[正版]Anaconda数据科学实战 python入门自学零基础教程书程序员电脑编程实战python网络爬虫算法脚本程序

                                                    店铺公告

为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。 温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货）， 关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

Anaconda是一个强大的开源数据科学平台，它将很多好的工具整合在一起，极大地简化了使用者的工作流程，并能够帮助使用者解决一系列数据科学难题。 《Anaconda数据科学实战》旨在通过一系列示例，引导读者在编码和图表中了解Anaconda的强大之处。本书包括12章，结合R、Python、Octave和Julia等4种编程语言，从平台的安装和配置开始，循序渐进地引导读者掌握数据集的获取、数据可视化、统计建模、管理包、Anaconda的优化、无监督学习、监督学习、数据预测分析、云、分布式计算等内容。 本书示例丰富，讲解细致，作者不仅在金融领域有着深厚的积累，还有着丰富的教学经验。对于那些有兴趣了解金融领域数据科学的读者，以及普通的数据分析师或数据科学从业者，本书都是一个不错的选择。在阅读本书之前，我们希望读者具备R或Python的基本编程知识，以及线性代数相关的基本知识。

第 1章 Anaconda生态系统 1

1.1　简介　1

1.1.1　通过Anaconda使用

Jupyter的理由　2

1.1.2　在无须预装的情况下

使用Jupyter　2

1.2　Miniconda　5

1.3　Anaconda云　5

1.4　查找帮助　6

1.5　总结　8

1.6　问题回顾及练习　9

第　2章 Anaconda安装　11

2.1　安装Anaconda　11

2.2　测试Python　13

2.3　使用IPython　14

2.4　通过Jupyter使用Python　16

2.5　Spyder简介　17

2.6　通过Conda安装R　19

2.7　安装Julia并链接到Jupyter　20

2.8　安装Octave并链接到Jupyter　21

2.9　查找帮助　23

2.10　总结　25

2.11　问题回顾及练习　25

第3章　数据基础　27

3.1　数据源　28

3.2　UCI机器学习　28

3.3　Python包pandas简介　31

3.4　输入数据的几种方式　32

3.4.1　使用R输入数据　33

3.4.2　使用Python输入数据　34

3.5　Quandl数据分发平台简介　36

3.6　处理缺失数据　39

3.7　数据排序　42

3.7.1　切割数据集　45

3.7.2　合并不同数据集　45

3.7.3　数据输出　48

3.8　Python包cbsodata简介　49

3.9　Python包datadotworld简介　50

3.10　R包haven和foreign简介　51

3.11　R包dslabs简介　52

3.12　生成Python数据集　53

3.13　生成R数据集　55

3.14　总结　56

3.15　问题回顾及练习　56

第4章　数据可视化　59

4.1　数据可视化的重要性　59

4.2　R数据可视化　60

4.3　Python数据可视化　66

4.4　Julia数据可视化　69

4.5　绘制简单图形　71

4.5.1　各种条状图、饼图和

直方图　74

4.5.2　添加趋势　75

4.5.3　添加图解和其他说明　76

4.6　R可视化包　79

4.7　Python可视化包　81

4.8　Julia可视化包　82

4.9　动态可视化　83

4.9.1　将图片存储为pdf　86

4.9.2　将动态可视化存储

为HTML文件　86

4.10　总结　87

4.11　问题回顾及练习　87

第5章　在Anaconda中统计建模　90

5.1　线性模型简介　91

5.2　在R、Python、Julia和Octave

中运行线性回归　92

5.3　临界值和决策规则　96

5.4　F检验、临界值和决策规则　97

5.5　处理缺失数据　104

5.5.1　清除缺失数据　104

5.5.2　用其他值替换缺失

数据　105

5.6　检测及处理异常值　106

5.7　几个多元线性模型　108

5.8　共线性及其解决方案　111

5.9　一个模型的性能测量　113

5.10　总结　113

5.11　问题回顾及练习　113

第6章　管理包　117

6.1　包、模块和工具箱简介　118

6.2　使用包的两个示例　118

6.3　查找所有R包　123

6.4　查找所有Python包　124

6.5　查找所有Julia包　125

6.6　查找所有Octave包　126

6.7　R中的任务视图　126

6.8　查找手册　128

6.9　包依赖　129

6.10　R包管理　130

6.11　Python包管理　132

