來非常熱門的程式語言, 原因之一就是具有豐富的標準函式庫及第三方套件可以使用, 用途涵蓋字串處理、數值計算、資料壓縮與封存、XML與 JSON 存取等層面。本書集合 Python 常用的函式及模組功能, 依用途分門別類, 提供詳細的使用說明、豐富的語法範例, 讓使用者可以在短時間內找到、學會函式的正確使用方式, 在撰寫程式時更加得心應手！ <本書特色> ● 依功能分類, 每個函式都以豐富範例實際演練用法 ● 目錄上列有函式名稱與用途說明, 可依據名稱或是用途查詢 ● 可依字母順序快速查詢想使用的函式功能 ● 本書嚴選的模組功能包括： argparse／array／base64／beautifulsoup4／bisect／bz2／collections／ConfigParser／csv／datetime／dateutil／decimal／doctest／email／enum／fnmatch／glob／gzip／heapg／io／itertools／json／logging／lxml／lzma／math／multiprocessing／openpyxl／os／pathlib／paramiko／pdb／Pillow／pprint／PyCrypto／pydoc／pytest／pytz／random／re／requests／shutil／statistics／subprocess／sys／tartile／tempfile／time／timeit／traceback／unicodedata／unittest／unittest.mock／urllib.parse／weakref／xml.etree.ElementTree／yaml／zipfile／zlib ● 適用 Python 3

看圖學Python：資料分析與資料視覺化 (1版)

