第1章 Python语言概述 001
1.1 Python起步 001
1.1.1 Python的起源 001
1.1.2 为什么选择Python 002
1.1.3 Python的特点 002
1.2 下载和安装Python 003
1.2.1 下载Python 004
1.2.2 安装Python 005
1.2.3 Python程序的三种执行方式 006
1.3 第一个Python程序 007
1.3.1 新建一个Python项目 008
1.3.2 第一个HelloPython程序 009
1.3.3 运行和调试 010
1.4 在线习题 010

第2章 Python语法基础 011
2.1 Python基础规则 011
2.1.1 编码及规范 011
2.1.2 标识符及关键字 013
2.1.3 注释 014
2.1.4 行与缩进 016
2.1.5 多行语句 017
2.1.6 运算符和表达式 018
2.1.7 内置对象 024
2.2 标准数据类型 027
2.2.1 number（数字） 030
2.2.2 string（字符串） 031
2.2.3 bool（布尔类型） 032
2.2.4 list（列表） 032
2.2.5 tuple（元组） 033
2.2.6 set（集合） 035
2.2.7 dictionary（字典） 036
2.3 数据类型转换 037
2.3.1 隐式类型转换 037
2.3.2 显示类型转换 038
2.3.3 常用类型转换函数 039
2.4 Python程序流程控制 039
2.4.1 条件语句 039
2.4.2 循环语句 041
2.5 案例应用 043
2.5.1 排列组合 043
2.5.2 阶梯求和 044
2.5.3 判断天数 044
2.5.4 输出棋盘 045
2.5.5 乘法口诀表 045
2.6 在线习题 045

第3章 函数与模块 046
3.1 函数的定义与使用 046
3.1.1 函数定义的基本语法 046
3.1.2 普通函数 047
3.1.3 匿名函数 047
3.1.4 参数传递 048
3.1.5 参数类型 050
3.1.6 递归函数 055
3.1.7 变量作用域 056
3.1.8 案例解析 058
3.2 模块 059
3.2.1 创建和使用模块 059
3.2.2 模块搜索路径 061
3.2.3 包 062
3.2.4 标准模块 065
3.2.5 管理扩展模块 069
3.3 案例应用 069
3.3.1 排序函数 069
3.3.2 求和函数 072
3.3.3 字符串函数 072
3.3.4 三角函数 075
3.4 在线习题 075

第4章 Python高级特性 076
4.1 切片 076
4.2 迭代 078
4.3 Python推导式 081
4.3.1 列表推导式 081
4.3.2 字典推导式 082
4.3.3 集合推导式 083
4.4 生成器 083
4.4.1 生成器概念 083
4.4.2 创建生成器 084
4.4.3 生成器示例 085
4.5 迭代器 086
4.5.1 什么是迭代器 086
4.5.2 创建迭代器 087
4.5.3 迭代器示例 088
4.6 高阶函数 089
4.6.1 map函数 090
4.6.2 filter函数 091
4.6.3 reduce函数 091
4.6.4 lambda 表达式 092
4.7 在线习题 093

第5章 面向对象编程 094
5.1 面向对象技术简介 094
5.1.1 类与对象 098
5.1.2 类的定义与使用 098
5.1.3 自定义类 100
5.2 数据成员与成员方法 100
5.2.1 私有成员与公有成员 100
5.2.2 数据成员和属性 102
5.2.3 成员方法、类方法 104
5.2.4 静态方法和抽象方法 105
5.2.5 魔法方法 108
5.3 继承与多态 109
5.3.1 继承 109
5.3.2 多态 114
5.4 面向对象编程示例 116
5.5 在线习题 118

第6章 异常处理与调试 119
6.1 异常处理 119
6.1.1 异常概念 120
6.1.2 异常捕获 120
6.1.3 抛出异常 125
6.1.4 自定义异常 126
6.2 调试技巧 128
6.2.1 打印与输出 128
6.2.2 使用断言 129
6.2.3 pdb调试器 129
6.2.4 logging模块 136
6.2.5 Python 性能分析器 143
6.2.6 timeit模块 146
6.3 在线习题 147

第7章 Python标准库 148
7.1 文本处理 148
7.1.1 string字符串 148
7.1.2 textwrap文本段落格式化 154
7.1.3 正则表达式 156
7.1.4 difflib字符比较 158
7.2 日期和时间 159
7.2.1 time时间模块 159
7.2.2 datetime日期和时间处理 161
7.2.3 calendar日期操作 162
7.3 数学模块 163
7.3.1 decimal高精度计算 163
7.3.2 fractions分数运算 164
7.3.3 random伪随机数生成器 165
7.3.4 math数学函数 167
7.4 数据结构 169
7.4.1 enum枚举结构 169
7.4.2 array序列化固定类型 171
7.4.3 queue队列 172
7.5 在线习题 172