6.12　Julia包管理　133

6.13　Octave包管理　134

6.14　包管理器conda　135

6.15　在R和Python中创建

程序集　137

6.16　查找环境变量　138

6.17　总结　140

6.18　问题回顾及练习　140

第7章　Anaconda的优化　142

7.1　为何优化很重要　142

7.2　优化的一般问题　144

7.3　二次优化　148

7.3.1　R中的优化　149

7.3.2　Python中的优化　151

7.3.3　Julia中的优化　153

7.3.4　Octave中的优化　156

7.4　股票投资组合优化　159

7.5　*优的税收政策　161

7.6　R中用于优化的包　162

7.7　Python中用于优化的包　164

7.8　Octave中用于优化的包　165

7.9　Julia中用于优化的包　165

7.10　总结　166

7.11　问题回顾及练习　166

第8章　Anaconda中的无监督学习　168

8.1　无监督学习简介　169

8.2　层次聚类　173

8.3　k-均值聚类　177

8.4　Python包scipy简介　179

8.5　Python包contrastive简介　181

8.6　Python包sklearn（scikit-learn）

简介　181

8.7　R包rattle简介　185

8.8　R包randomUniformForest

简介　187

8.9　R包Rmixmod简介　189

8.10　Julia实现　190

8.11　聚类分析的任务视图　191

8.12　总结　192

8.13　问题回顾及练习　192

第9章　Anaconda中的监督学习　194

9.1　监督学习概览　194

9.2　分类　199

9.2.1　k-*近邻算法　200

9.2.2　贝叶斯分类器　202

9.2.3　强化学习　204

9.3　监督学习的R实现　205

9.4　Python实现　209

9.5　Octave实现　213

9.6　Julia实现　217

9.7　总结　219

9.8　问题回顾及练习　220

第　10章 数据预测分析：建模和验证　223

10.1　理解数据预测分析　223

10.2　有用的数据集　224

10.2.1　R包AppliedPredictive

Modeling　226

10.2.2　时间序列分析　228

10.3　预测未来事件　229

10.3.1　季节性　232

10.3.2　可视化组件　233

10.3.3　R包LiblineaR　234

10.3.4　R包datarobot　236

10.3.5　R包eclust　236

10.4　模型选择　238

10.4.1　Python包model-

catwalk　240

10.4.2　Python包sklearn　240

10.4.3　Julia包QuantEcon　242

10.4.4　Octave包ltfat　243

10.5　Granger因果关系检验　245

10.6　总结　247

10.7　问题回顾及练习　247

第　11章 Anaconda云　250

11.1　Anaconda云简介　250

11.2　深入学习Jupyter Notebook　251

11.2.1　Jupyter Notebook

格式　254

11.2.2　Notebooks分享　256

11.2.3　项目分享　258

11.2.4　环境分享　260

11.3　复制他人的环境到本地　261

11.4　总结　265

11.5　问题回顾及练习　265

第　12章 分布式计算、并行计算和

HPCC　267

12.1　分布式和并行计算简介　267

12.1.1　并行处理的任务视图　268

12.1.2　Python示例程序　269

12.2　理解MPI　270

12.2.1　R包Rmpi　270

12.2.2　R包plyr　271

12.2.3　R包parallel　272

12.2.4　R包snow　276

12.3　Python并行处理　276

12.3.1　单词频率的并行

处理　278

12.3.2　Monte-Carlo期权定价

并行处理　278

12.4　计算节点　280

12.5　Anaconda附加组件　280

12.6　HPCC简介　281

12.7　总结　283

12.8　问题回顾及练习　283

严玉星博士毕业于麦吉尔大学，获得金融学博士学位。他曾在加拿大、新加坡和美国的8 所大学教授各种金融课程，发表23篇研究和教学相关的论文，并著有6本书。此外，他还精通R、Python、SAS、MATLAB、Octave 和C 语言，是金融数据分析方面的专家。 詹姆斯·严当前在多伦多大学攻读计算机科学和统计学双学位。他还精通Python、R、Java、MATLAB 和SQL等。

1.金融大数据专家带你学习Python神器—Anaconda，了解Anaconda强大的包和各项功能； 2.借助开源免费的Python平台，丰富实用的案例，轻松驾驭金融大数据并解决常见的数据科学难题； 3.基于Python 3.6和Anaconda 3进行讲解。