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