SQL × Power Automate × Python 自動化 Excel 與 Pandas 資料分析 (6版)

類似書籍推薦給您

【簡介】 Excel 使用者的最佳 SQL 語言入門書 讓資料處理、報表生成自動化！ 　　【18 個一定要會的資料分析技巧！】 　　【輕鬆超入門 × 任務自動化 × 全方位上手資料分析 × 打造高效率工作術】 　　本書的目的是讓 Excel 使用者快速升級成 SQL 資料庫的使用者，學習如何使用 SQL 語言來進行 Excel 資料分析，並且以 SQL 角度來學習使用 Python 的 Pandas 套件，在 DataFrame 物件執行資料分析。 　　Excel 無所不能，但是功能操作繁雜。使用 SQL 語言，我們就只需要少少的程式碼來代替 Excel 功能，進行一系列的資料處理，包含排序、切割、篩選、合併、使用聚合函數、建立群組查詢，最後產生樞紐分析表。本書提供的 ChatGPT 提問模板，可以產生 SQL 及 Python 指令，幫助我們更快精通 Excel 與 Python 資料分析。 　　最後再結合 Power Automate 這套免費流程自動化工具，不僅能加速我們整理、命名報表檔案的效率，其內建的設定可以執行 SQL 語言，輕鬆完成自動化 Excel 資料分析。 　　 　　▍你將學會 　　◆ 認識 RPA 與 Power Automate 基本概念及操作技巧 　　◆ 設定自動化流程，實現檔案批次命名、工作表合併 　　◆ 理解 SQL、Python 及資料庫結構的基本概念 　　◆ 使用 Pandas 來擷取網路表格資料 　　◆ 使用 SQL 指令和 Pandas 來處理 Excel 工作表資料 　　◆ 與 ChatGPT 對話，幫你寫出 SQL 及 Python 指令 　 　　▍本書應用範例 　　◆ 自動統計各個通路的業績總和 　　◆ 顯示業績達標狀況通知 　　◆ 自動在 Excel 執行 VBA 程式 　　◆ 使用 Pandas 套件爬取 HTML 表格資料 　　◆ 批次命名和移動檔案 　　◆ 撰寫 SQL 指令以建立樞紐分析表 　　◆ 將不同檔案資料合併到同一個工作表 　　◆ 讓 ChatGPT 幫你寫 SQL、Python 指令 　　 　　▍適合讀者 　　◆ 經常使用 Excel 工作表進行資料分析的上班族 　　◆ 渴望學習 SQL、Python 但缺乏經驗的新手 　　◆ 追求工作流程自動化，希望融入 AI 技術以提升效率的人 【目錄】 第1章 RPA 與 Power Automate 基本使用 1-1 認識 Power Automate與 RPA 1-2 下載與安裝 Power Automate 桌面版 1-3 建立第一個 Power Automate 桌面流程 1-4 Power Automate 介面說明與匯出/匯入流程 1-5 Power Automate 的變數與資料型態 1-6 Power Automate 的條件、清單與迴圈 第2章 Power Automate × Excel 自動化應用 2-1 自動化建立與儲存 Excel 檔案 2-2 自動化在 Excel 工作表新增整列和整欄資料 2-3 自動化讀取和編輯 Excel 儲存格資料 2-4 自動化 Excel 工作表的處理 2-5 實作案例：自動化統計和篩選 Excel 工作表的資料 2-6 實作案例：自動化在 Excel 執行 VBA 程式 第3章 Power Automate 自動化下載 CSV 檔案與檔案處理 3-1 自動化檔案與資料夾處理 3-2 自動化日期 / 時間處理 3-3 實作案例：自動化依據副檔名來分類檔案 