類似書籍推薦給您

【簡介】 本書特色 1. 由淺入深，循序漸進 從基礎Python語言開始講解，適合初學者入門。完整說明Python程式設計的基本能力，包括變數、資料型態、控制流程、函式、物件導向等。 2. 圖文並茂，易學易懂 使用大量圖例和流程圖來詳細說明程式設計的觀念和語法，讓讀者更容易理解。 3. 結合ChatGPT，提升學習效率 介紹ChatGPT生成式AI，並提供了各種程式設計實例，幫助讀者更有效地學習Python。 4. 完整涵蓋Pandas資料分析 詳細說明Pandas套件的Python資料分析，包括資料匯入、匯出、篩選、編輯、彙整、清理、排序、合併、運算、群組分析、樞紐分析表、資料視覺化等。 5. 實戰導向，學以致用 本書提供大量實作範例，幫助讀者將所學知識應用於實際情況中。 內容簡介 本書是一本學習Python程式設計和資料分析的入門教材，適合初學者輕鬆上手。以Excel使用者的角度，詳細說明Pandas套件的Python資料分析，並透過ChatGPT生成式AI的幫助，讓讀者能夠更快、更輕鬆地學習Python程式設計和資料分析。 首先，本書從介紹Python程式語言的基礎開始，徹底解說讀者需要具備的程式設計能力，並介紹OpenAI推出的ChatGPT生成式AI，探討其在程式設計中的應用，以及如何利用ChatGPT來協助學習Python程式設計等相關技術。 其次，本書重點闡述Pandas套件在Python資料分析中的應用。從建立Series和DataFrame物件開始，逐步介紹了如何匯入和匯出不同格式的資料，以及如何進行資料篩選、操作和彙整。特別是在第14章至第16章中，通過具體的範例，讀者將學會如何進行資料清理、排序、合併，以及執行各種資料運算和視覺化。 本書的獨特之處在於將ChatGPT生成式AI融入到學習過程中，通過ChatGPT的幫助，讀者不僅可以寫出Python程式碼，還能夠自動產生商業模擬數據的學習範例，使得學習過程更加生動有趣，並且實際應用到商業資料分析中。 最後，本書使用豐富的圖例和流程圖詳細解說程式設計的觀念和語法，並利用fChart流程圖直譯器呈現動畫流程圖，幫助讀者更好地理解程式邏輯，從而提升解決問題的能力和思維邏輯。 《看圖學Python：資料分析與資料視覺化》不僅適用於計算機概論、程式設計和Python資料分析課程的教學，也是自學Python和資料分析的理想選擇。無論是對於初學者還是有一定程式基礎的讀者，本書都將成為你的良師益友，引領你踏入Python程式設計和資料分析的世界。 【目錄】 CH01 Python語言與運算思維基礎 1-1 程式與程式邏輯 1-2 認識Python、運算思維和Thonny 1-3 下載與安裝Thonny 1-4 使用Thonny建立第一個Python程式 1-5 Thonny基本使用與程式除錯 CH02 寫出和認識Python程式 2-1 開發Python程式的基本步驟 2-2 編輯現存的Python程式 2-3 建立第二個Python程式的加法運算 2-4 看看Python程式的內容 2-5 Python文字值 2-6 Python寫作風格 CH03 變數、運算式與運算子 3-1 程式語言的變數 3-2 在程式使用變數 3-3 變數的資料型態和型態轉換函數 3-4 讓使用者輸入變數值 3-5 認識運算式和運算子 3-6 在程式使用運算子 CH04 條件判斷 4-1 你的程式可以走不同的路 4-2 關係運算子與條件運算式 4-3 if單選條件敘述 4-4 if/else二選一條件敘述 4-5 if/elif/else多選一條件敘述 4-6 在條件敘述使用邏輯運算子 CH05 重複執行程式碼 5-1 認識迴圈敘述 5-2 for計數迴圈 5-3 while條件迴圈 5-4 改變迴圈的執行流程 5-5 巢狀迴圈與無窮迴圈 5-6 在迴圈中使用條件敘述 CH06 函數 6-1 認識函數 6-2 使用者自訂函數 6-3 函數的參數 6-4 函數的回傳值 6-5 函數的實際應用 6-6 變數範圍和內建函數 CH07 字串與容器型態 7-1 字串型態 7-2 串列型態 7-3 元組型態 7-4 字典型態 7-5 字串與容器型態的運算子 CH08 檔案、類別與例外處理 8-1 檔案處理 8-2 二進位檔案讀寫 8-3 類別與物件 8-4 建立例外處理 CH09 Python模組與套件 9-1 Python模組與套件 9-2 os模組：檔案操作與路徑處理 9-3 math模組：數學函數 9-4 turtle模組：海龜繪圖 9-5 pywin32套件：Office軟體自動化 CH10 使用ChatGPT學習Python程式設計 10-1 認識ChatGPT 10-2 註冊與使用ChatGPT 10-3 ChatGPT是你最佳的Python程式助手 10-4 ChatGPT應用：找出Python視窗程式的學習方向 10-5 ChatGPT應用：幫助你學習Python視窗程式設計 CH11 Pandas套件：匯入與匯出DataFrame 11-1 Pandas套件的基礎 11-2 建立Series和DataFrame物件 11-3 匯入外部資料 11-4 匯出DataFrame物件 11-5 實作案例：使用Pandas爬取HTML表格資料 CH12 檢視、選取與篩選DataFrame資料 12-1 檢視與了解DataFrame資料 12-2 檢視DataFrame的整體資訊 12-3 選取和走訪DataFrame整列與整欄資料 12-4 檢視DataFrame指定欄位的資訊 12-5 篩選DataFrame資料 12-6 實作案例：使用SQL語言篩選DataFrame資料 CH13 DataFrame索引、編輯與資料彙整 13-1 DataFrame索引設定 13-2 使用索引器選取DataFrame子集 13-3 編輯DataFrame資料 13-4 串聯多個DataFrame資料 13-5 實作案例：多個Excel工作表的資料彙整 CH14 DataFrame資料清理、排序與資料合併 14-1 字串與日期/時間的資料處理 14-2 DataFrame資料清理 14-3 DataFrame資料排序 14-4 DataFrame資料合併 14-5 實作案例：DataFrame商業資料清理 CH15 DataFrame資料運算、群組分析與樞紐分析表 15-1 DataFrame資料運算 15-2 DataFrame資料分組的群組分析 15-3 使用DataFrame建立樞紐分析表 15-4 實作案例：使用樞紐分析表進行資料分析 CH16 Pandas+Plotly Express資料視覺化 16-1 認識資料視覺化 16-2 Pandas資料視覺化 16-3 Plotly互動資料視覺化 16-4 實作案例：Tutsplus教學文件的資料視覺化 16-5 實作案例：台積電股價的互動資料視覺化 CHA Google Colab雲端服務基本使用(電子書)

資料視覺化｜使用Python與JavaScript (2版)

