正版 数据分析与数据思维——Python编程要点、分析方法与实践技

第1章 Python语言与数据分析
学习指南
1.1 Python语言及其特征
1.1.1 Python语言的特点
1.1.2 Python语言的版本
1.2 数据分析与Python语言
1.2.1 Python语言在数据分析领域的重要地位
1.2.2 Python语言程序代码的编写质量
1.3 面向数据分析的Python编程
1.3.1 Python语言的基础语法
1.3.2 Python的第三方工具包
1.3.3 Python学习或编程中常见误区
1.4 Python数据分析的集成开发环境
1.5 Python代码的编写与运行实例
小结
习题1
第2章 Python语言基础语法
学习指南
2.1 变量及其定义方法
2.1.1 变量的定义方法
2.1.2 Python是动态类型语言
2.1.3 Python是强类型语言
2.1.4 Python中的变量是引用类变量
2.1.5 Python中区分大小写
2.1.6 变量命名规范
2.1.7 iPython的特殊变量
2.1.8 查看Python关键字的方法
2.1.9 查看已定义的所有变量
2.1.10 删除变量
2.2 运算符、表达式、语句
2.2.1 运算符
2.2.2 语句书写规范
2.2.3 赋值语句
2.2.4 注释语句
2.2.5 if语句
2.2.6 for语句
2.2.7 while语句
2.2.8 pass语句
2.3 数据类型与数据结构
2.3.1 数据类型
2.3.2 列表
2.3.3 元组
2.3.4 字符串
2.3.5 序列
2.3.6 集合
2.3.7 字典
2.4 包与模块
2.4.1 包
2.4.2 模块
2.5 内置函数、模块函数和自定义函数
2.5.1 函数
2.5.2 内置函数
2.5.3 模块函数
2.5.4 自定义函数
小结
习题2
第3章 Python语言高级语法
学习指南
3.1 迭代器与可迭代对象
3.1.1 可迭代对象
3.1.2 迭代器
3.2 生成器与装饰器
3.2.1 生成器
3.2.2 装饰器
3.3 查阅帮助
3.3.1 help函数
3.3.2 docString
3.3.3 查看源代码
3.3.4 doc属性
3.3.5 dir()函数
3.3.6 其他方法
3.4 异常处理、断言与程序调试
3.4.1 try/except/finally
3.4.2 异常/错误信息的显示模式
3.4.3 断言与检查点的设置
3.4.4 调试程序的基本方法
3.5 数据文件的读写
3.5.1 搜索路径
3.5.2 当前工作目录
3.5.3 文件读写方法
3.6 面向对象编程
3.6.1 类的定义方法
3.6.2 类中的特殊方法
3.6.3 类之间的继承关系
3.6.4 私有属性及@property装饰器
3.6.5 self和cls
3.6.6 new与init的区别和联系
小结
习题3
第4章 数据准备与加工
学习指南
4.1 随机数
4.1.1 一次生成一个随机数
4.1.2 一次生成一个随机数组
4.2 多维数组
4.2.1 创建方法
4.2.2 主要特征
4.2.3 切片读取
4.2.4 浅拷贝和深拷贝
4.2.5 形状与重构
4.2.6 属性计算
4.2.7 ndaITay的计算
4.2.8 ndarray的元素类型
4.2.9 插入与删除
4.2.10 缺失值处理
4.2.11 ndarray的广播规则
4.2.12 ndarray的排序
4.3 数据框
4.3.1 创建方法
4.3.2 查看行或列
4.3.3 切片方法
4.3.4 索引操作
4.3.5 删除或过滤行／列
4.3.6 算术运算
4.3.7 描述性统计
4.3.8 数据排序
4.3.9 导入/导出
4.3.10 缺失数据处理
4.3.11 分组统计
4.4 Key.Value型数据
4.4.1 Series的主要特点
4.4.2 Series的定义方法
4.4.3 Series的操作方法
4.5 时间与日期类型数据
4.5.1 定义方法
4.5.2 转换方法
4.5.3 显示系统当前时间
4.5.4 计算时差
4.5.5 时间索引
4.5.6 period-range()函数
4.6 数据可视化
4.6.1 Matplotlib可视化
4.6.2 改变图的属性
4.6.3 改变图的类型
4.6.4 改变图的坐标轴的取值范围
4.6.5 去掉边界的空白
4.6.6 在同一个坐标上画两个图
4.6.7 多图显示
4.6.8 图的保存
4.6.9 散点图的画法
4.6.10 Pandas可视化
4.6.11 Seaborn可视化
4.6.12 教师工资收入的可视化分析
小结
习题4
第5章 数据分析算法与模型
学习指南
5.1 基于Python的统计学编程
5.1.1 女性身高数据的回归分析
5.1.2 广告投放及销售额分析
5.2 基于Pvthon的机器学习编程
5.2.1 威斯康星乳腺癌数据分析及自动诊断
5.2.2 不同国家蛋白质消费结构分析
小结
习题5
第6章 自然语言处理与图像处理
学习指南
6.1 自然语言处理
6.1.1 自然语言处理的常用包
6.1.2 自然语言处理的包导入与设置
6.1.3 数据读入
6.1.4 分词处理
6.1.5 自定义词汇
6.1.6 停用词处理
6.1.7 词性分布分析
6.1.8 高频词分析
6.1.9 词频统计
6.1.10 关键词分析
6.1.1l 生成词云
6.2 人脸识别与图像处理
6.2.1 安装并导入opencv—pyrthon包
6.2.2 读取图像文件
6.2.3 将RGB图像转换为灰度图
6.2.4 人脸检测与绘制长方形
6.2.5 图像显示
6.2.6 图像保存
小结
习题6

朝乐门，1979年生，中国人民大学数据工程与知识工程教育部重点实验室、信息资源管理学院副教授，博士生导师；章鱼大数据首席数据科学家：中国计算机学会信息系统专委员会委员、ACM高级会员、国际知识管理协会正式委员、全国高校大数据教育联盟大数据教材专家指导委员会委员；获得北京市中青年骨干教师称号、国际知识管理与智力资本杰出成就奖、Emerald/EFMD国际杰出博士论文奖、国家自然科学基金项目优秀项目、中国大数据学术创新奖和中国大数据创新百人等多种奖励30余项。朝乐门是我国第一部系统阐述数据科学理念、理论、方法、技术和工具的重要专著——《数据科学》（清华大学出版社，2016）的作者。

本书面向零基础的Python学习者和数据分析师，较为详尽的文字叙述与足够的图片解释相结合，篇幅内容合适，没有包含对初学者学习难度过高的知识，提供了丰富的教学资源(包括系统、学习指南、疑难解答等），同时专业解读数据分析师应掌握的编程要点、分析方法和实践技能，实用性强，学习效果好。
本书主要内容包括6个模块：Python语言与数据分析、Python 语言基础语法、Python语言高级语法、数据准备与加工、数据分析算法与模型、自然语言处理与图像处理。
本书可以作为高等院校数据科学与大数据、计算机科学与技术、软件工程等工科类各专业学生的相关课程的教材，也可以作为新文科特色的大数据管理、统计学、金融学、信息管理、电子商务、商务智能、金融科技等相关专业相关课程的教材。