1.Python零基础，轻松学会数据分析与挖掘 2.编码、分析、挖掘，数据分析全流程一次搞定 3.微课视频，扫码即可观看，重点难点逐个击破 本书适于统计学、数学、经济学、金融学、管理学以及相关理工科专业的本科生、研究生使用，也能够提高从事数据咨询、研究或分析等人士的专业水平和技能。

1.Python零基础，轻松学会数据分析与挖掘 2.编码、分析、挖掘，数据分析全流程一次搞定 3.微课视频，扫码即可观看，重点难点逐个击破 本书适于统计学、数学、经济学、金融学、管理学以及相关理工科专业的本科生、研究生使用，也能够提高从事数据咨询、研究或分析等人士的专业水平和技能。

本书适于统计学、数学、经济学、金融学、管理学以及相关理工科专业的本科生、研究生使用，也能够提高从事数据咨询、研究或分析等人士的专业水平和技能。

第1章　Python开发环境的搭建与编码规范 1

1.1　Python开发环境的搭建与使用　1

1.1.1　IDLE　2

1.1.2　Anaconda3　3

1.1.3　安装扩展库　4

1.2　Python编码规范　5

1.3　标准库、扩展库对象的

导入与使用　7

1.3.1　import模块名[ as 别名]　7

1.3.2　from模块名import

对象名[　as 别名]　7

1.3.3　from模块名import *　8

本章知识要点　8

本章习题　9

第2章　数据类型、运算符与内置函数　10

2.1　常用内置数据类型　10

2.1.1　整数、浮点数、复数　11

2.1.2　列表、元组、字典、集合　12

2.1.3　字符串　13

2.2　运算符与表达式　14

2.2.1　算术运算符　15

2.2.2　关系运算符　17

2.2.3　成员测试运算符　18

2.2.4　集合运算符　18

2.2.5　逻辑运算符　18

2.3　常用内置函数　19

2.3.1　类型转换　21

2.3.2　最大值、最小值　22

2.3.3　元素数量、求和　23

2.3.4　排序、逆序　24

2.3.5　基本输入/输出　25

2.3.6　range()　26

2.3.7　zip()　26

2.3.8　map()、reduce()、filter()　27

2.4　综合应用与例题解析　28

本章知识要点　29

本章习题　30

第3章　列表、元组、字典、集合与

字符串　31

3.1　列表与列表推导式　31

3.1.1　创建列表　31

3.1.2　使用下标访问列表中的

元素　32

3.1.3　列表常用方法　33

3.1.4　列表推导式　34

3.1.5　切片操作　35

3.2　元组与生成器表达式　36

3.2.1　元组与列表的区别　36

3.2.2　生成器表达式　36

3.2.3　序列解包　37

3.3　字典　37

3.3.1　字典元素的访问　38

3.3.2　字典元素的修改、

添加与删除　39

3.4　集合　39

3.4.1　集合概述　39

3.4.2　集合常用方法　40

3.5　字符串常用方法　40

3.5.1　encode()　41

3.5.2　format()　41

3.5.3　index()、rindex()、count()　42

3.5.4　replace()、maketrans()、

translate()　42

3.5.5　ljust()、rjust()、center()　43

3.5.6　split()、rsplit()、join()　43

3.5.7　lower()、upper()、capitalize()、

title()、swapcase()　44

3.5.8　startswith()、endswith()　44

3.5.9　strip()、rstrip()、lstrip()　44

3.6　综合应用与例题解析　45

本章知识要点　47

本章习题　47

第4章　选择结构、循环结构、

函数定义与使用　49

4.1　选择结构　49

4.1.1　条件表达式　49

4.1.2　单分支选择结构　50

4.1.3　双分支选择结构　50

4.1.4　嵌套的分支结构　50

4.2　循环结构　51

4.2.1　for循环　51

4.2.2　while循环　51

4.2.3　break与continue语句　52

4.3　函数定义与使用　52

4.3.1　函数定义基本语法　52

4.3.2　lambda表达式　52

4.3.3　递归函数　53

4.3.4　生成器函数　53

4.3.5　位置参数、默认值参数、关键

参数、可变长度参数　54

4.3.6　变量作用域　55

4.4　综合应用与例题解析　56

本章知识要点　57

本章习题　58

第5章　文件操作　59

5.1　文件操作基础　59

5.1.1　内置函数open()　59

5.1.2　文件对象常用方法　60

5.1.3　上下文管理语句with　61

5.2　JSON文件操作　61

5.3　CSV文件操作　62

5.4　Word、Excel、PowerPoint

文件操作实战　63

本章知识要点　65

本章习题　65

第6章　numpy数组与矩阵运算　67

6.1　numpy数组及其运算　67

6.1.1　创建数组　67

6.1.2　测试两个数组的对应元素

是否足够接近　69

6.1.3　修改数组中的元素值　70

6.1.4　数组与标量的运算　71

6.1.5　数组与数组的运算　71

6.1.6　数组排序　72

6.1.7　数组的内积运算　73

6.1.8　访问数组中的元素　73

6.1.9　数组对函数运算的支持　74

6.1.10　改变数组形状　75

6.1.11　数组布尔运算　76

6.1.12　分段函数　77

6.1.13　数组堆叠与合并　78

6.2　矩阵生成与常用操作　79

6.2.1　矩阵生成　79

6.2.2　矩阵转置　79

6.2.3　查看矩阵特征　80