3-4 實作案例：自動化下載 CSV 檔案來匯入儲存至 Excel 第4章 使用 ChatGPT 學習 Python 程式設計 4-1 Python 變數、資料型別與運算子 4-2 流程控制 4-3 函數、模組與套件 4-4 容器型別 4-5 檔案與例外處理 4-6 實作案例：使用 ChatGPT 學習 Python 程式設計 第5章 Python 程式版 Excel：Pandas 套件 5-1 Pandas 基本使用 5-2 Pandas 資料讀取與儲存 5-3 Pandas 常用的資料處理 5-4 實作案例：使用 Pandas 匯入 / 匯出 Excel 資料 5-5 實作案例：使用 Pandas 爬取 HTML 表格資料 第6章 認識 Excel 工作表、資料庫和 SQL 語言 6-1 Excel 工作表與關聯式資料庫 6-2 認識 SQL 語言 6-3 實作案例：使用 ChatGPT 學習資料庫觀念 6-4 實作案例：使用 ChatGPT 寫出 SQL 指令敘述 第7章 在 Excel 工作表執行 SQL 指令 7-1 使用 Power Automate 在 Excel 執行 SQL 指令 7-2 使用 Excel VBA 在 Excel 執行 SQL 指令 7-3 使用 Python 在 Excel 和 DataFrame 執行 SQL 指令 7-4 建立適用 SQL 指令的 Excel 工作表 7-5 實作案例：處理 SQL 查詢結果的日期 / 時間資料 7-6 實作案例：將 Python 的 SQL 查詢結果匯出成 CSV 和 Excel 檔案 第8章 使用 SQL 顯示、篩選與排序 Excel 工作表 8-1 SQL 語言的 SELECT 指令 8-2 使用 SQL 指令顯示資料 8-3 使用 SQL 指令排序資料 8-4 使用 SQL 指令篩選資料 8-5 實作案例：使用 SQL 指令描述你的資料 8-6 實作案例：使用 SQL 指令找出你的排名 第9章 使用 SQL 編輯 Excel 工作表與彙整資料 9-1 使用 SQL 指令新增運算式和SQL函數欄位 9-2 使用 SQL 指令新增記錄 9-3 使用 SQL 指令更新資料 9-4 實作案例：使用 Power Automate + SQL 指令刪除記錄 9-5 實作案例：使用 Power Automate + SQL 指令彙整資料 第10章 使用 SQL 執行 Excel 多工作表查詢 10-1 Excel 多工作表查詢：子查詢 10-2 Excel 多工作表查詢：聯集查詢 10-3 Excel 多工作表查詢：合併查詢 10-4 實作案例：使用 Power Automate + SQL 合併工作表 第11章 使用 SQL 執行 Excel 工作表的資料清理 11-1 SQL 指令的 Null 空值處理 11-2 使用 SQL 指令處理遺漏值 11-3 使用 SQL 指令處理重複資料 11-4 使用 SQL 指令轉換資料類型和欄位值 11-5 實作案例：使用 Power Automate + SQL 執行 Excel 資料清理 第12章 使用 SQL 執行 Excel 工作表的資料分析與樞紐分析表 12-1 使用 Excel 建立樞紐分析表 12-2 使用 SQL 指令執行群組查詢 12-3 使用 SQL 指令建立樞紐分析表 12-4 實作案例：Power Automate + SQL 群組查詢建立樞紐分析表 附錄A Python 開發環境與註冊使用 ChatGPT A-1 Python 開發環境：Thonny A-2 註冊使用 ChatGPT