類似書籍推薦給您

特色 擷取、清理、分析與轉換資料 「Kyran的書包含了大量資訊，從D3.js細節說明，到如何建構出由客製化互動式儀表板所使用的、且由資料庫所支持的API。可以肯定地說，您將從這本書中學到很多東西！」 —Peter Cook, 《D3 Start to Finish》作者 如何將原始、未經處理的資料轉化為動態的互動式web視覺化？在這本實用的書中，作者Kyran Dale向資料科學家、分析師以及Python、JavaScript開發人員，展示如何為工作建立理想的工具鏈。藉由提供引人入勝的範例以及分享得之不易的實務經驗，本書將引導您善用最佳的Python和JavaScript程式庫。 Python為爬取、清理和處理資料提供強大、成熟的程式庫。在web視覺化程式設計方面，JavaScript是最好的語言。這兩種語言相得益彰，可以幫助您建立現代web視覺化工具鏈。 您將學習如何： ‧使用爬取或web API(Requests、Scrapy、Beautiful Soup)獲取資料 ‧在NumPy生態系統(帶有pandas、Matplotlib和Seaborn的Jupyter notebook)中使用Python資料處理程式庫清理和處理資料 ‧使用靜態檔案或輕量級Python伺服器(Flask RESTful API)將資料交付到瀏覽器 ‧掌握足夠的web開發技能(HTML、CSS、JavaScript)將資料視覺化 ‧使用挖掘和精煉資料建立web圖表和視覺化(Plotly、D3) 目錄 前言 概論 Part I　基本工具包 第1章｜開發設定 第2章｜Python 和 JavaScript 之間的語言學習橋梁 第3章｜使用 Python 讀寫資料 第4章｜Webdev 101 Part II　獲取資料 第5章｜使用 Python 從 Web 獲取資料 第6章｜使用 Scrapy 進行重量級爬取 Part III　使用 pandas 清理和探索資料 第7章｜NumPy 簡介 第8章｜pandas 簡介 第9章｜用 pandas 清理資料 第10章｜使用 Matplotlib 來視覺化資料 第10章｜用 pandas 探索資料 Part IV　交付資料 第12章｜交付資料 第13章｜Flask 的 RESTful 資料 Part V　使用 D3 和 Plotly 來視覺化您的資料 第14章｜使用 Matplotlib 和 Plotly 把您的圖表帶到網路上 第15章｜想像一個諾貝爾獎視覺化 第16章｜建構視覺化 第17章｜介紹 D3 —直條圖的故事 第18章｜視覺化個人獎項 第19章｜使用 D3 繪製地圖 第20章｜視覺化個人獲獎者 第21章｜選單列 第22章｜結論 附錄A｜D3 的 enter/exit 樣式 索引

Python 資料科學實戰教本 - 爬蟲、清理、資料庫、視覺化、探索式分析、機器學習建模，數據工程一次搞定！ (1版)

類似書籍推薦給您

Python 資料科學實戰教本 - 爬蟲、清理、資料庫、視覺化、探索式分析、機器學習建模，數據工程一次搞定！ ISBN13：9789863127246 出版社：旗標出版社 作者：陳會安 裝訂／頁數：平裝／616頁 規格：23cm*17cm*2.8cm (高/寬/厚) 重量：946克 出版日：2022/08/22 中國圖書分類：電腦科學 內容簡介 【題材涵蓋最全面！一本書掌握資料科學 / 數據工程必學 know-how！】   從大數據到人工智慧世代，其背後蘊含的關鍵技術與理論不脫資料科學、機器學習的範疇。基本上，資料科學需要的背景知識與技能相當的多，通常要會 Python 程式設計基礎、熟悉相關 Python 套件和模組的使用；再加上機器學習的基礎就是機率和統計，因此也免不了得學機率和統計知識，可說有一拖拉庫的主題等著你去學，也難怪市面上各主題 (程式基礎、統計、套件、機器學習建模...) 的專書滿坑滿谷，一時間實在讓人難以消化...   為了降低讀者初學資料科學面對的負擔以及混亂感，我們精心設計了這本入門實戰教本，秉持讓讀者「買一本抵多本」的精神，本書一次涵蓋所有入門必須熟悉的重要題材，同時也將初學資料科學的脈絡梳理清楚。   在章節的安排上，本書從資料取得的網路爬蟲開始，提供一個標準 SOP 來幫助讀者從網路取得資料；接著說明資料科學必學的 Python 重量級套件，再接著介紹機率、統計和探索式資料分析的基礎知識，最後進入最熱門的機器學習、深度學習建模主題。   這一連串「取得資料 → 探索資料 → 預測分析」是一套完整的資料科學 / 數據工程實戰訓練，跟著本書掌握這些重要 know-how 後，就不難看懂網路上眾多資料科學、機器學習專案的 Python 程式碼和線上教材，甚至參與資料科學、機器學習的網路競賽；希望本書能協助讀者開啟資料科學家 / 數據工程師的成功之路！   本書特色   □ 資料科學三部曲：取得資料 → 探索資料 → 預測分析 □ 一次補足最入門的統計和機率基礎 □ Python 開發環境與基礎語法快速上手 □ 從網頁爬蟲、資料清理到資料視覺化，快速完成資料探索的預處理程序 □ 將清理後的資料存入 SQL 資料庫，便於日後存取利用 □ 實踐資料科學的四大套件：NumPy、Pandas、Matplotlib、Seaborn 一次掌握 □ 用 Scikit-learn、tensorflow.Keras 套件實作最熱門的 AI 機器學習應用 目錄 第一篇 資料科學和 Python 基礎 第 1 章 資料科學概論與開發環境建立 – Anaconda 第 2 章 Python 程式語言   第二篇 網路爬蟲和 Open Data (取得、清理與儲存資料) 第 3 章 取得網路資料 第 4 章 資料擷取 第 5 章 資料清理與資料儲存 第 6 章 網路爬蟲實作案例   第三篇 Python資料科學套件 – 探索資料（資料視覺化與大數據分析） 第 7 章 向量與矩陣運算 – NumPy 套件 第 8 章 資料處理與分析 – Pandas 套件 第 9 章 大數據分析 (一) – Matplotlib 和 Pandas 資料視覺化 第 10 章 大數據分析 (二) – Seaborn 統計資料視覺化 第 11 章 機率與統計 第 12 章 估計與檢定 第 13 章 探索性資料分析實作案例   第四篇 人工智慧、機器學習與深度學習 – 預測資料 第 14 章 人工智慧與機器學習概論 – 認識深度學習 第 15 章 機器學習演算法實作案例 – 迴歸 第 16 章 機器學習演算法實作案例 – 分類與分群 第 17 章 深度學習神經網路實作案例   附錄 A：HTML 網頁結構與 CSS 附錄 B：Python 文字檔案存取與字串處理 附錄 C：下載與安裝 MongoDB 和 MySQL 資料庫