6.2.4　矩阵乘法　81

6.2.5　计算相关系数矩阵　81

6.2.6　计算方差、协方差、标准差　82

6.3　计算特征值与特征向量　82

6.4　计算逆矩阵　83

6.5　求解线性方程组　84

6.6　计算向量和矩阵的范数　85

6.7　奇异值分解　86

6.8　函数向量化　87

本章知识要点　88

本章习题　88

第7章　pandas数据分析实战　91

7.1　pandas常用数据类型　91

7.1.1　一维数组与常用操作　92

7.1.2　时间序列与常用操作　96

7.1.3　二维数组DataFrame　99

7.2　DataFrame数据处理与分析实战　101

7.2.1　读取Excel文件中的数据　101

7.2.2　筛选符合特定条件的数据　103

7.2.3　查看数据特征和统计信息　106

7.2.4　按不同标准对数据排序　108

7.2.5　使用分组与聚合对员工

业绩进行汇总　110

7.2.6　处理超市交易数据中的

异常值　114

7.2.7　处理超市交易数据中的

缺失值　115

7.2.8　处理超市交易数据中的

重复值　117

7.2.9　使用数据差分查看员工

业绩波动情况　118

7.2.10　使用透视表与交叉表查看

　业绩汇总数据　119

7.2.11　使用重采样技术按时间段

　查看员工业绩　123

7.2.12　多索引相关技术与操作　125

7.2.13　使用标准差与协方差分析

　员工业绩　127

7.2.14　使用pandas的属性接口实现

　高级功能　130

7.2.15　绘制各员工在不同柜台

　业绩平均值的柱状图　132

7.2.16　查看DataFrame的内存

　占用情况　134

7.2.17　数据拆分与合并　135

本章知识要点　139

本章习题　140

第8章　sklearn机器学习实战　141

8.1　机器学习基本概念　141

8.2　机器学习库sklearn简介　147

8.2.1　扩展库sklearn常用

模块与对象　147

8.2.2　选择合适的模型和算法　149

8.3　线性回归算法的原理与应用　149

8.3.1　线性回归模型的原理　149

8.3.2　sklearn中线性回归模型的

简单应用　150

8.3.3　岭回归的基本原理与

sklearn实现　151

8.3.4　套索回归Lasso的基本

原理与sklearn实现　152

8.3.5　弹性网络ElasticNet的基本

原理与sklearn实现　153

8.3.6　使用线性回归模型预测

儿童身高　153

8.4　逻辑回归算法的原理与应用　155

8.4.1　逻辑回归算法的原理与

sklearn实现　155

8.4.2　使用逻辑回归算法预测

考试能否及格　157

8.5　朴素贝叶斯算法的原理与应用　158

8.5.1　基本概念　158

8.5.2　朴素贝叶斯算法分类的原理与

sklearn实现　160

8.5.3　使用朴素贝叶斯算法对中文

邮件进行分类　161

8.6　决策树与随机森林算法的应用　163

8.6.1　基本概念　163

8.6.2　决策树算法原理与

sklearn实现　163

8.6.3　随机森林算法原理与

sklearn实现　166

8.6.4　使用决策树算法判断学员的

Python水平　168

8.7　支持向量机算法原理与应用　170

8.7.1　支持向量机算法基本原理与

sklearn实现　170

8.7.2　使用支持向量机对手写数字

图像进行分类　172

8.8　KNN算法原理与应用　175

8.8.1　KNN算法的基本原理与

sklearn实现　175

8.8.2　使用KNN算法判断交通

工具类型　177

8.9　KMeans聚类算法原理与应用　178

8.9.1　KMeans聚类算法的基本原理

与sklearn实现　178

8.9.2　使用KMeans算法压缩

图像颜色　181

8.10　分层聚类算法原理与应用　182

8.11　DBSCAN算法原理与应用　184

8.12　使用协同过滤算法进行

　电影推荐　187

8.13　关联规则分析原理与应用　189

8.13.1　关联规则分析原理与

　基本概念　189

8.13.2　使用关联规则分析

　演员关系　190

8.14　数据降维　192

8.15　交叉验证与网格搜索　195

8.15.1　使用交叉验证评估模型

　泛化能力　195

8.15.2　使用网格搜索确定模型

　最佳参数　197

本章知识要点　199

本章习题　200

第9章　matplotlib数据可视化实战　201

9.1　数据可视化库matplotlib基础　201

9.2　绘制折线图实战　202

9.3　绘制散点图实战　205

9.4　绘制柱状图实战　208

9.5　绘制饼状图实战　212

9.6　绘制雷达图实战　215

9.7　绘制三维图形实战　218

9.8　绘图区域切分实战　224

9.9　设置图例样式实战　225

9.10　事件响应与处理实战　229

9.11　填充图形　244

9.12　保存绘图结果　246

本章知识要点　247

本章习题　247

部分习题答案　248

第1章　Python开发环境搭建与

编码规范　248

第2章　数据类型、运算符与

内置函数　248

第3章　列表、元组、字典、集合与

字符串　249

第4章　选择结构、循环结构、函数

定义与使用　251

第5章　文件操作　253

第6章　numpy数组与矩阵运算　254

第7章　pandas数据分析实战　255

附录A　运算符、内置函数对常用内置

对象的支持情况表　257

附录B　Python关键字清单　258

附录C　常用标准库对象速查表　260

附录D　常用Python扩展库清单　263

参考文献　264