PYTHON统计分析 [奥地利]托马斯·哈斯尔万特(Thomas Haslwanter) 著 李锐 译 专业科技 文轩网

第 一部分  Python和统计学 第 1章  为什么学习统计学  2 第 2章  Python  4 2.1  开始  4 2.1.1  惯例  4 2.1.2  发行版和包  5 2.1.3  安装Python  7 2.1.4  安装R和rpy2  8 2.1.5  个性化IPython/Jupyter  9 2.1.6  Python资源  12 2.1.7  第 一个Python程序  13 2.2  Python数据结构  14 2.2.1  Python数据类型  14 2.2.2  索引和切片  16 2.2.3  向量和数组  17 2.3  IPython/Jupyter：一个交互式的Python编程环境  18 2.3.1  Qt控制台的第 一个会话  19 2.3.2  Notebook和rpy2  21 2.3.3  IPython小贴士  23 2.4  开发Python程序  24 2.4.1  将交互式命令转化为一个Python程序  24 2.4.2  函数、模块和包  26 2.4.3  Python小贴士  30 2.4.4  代码版本控制  31 2.5  Pandas：用于统计学的数据结构  31 2.5.1  数据处理  31 2.5.2  分组（Grouping）  33 2.6  Statsmodels：统计建模的工具  34 2.7  Seaborn：数据可视化  35 2.8  一般惯例  36 2.9  练习  36 第3章  数据输入  38 3.1  从文本文件中输入  38 3.1.1  目视检查  38 3.1.2  读入ASCII数据到Python中  38 3.2  从MS Excel中导入  42 3.3  从其他格式导入数据  43 第4章  统计数据的展示  45 4.1  数据类型  45 4.1.1  分类数据  45 4.1.2  数值型  46 4.2  在Python中作图  46 4.2.1  函数式和面向对象式的绘图方法  47 4.2.2  交互式绘图  48 4.3  展示统计学数据集  52 4.3.1  单变量数据  53 4.3.2  二元变量和多元变量绘图  59 4.4  练习  61 第二部分  分布和假设检验 第5章  背景  63 5.1  总体和样本  63 5.2  概率分布  64 5.2.1  离散分布  64 5.2.2  连续分布  65 5.2.3  期望值和方差  65 5.3  自由度  66 5.4  研究设计  66 5.4.1  术语  67 5.4.2  概述  67 5.4.3  研究类型  68 5.4.4  实验设计  69 5.4.5  个人建议  72 5.4.6  临床研究计划  73 第6章  单变量的分布  74 6.1  分布的特征描述  74 6.1.1  分布中心  74 6.1.2  量化变异度  76 6.1.3  分布形状的参数描述  79 6.1.4  概率密度的重要展示  81 6.2  离散分布  82 6.2.1  伯努利分布  82 6.2.2  二项分布  83 6.2.3  泊松分布  85 6.3  正态分布  86 6.3.1  正态分布的例子  88 6.3.2  中心极限定理  88 6.3.3  分布和假设检验  89 6.4  来自正态分布的连续型分布  90 6.4.1  t分布  90 6.4.2  卡方分布  92 6.4.3  F分布  94 6.5  其他连续型分布  95 6.5.1  对数正态分布  96 6.5.2  韦伯分布  96 6.5.3  指数分布  97 6.5.4  均匀分布  98 6.6  练习  98 第7章  假设检验  100 7.1  典型分析步骤  100 7.1.1  数据筛选和离群值  100 7.1.2  正态性检验  101 7.1.3  转换  104 7.2  假设概念、错误、p值和样本量  104 7.2.1  一个例子  104 7.2.2  推广和应用  105 7.2.3  p值的解释  106 7.2.4  错误的类型  107 7.2.5  样本量  108 7.3  灵敏度和特异度  110 7.4  受试者操作特征（ROC）曲线  113 第8章  数值型数据的均值检验  114 8.1  样本均值的分布  114 8.1.1  单样本均值的t检验  114 8.1.2  Wilcoxon符号秩和检验  116 8.2  两组之间的比较  117 8.2.1  配对t检验  117 8.2.2  独立组别之间的t检验  118 8.2.3  两组之间的非参数比较：Mann-Whitney检验  118 8.2.4  统计学假设检验与统计学建模  118 8.3  多组比较  120 8.3.1  方差分析（ANOVA）  120 8.3.2  多重比较  123 8.3.3  Kruskal–Wallis检验  125 8.3.4  两因素方差分析  126 8.3.5  三因素方差分析  126 8.4  总结：选择正确的检验方法进行组间比较  127 8.4.1  典型的检验  127 8.4.2  假设的例子  128 8.5  练习  129 第9章  分类数据的检验  131 9.1  单个率  131 9.1.1  置信区间  131 9.1.2  解释  132 9.1.3  例子  132 9.2  频数表  133 9.2.1  单因素卡方检验  133 9.2.2  卡方列联表检验  134 9.2.3  Fisher准确检验  136 9.2.4  McNemar检验  139 9.2.5  Cochran's Q检验  140 9.3  练习  141 第 10章  生存时间分析  144 10.1  生存分布  144 10.2  生存概率  145 10.2.1  删失  145 10.2.2  Kaplan–Meier生存曲线  146 10.3  在两组间比较生存曲线  148 第三部分  统计建模 第 11章  线性回归模型  150 11.1  线性相关  150 11.1.1  相关系数  150 11.1.2  秩相关  151 11.2  一般线性回归模型  152 11.2.1  例子1：简单线性回归  153 11.2.2  例子2：二次方拟合  153 11.2.3  决定系数  154 11.3  Patsy：公式的语言  155 11.4  用Python进行线性回归分析  158 11.4.1  例子1：拟合带置信区间的直线  158 11.4.2  例子2：嘈杂的二次多项式  159 11.5  线性回归模型的结果  162 11.5.1  例子：英国的烟草和酒精  162 11.5.2  带有截距的回归的定义  165 11.5.3  R2值  165 11.5.4  调整后的R2值  165 11.5.5  模型的系数和它们的解释  168 11.5.6  残差分析  171 11.5.7  异常值  174 11.5.8  用Sklearn进行回归  175 11.5.9  结论  176 11.6  线性回归模型的假设  177 11.7  线性回归模型结果的解释  180 11.8  Bootstrapping  180 11.9  练习  181 第 12章  多元数据分析  182 12.1  可视化多元相关  182 12.1.1  散点图矩阵  182 12.1.2  相关性矩阵  182 12.2  多重线性回归  184 第 13章  离散数据的检验  185 13.1  等级资料的组间比较  185 13.2  Logistic回归  186 13.3  广义线性模型  188 13.3.1  指数族分布  189 13.3.2  线性预测器和连接函数  189 13.4  有序Logistic回归  189 13.4.1  问题定义  189 13.4.2  优化  191 13.4.3  代码  191 13.4.4  性能  191 第 14章  贝叶斯统计学  193 14.1  贝叶斯学派与频率学派的解释  193 14.2  计算机时代的贝叶斯方法  195 14.3  例子：用马尔可夫链蒙特卡洛模拟分析挑战者号灾难  195 14.4  总结  198 参考答案  199 术语表  219 参考文献  223