Python資料分析必備套件！Pandas資料清理、重塑、過濾、視覺化

類似書籍推薦給您

商品描述 內容介紹: 【最齊全！徹底活用Pandas的114技】 想學Pandas，看官方文件就夠了？ 對於Python使用者來說，Pandas無疑是資料分析的必備套件。有了Pandas，您可以非常高效地重塑、過濾、清理以及整合大部分類型的資料。的確，Pandas的官方網站提供了不同指令的使用範例。因此有的使用者會說：『不用買書看啦！網路資源這麼豐富，多看看官方文件就好了！』 不過，單單只知道某個指令的運作方式是不足夠的。在實際進行資料分析時，您可能需要結合多個指令來達成目標。這時候，您更需要知道如何活用Pandas。舉例來說，假設您現在面對DataFrame的記憶體用量過大，導致無法順利分析資料的難題時，該怎麼辦呢？ 從Pandas的官方文件中，您可以了解轉換欄位型別的方法，也知道如何查詢欄位的浮點數精度。只要結合這兩個方法，您就可以非常輕鬆地降低DataFrame的記憶體用量。遺憾的是，官方文件並不會告訴您這個訣竅，而必須自己花時間來摸索。在摸索的過程中，不可避免地會多走許多彎路。 本書並非單純的Pandas語法參考手冊。作者寫作此書時的目標，是希望讀者們可以從完整的範例中學習，並充分了解活用Pandas技巧的重要性。此外，作者習慣給出同一問題的不同解法，同時比較不同做法的效能。由此一來，讀者日後在實際分析資料時，才能知道哪一種做法是最優解。 目錄大綱 目錄: ☆第0章：Pandas 套件的基礎 0-1 DataFrame物件 0-2 DataFrame的屬性（attributes） 0-3 Series物件 0-4 Pandas中的資料型別 ☆第1章：DataFrame及Series的基本操作 1-1 選取DataFrame的欄位 1-2 呼叫Series的方法（method） 1-3 Series的相關操作 1-4 串連Series的方法 1-5 更改欄位名稱 1-6 新增及刪除欄位 ☆第2章：DataFrame的運算技巧 2-1 選取多個DataFrame的欄位 2-2 用方法選取欄位 2-3 對欄位名稱進行排序 2-4 DataFrame的統計方法 2-5 串連DataFrame的方法 2-6 DataFrame的算符運算 2-7 比較缺失值 2-8 轉置DataFrame運算的方向 2.9 案例演練：確定大學校園的多樣性 ☆第3章：建立與保存DataFrame 3-1 從無到有建立DataFrame 3-2 存取CSV檔案 3-3 讀取大型的CSV檔案 3-4 使用Excel檔案 3-5 讀取ZIP檔案中的資料 3-6 存取資料庫 3-7 存取JSON格式的資料 3-8 讀取HTML表格 ☆第4章：開始資料分析 4-1 制定資料分析的例行程序 4-2 資料字典 4-3 改變資料型別以減少記憶體用量 4-4 資料的排序 4-5 排序後選取每組的最大值和最小值 4-6 用sort_values()選取最大值 4-7 案例演練：計算移動停損單價格 ☆第5章：探索式資料分析 5-1 摘要統計資訊 5-2 轉換欄位的資料型別 5-3 資料轉換與缺失值處理 5-4 檢視連續資料的分佈狀況 5-5 檢視不同分類的資料分佈 5-6 比較連續欄位的關聯性 5-7 比較分類欄位的關聯性 5-8 使用Profiling函式庫建立摘要報告 ☆第6章：選取資料的子集 6-1 選取一筆或躲避Series資料 6-2 選取DataFrame的列 6-3 同時選取DataFrame的列與欄位 6-4 混用位置與標籤來選取資料 6-5 按標籤的字母順序進行切片 ☆第7章：用布林陣列篩選特定的資料 