Python資料科學學習手冊 (2版)

類似書籍推薦給您

簡介 處理大量資料的基本工具 「這本書提供了清晰且易於遵循的範例，幫助您設置與使用最重要的資料科學和機器學習工具。」 —Anne Bonner Content Simplicity創辦人和CEO Python是許多研究人員的首選工具，它擁有豐富的儲存、操作及洞察資料的程式庫。這些資源散布在資料科學的領域中，藉由本書，您可以一次獲得這些資源，包括Ipython、NumPy、Pandas、Matplotlib、Scikit-Learn和其它相關的工具。 對於熟悉Python，需要處理大量資料的資料科學家和資料處理人員來說，這是一本非常有價值的案頭書。可以有效率地處理每天面對的問題，像是操作、轉換及清理資料，視覺化不同形式的資料，建立統計學或機器學習模型等。 藉由本書，你將可以學習到： ‧IPython和Jupyter：提供資料科學家使用的Python計算環境 ‧NumPy：在Python中進行高效儲存及操作密集資料陣列的ndarrys ‧Pandas：在Python中進行對於標籤式/欄位式的資料高效率儲存與操作 ‧Matplotlib：在Python中進行彈性範圍的資料視覺化功能 ‧Scikit-Learn：提供機器學習演算法以及簡潔的Python實作 作者介紹 Jake VanderPlas 是Google Research的軟體工程師，致力於開發支援資料密集型研究的工具。 他創建並開發了用於資料密集型科學的Python工具，包括Scikit-Learn、SciPy、AstroPy、Altair、JAX等。 目錄 第一章 IPython：更好用的Python Shell還是Notebook IPython 的求助與說明文件 在IPython Shell中的快捷鍵 IPython的Magic命令 輸入和輸出的歷程 IPython和Shell命令 和Shell相關的Magic命令 錯誤以及除錯 剖析和測定程式碼的時間 第二章 NumPy介紹 瞭解Python的資料型態 NumPy陣列基礎 NumPy 陣列屬性 陣列索引：存取單一個陣列元素 在NumPy陣列中的計算：Universal Functions 聚合操作：Min、Max、以及兩者間的所有事 在陣列上的計算：Broadcasting 比較、遮罩以及布林邏輯 Fancy索引 排序陣列 結構化的資料：NumPy的結構化陣列 更多進階的複合型態 第三章 使用Pandas操作資料 安裝並使用Pandas Pandas 物件的介紹 資料的索引和選擇 在Pandas中操作資料 處理缺失資料 階層式索引 資料集的合併：Concat 和Append 合併資料集：Merge 以及Join 聚合計算與分組 樞紐分析表 向量化字串操作 使用時間系列 高效率Pandas：eval() 以及query() 第四章 使用Matplotlib進行視覺化 通用的Matplotlib技巧 買一送一的介面 簡單的線條圖形 簡單的散佈圖 視覺化誤差 密度圖和等高線圖 直方圖、分箱法及密度 自訂圖表的圖例 自訂色彩條 多重子圖表 文字和註解 自訂刻度 客製化Matplotlib：系統配置和樣式表 在Matplotlib中的三維繪圖法 Basemap的地理資料 使用Seaborn進行視覺化 第五章 機器學習 什麼是機器學習？ Scikit-Learn簡介 超參數以及模型驗證 特徵工程 深究：Naive Bayes Classification 深究：線性迴歸（Linear Regression） 深究：Support Vector Machines 深究：決策樹（Decision Tree）和隨機森林（Random Forest） 深究：主成份分析（Principal Component Analysis） 深究：流形學習（Manifold Learning） 深究：k- 均集群法 深究：高斯混合模型（Gaussian Mixture Models） 深究：核密度估計（Kernel Density Estimation） 應用：臉部辨識的管線

用Python快速上手資料分析與機器學習 (2版)

類似書籍推薦給您

特色 廣受讀者好評、第二版登場！ 紮實地學會資料分析工程師所需要的基本技能 書中會對資料分析工程師所需要的基本技巧進行詳盡解說。 ‧取得資料、處理資料 ‧資料視覺處理 ‧編寫程式碼 ‧基礎數學知識 ‧機器學習的流程與執行方法 第2版的重點 ‧支援Python 3.10版本 ‧用更深入淺出的方式進行講解 在書中可以學到 ‧Python基本語法 ‧講解資料格式 ‧資料的預處理技巧 ‧資料視覺處理技巧 ‧運用現成的演算法來執行機器學習 適合對象 想成為資料分析工程師的讀者 目錄 Chapter 1 資料分析工程師的職責 1.1 資料分析的世界 1.2 機械學習的定位與流程 1.3 資料分析主要會用到的套件 Chapter 2 Python與環境 2.1 建構執行環境 2.2 Python的基礎 2.3 JupyterLab Chapter 3 基礎數學 3.1 讀懂公式的基礎知識 3.2 線性代數 3.3 基礎解析 3.4 機率與統計 Chapter 4 運用函式庫實作資料分析 4.1 NumPy 4.2 pandas 4.3 Matplotlib 4.4 scikit-learn Chapter 5 應用：蒐集、處理資料 5.1 網頁抓取 5.2 自然語言的處理 5.3 處理圖像資料