第8章 数据分析基础 173
8.1 什么是数据分析 173
8.2 数据分析基本流程 173
8.3 Python数据分析常用库 174
8.3.1 数据爬取 174
8.3.2 数值计算 174
8.3.3 数据处理 179
8.3.4 数据可视化 184
8.3.5 机器学习 198
8.4 在线习题 203

第9章 数据爬取：Scrapy 204
9.1 Scrapy框架介绍 204
9.1.1 什么是Scrapy 204
9.1.2 Scrapy的主要组件 204
9.1.3 Scrapy的优势 206
9.1.4 Scrapy的应用场景 206
9.2 Scrapy环境搭建 206
9.3 Scrapy的基本应用 206
9.3.1 创建Scrapy项目 206
9.3.2 创建爬虫 207
9.3.3 获取数据 208
9.3.4 数据清洗 210
9.3.5 存储数据 213
9.3.6 处理反爬虫机制 214
9.3.7 处理动态内容 217
9.3.8 Scrapy性能优化与错误处理 218
9.4 案例：爬取电影排行榜 220
9.5 在线习题 220

第10章 数值计算：NumPy 221
10.1 安装NumPy 221
10.2 数组的创建及其运算 221
10.2.1 创建数组 223
10.2.2 数组的运算 224
10.2.3 数组的排序 225
10.2.4 数组重塑、拼接、分裂 226
10.2.5 数组的增、删、改、查 228
10.3 矩阵的生成及常用操作 231
10.3.1 创建矩阵 231
10.3.2 矩阵运算 232
10.3.3 矩阵转换 235
10.4 统计函数 237
10.5 线性代数 239
10.6 案例：查找评分最高的电影 241
10.7 在线习题 241

第11章 数据分析：Pandas 242
11.1 安装Pandas 242
11.2 Pandas数据结构 242
11.2.1 Series的创建 242
11.2.2 Series的基本操作 244
11.2.3 DataFrame的创建 250
11.2.4 DataFrame的基本操作 254
11.3 导入数据 259
11.3.1 文本文件 259
11.3.2 Excel文件 260
11.3.3 HTML网页 262
11.4 数据操作 264
11.4.1 增加数据 264
11.4.2 删除数据 265
11.4.3 修改数据 266
11.4.4 查询数据 266
11.5 数据清洗 267
11.5.1 缺失值处理 268
11.5.2 重复值处理 269
11.5.3 异常值处理 270
11.6 案例：电影排行榜的数据分析 271
11.7 在线习题 271

第12章 数据可视化：Matplotlib 272
12.1 安装Matplotlib 272
12.2 图表的常用设置 272
12.2.1 设置画布 273
12.2.2 设置坐标轴 274
12.2.3 设置标题和图例 275
12.2.4 添加注释 276
12.2.5 其他设置 278
12.3 常用图表的绘制 279
12.3.1 条形图 280
12.3.2 折线图 282
12.3.3 散点图 284
12.3.4 饼图 285
12.3.5 面积图 285
12.3.6 热力图 286
12.3.7 箱线图 287
12.3.8 直方图 288
12.3.9 3D图表 289
12.4 案例：电影排行榜的数据可视化 292
12.5 在线习题 292

第13章 机器学习：scikit-learn 293
13.1 安装scikit-learn 293
13.2 scikit-learn及机器学习基础知识 293
13.2.1 scikit-learn简介 293
13.2.2 机器学习基础知识 294
13.3 预处理 294
13.3.1 标准化 295
13.3.2 归一化 296
13.3.3 二值化 297
13.3.4 独热编码 297
13.3.5 缺失值填充 299
13.4 降维 300
13.4.1 主成分分析 300
13.4.2 线性判别分析 302
13.5 分类 303
13.5.1 逻辑回归 304
13.5.2 支持向量机 305
13.5.3 决策树 307
13.5.4 神经网络 308
13.5.5 分类模型的评估 310
13.6 回归 312
13.6.1 线性回归 313
13.6.2 岭回归 314
13.6.3 多项式回归 315
13.6.4 回归模型的评估 316
13.7 聚类 318
13.7.1 K-Means聚类 319
13.7.2 聚类模型的评估 320
13.8 模型选择 321
13.8.1 交叉验证 322
13.8.2 网格搜索 322
13.9 案例应用：鸢尾花分类 323
13.10 在线习题 323

参考文献 324