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

必學! Python資料科學．機器學習最強套件: NumPy、Pandas、Matplotlib、OpenCV、Scikit-learn、tf.Keras

類似書籍推薦給您

必學！Python資料科學‧機器學習最強套件－NumPy、Pandas、Matplotlib、OpenCV、scikit-learn、tf.Keras ISBN13：9789863126157 出版社：旗標出版社 作者：石川聡彥-著;施威銘研究室-監修 譯者：劉金讓 裝訂／頁數：平裝／448頁 規格：23cm*17cm*2.8cm (高/寬/厚) 重量：982克 版次：１ 出版日：2021/04/19 中國圖書分類：電腦程式語言 內容簡介 最夯的 Python 套件解說 ✕ 最夯的資料科學、機器學習技術, 本書帶您一次學會！ 　　Python 是近來最熱門的程式語言, 也是資料科學、機器學習實作時的首選語言。Python 之所以在這些領域大放異彩, 就是仰賴了各種功能強大的第三方套件, 不過套件百百款, 該從哪些下手呢？很簡單, 很少用到的先不用花太多時間, 我們挑常用、關鍵的先學好！本書為有志於學習資料科學、機器學習的初學者, 嚴選出 NumPy、Pandas、Matplotlib、OpenCV、scikit-learn、tf.Keras 等最強套件, 絕對是初學者必須好好掌握的！ 　　NumPy 數值運算套件可以做資料高速運算, 許多套件也都是以 NumPy 為基礎建構而成, 經常得跟 NumPy 搭配使用, 一定要紮穩這個重要基石； 　　在面對龐大的資料時, 使用 Pandas、Matplotlib 可以輕鬆做資料整理, 並藉由繪圖獲取重要資訊, 是資料科學實作的強大利器； 　　OpenCV 是電腦視覺 (Computer Vision) 領域響叮噹的套件, 不管是裁切、縮放、輪廓偵測、過濾影像以強化資訊...各種影像處理功能一應俱全, 是影像辨識、機器學習做資料擴增的最強助手； 　　最後, 我們將帶您一窺 scikit-learn、tf.Keras 這兩個重量級套件如何在機器學習、深度學習領域中發揮關鍵性的作用, 我們會實際操演如何利用它們做資料預處理 (Preprocessing)、建構 KNN / SVM / 邏輯斯迴歸 (Logistic regression) / 決策樹 (Decision tree) / 隨機森林 (Random forest)…等監督式學習分類模型；以及建立 DNN、CNN 等影像辨識神經網路 (Neural network)。 　　看了本書之後, 你將深刻體會到各套件的強大之處, 利用短短幾行程式碼, 竟然瞬間完成許多運算、建模工作。不過各套件的函式、參數設定可不像網路文章寫的這麼單純, 當中有許多設定「眉角」需要特別注意, 為此, 小編都經過逐一詳測, 針對可能遇到的問題添加大量註解, 幫助讀者更加理解內容！ 本書特色 　　□資料科學熱門套件解說 　　‧紮穩 NumPy 重要基礎：axis、dimention、陣列切片、各種高速運算函式 　　‧Pandas 資料分析技巧：資料清理、缺失值處理、快速取得各種統計數據 　　‧Matplotlib 資料視覺化：繪製 2D / 3D 圖 / 子圖、比較資料的分布狀況 　　‧OpenCV 影像處理：影像裁切 / 縮放 / 翻轉...做資料擴增, 二值化 (binarization) / 降雜訊...強化重要影像資訊 　　□最紮實的機器學習、深度學習實戰 　　‧機器學習的資料預處理 (Data preprocessing) 　　‧快速建構 KNN / SVM / 邏輯斯迴歸 (Logistic regression) / 決策樹 (Decision tree) / 隨機森林 (Random forest)...監督式學習分類模型 　　‧建立 DNN、CNN 影像辨識神經網路 (Neural network) 　　‧建模完只是第一步！各模型超參數 (Hyperparameter) 調整心法大公開！ 　　□本書由【施威銘研究室監修】, 書中針對原書進行大量補充, 並適當添加註解, 幫助讀者更加理解內容！ 目錄 第 1 章 Python 基礎：變數、 資料型別與 if 判斷式 第 2 章 Python 基礎：list、dict 與迴圈 第 3 章 函式、 類別與模組 第 4 章 進階函式及特殊容器 第 5 章 NumPy 高速運算套件 5-1 NumPy 的基本介紹 5-2 陣列的基本操作 5-2-1 建立陣列 5-2-2 陣列的切片操作 5-2-3 使用布林陣列篩選值 5-2-4 陣列的四則計算 5-2-5 體驗好用的 NumPy 函式 5-3 NumPy 多軸陣列 5-3-1 陣列的軸 (axis) 5-3-2 陣列的 shape 5-3-3 多軸陣列的切片做法 5-3-4 陣列轉置 (transpose) 5-3-5 陣列排序 5-3-6 陣列擴張 (Broadcasting) 5-3-7 用 NumPy 函式計算矩陣乘積 第 6 章 pandas 的基礎 6-1 pandas 簡介 6-2 Series 物件的操作處理 6-2-1 建立 Series 物件 6-2-2 取出 Series 當中的元素 6-2-3 單取出「索引值」或者「內容值」-.index、.values 6-2-4 新增 Series 物件的元素–append() 6-2-5 刪除 Series 物件的元素–drop() 6-2-6 從 Series 物件篩選出想要的元素 6-2-7 將 Series 的元素排序–sort_index()、 sort_values() 6-3 DataFrame 物件的操作處理 6-3-1 建立 DataFrame 物件–pd.DataFrame() 6-3-2 修改 index 和 column 的名稱–.index、.column 6-3-4 加入新的資料列–append() 6-3-4 加入新的欄位 6-3-5 取出 DataFrame 當中的元素–df.loc[]、df.iloc[] 6-3-6 刪除 df 物件的列或行–drop() 6-3-7 將欄位值依大小排序–sort_values() 6-3-8 從 df 物件篩選出想要的資料 第 7 章 DataFrame 的串接與合併 7-1 概念說明 7-2 用 concat() 串接多個 DataFrame 7-3 用 merge() 合併多個 DataFrame 第 8 章 DataFrame 的進階應用 8-1 載入外部檔案並做資料整理 8-2 處理 DataFrame 中的缺失值 8-2-1 用 dropna() 刪除含有 NaN (缺失值) 的列 8-2-2 用 fllna() 填補 NaN 值 8-3 分析數據常用到的技巧 (一) 8-3-1 duplicated()、drop_duplicated() - 尋找或刪除 DataFrame 內重複的資料 8-3-2 map()–利用 DataFrame 的既有欄位生成新的欄位 8-3-3 用 cut() 劃分、篩選資料 8-4 分析數據常用到的技巧 (二) 8-4-1 取頭尾列–head()、tail() ...