7-1 計算布林陣列的統計資訊 7-2 設定多個布林條件 7-3 以布林陣列來進行過濾 7-4 布林選取 vs 索引選取 7-5 用唯一或已排序的索引標籤來選取資料 7-6 利用Pandas實現SQL中的功能 7-7 使用query方法提高布林選取的可讀性 7-8 使用where()維持Series的大小 7-9 對DataFrame的列進行遮罩 7-10 以布林陣列、位置數字和標籤選擇資料 ☆第8章：索引對齊與尋找欄位最大值 8-1 檢驗Index物件 8-2 笛卡兒積 8-3 索引爆炸 8-4 填補缺失值 8-5 從不同的DataFrame增加欄位 8-6 凸顯每一欄位的最大值 8-7 串連方法來實現idxmax()的功能 8-8 尋找最常見的欄位最大值 ☆第9章：透過分組來進行聚合、過濾和轉換 9-1 進行簡單的分組及聚合運算 9-2 對多個欄位執行分組及聚合運算 9-3 分組後刪除MultiIndex 9-4 使用自訂的聚合函式來分組 9-5 可接收多個參數的自訂聚合函式 9-6 深入了解groupby物件 9-7 過濾特定的組別 9-8 分組轉換特定欄位的資料 9-9 使用apply()計算加權平均數 9-10 以連續變化的數值進行分組 9-11 案例演練：計算城市之間的航班總數 9-12 案例演練：尋找航班的連續準時記錄 ☆第10章：將資料重塑成整齊的形式 10-1 使用stack()整理『欄位名稱為變數值』的資料 10-2 使用melt()整理『欄位名稱為變數值』的資料 10-3 同時堆疊多組變數 10-4 欄位堆疊的反向操作 10-5 在彙總資料後進行反堆疊操作 10-6 使用groupby()模擬pivot_table的功能 10-7 重新命名各軸內的不同層級 10-8 重塑『欄位名稱包含多個變數』的資料 10-9 重塑『多個變數儲存在單一欄位內』的資料 10-10 整理『單一儲存格中包含多個值』的資料 10-11 整理『欄位名稱及欄位值包含變數』的資料 ☆第11章：時間序列分析 11-1 了解Python和Pandas日期工具的差別 11-2 對時間序列切片 11-3 過濾包含時間資料的欄位 11-4 僅適用於DatetimeIndex的方法 11-5 依據時間區段重新分組 11-6 分組彙總同一時間單位的多個欄位 11-7 案例演練：以『星期幾』來統計犯罪率 11-8 使用匿名函式來分組 11-9 使用Timestamp與另一欄位來分組 ☆第12章：利用Matplotlib、Pandas和Seaborn進行資料視覺化 12-1 Matplotlib入門 12-2 Matplotlib的物件導向指南 12-3 用Matplotlib視覺化資料 12-4 使用Pandas繪製基本圖形 12-5 視覺化航班資料集 12-6 使用堆疊面積圖找出趨勢 12-7 了解Seaborn和Pandas之間的區別 12-8 使用Seaborn進行多變量分析 Bonus A：組合多個DataFrame或Series A-1 在DataFrame上添加新的列 A-2 連接多個DataFrame A-3 concat()、join()和merge()的區別 A-4 連接到SQL資料庫 Bonus B：案例演練-使用Seaborn發現辛普森悖論 Bonus C：Pandas的效能、除錯與測試 C-1 轉換資料 C-2 apply()方法的效能 C-3 提高apply()的效能 C-4 快速檢視程式碼的技巧 C-5 在Jupyter中除錯 C-6 以Great Expectations來管理資料完整性 C-7 使用pytest來測試Pandas C-8 使用Hypothesis產生測試