目　　录
前言
第1章　数据分析基础 1
1.1　数据分析概述 1
1.1.1　数据分析 1
1.1.2　数据分析的应用场景 2
1.2　数据分析的流程 3
1.3　常用数据分析工具 4
1.4　本章小结 6
习题 6
第2章　Python数据分析环境 7
2.1　Python概述 7
2.2　Python语言的特点 8
2.3　搭建Python开发环境 9
2.3.1　Windows环境下安装Python开发
环境 9
2.3.2　运行第一个Python程序 14
2.4　集成开发环境—PyCharm 15
2.4.1　PyCharm安装 15
2.4.2　PyCharm使用 18
2.5　数据分析环境Anaconda 23
2.5.1　安装Anaconda 23
2.5.2　通过Anaconda管理Python包 26
2.6　开发工具Jupyter Notebook 27
2.6.1　启动Anaconda自带的Jupyter Notebook 27
2.6.2　使用Jupyter Notebook编写程序 28
2.7　本章小结 30
习题 30
第3章　Python数据类型 31
3.1　Python基本数据类型 31
3.1.1　整型数据 31
3.1.2　浮点型数据 33
3.1.3　字符型数据 34
3.1.4　布尔型数据 35
3.1.5　复数类型数据 36
3.2　Python组合数据类型 36
3.2.1　列表 37
3.2.2　元组 45
3.2.3　字符串 49
3.2.4　集合 55
3.2.5　字典 61
3.3　数据的输入与输出 67
3.3.1　标准输入/输出 67
3.3.2　格式化输出 69
3.3.3　字符串的format方法 71
3.4　本章小结 74
习题 74
第4章　程序控制结构 78
4.1　程序的基本结构 78
4.1.1　顺序结构 78
4.1.2　选择结构 79
4.1.3　循环结构 79
4.2　选择结构程序设计 80
4.2.1　单分支选择结构 80
4.2.2　双分支选择结构 82
4.2.3　多分支选择结构 83
4.2.4　选择结构嵌套 85
4.3　循环结构程序设计 87
4.3.1　while循环结构 87
4.3.2　for语句结构 90
4.3.3　循环的嵌套 93
4.3.4　循环控制语句 95
4.4　本章小结 97
习题 97
第5章　函数与模块 100
5.1　函数概述 100
5.2　函数的定义与调用 101
5.2.1　函数定义 101
5.2.2　函数调用 102
5.3　函数的参数及返回值 103
5.3.1　形式参数和实际参数 103
5.3.2　默认值参数 105
5.3.3　位置参数和关键字参数 107
5.3.4　可变长参数 108
5.3.5　函数的返回值 111
5.4　函数的递归调用 113
5.5　匿名函数 116
5.6　变量的作用域 118
5.6.1　局部变量 118
5.6.2　全局变量 119
5.7　模块 119
5.7.1　定义模块 120
5.7.2　导入模块 120
5.8　函数应用举例 122
5.9　本章小结 125
习题 125
第6章　文件 128
6.1　文件概述 128
6.1.1　文件的定义和分类 128
6.1.2　文件的操作流程 130
6.2　文件的打开与关闭 130
6.2.1　打开文件 130
6.2.2　关闭文件 133
6.3　文件的读写 133
6.3.1　文本文件的读写 133
6.3.2　二进制文件的读写 136
6.4　文件的定位 140
6.5　与文件相关的模块 141
6.5.1　os模块 141
6.5.2　os.path模块 144
6.6　文件应用举例 146
6.7　本章小结 148
习题 148
第7章　NumPy数值计算 150
7.1　数组对象 150
7.1.1?数组创建 150
7.1.2?数组属性 160
7.1.3?数组元素的类型 161
7.2?数组的基本操作 162
7.2.1?数组重塑 162
7.2.2?数组合并 165
7.2.3?数组分割 167
7.2.4?数组转置 169
7.3?数组的索引和切片 171
7.3.1?一维数组的索引和切片 171
7.3.2?多维数组的索引和切片 172
7.3.3?花式索引 173
7.3.4?布尔型索引 174
7.4　数组运算 175
7.4.1?矢量化运算 175
7.4.2　数组广播 176
7.4.3　数组和标量间的运算 177
7.5　NumPy通用函数 177
7.6　线性代数运算 180
7.6.1　数组相乘 180
7.6.2　矩阵行列式 182
7.6.3　线性方程组 182
7.6.4　逆矩阵 183
7.6.5　特征值和特征向量 183
7.7　NumPy数据文件的读写 184
7.7.1　二进制文件的读写 184
7.7.2　文本文件的读写 185
7.8　NumPy数据分析案例 186
7.9　本章小结 187
习题 187
第8章　Pandas数据分析处理 189
8.1　Pandas数据结构 189
8.1.1　序列 189
8.1.2　数据帧 191
8.2　索引 194
8.2.1　重建索引 194
8.2.2　重命名索引 195
8.2.3　层次化索引 196
8.3　数据运算 197
8.3.1　算术运算 197
8.3.2　汇总和统计 198
8.3.3　唯一值和值计数 202
8.4　数据排序 202
8.4.1　按索引排序 202
8.4.2　按值排序 204
8.5　缺失值处理 205
8.5.1　判断缺失值 205
8.5.2　删除缺失值 207
8.5.3　填充缺失值 208
8.6　数据的读写 210
8.6.1　读写CSV文件 210
8.6.2　读写Excel文件 212
8.6.3　读写数据库文件 214
8.7　本章小结 216
习题 216
第9章　Matplotlib数据可视化 218
9.1　Pyplot模块 218
9.1.1　绘制线形图 218
9.1.2　绘制单个子图 221
9.1.3　绘制多个子图 222
9.1.4　添加图形标签 225
9.1.5　添加注释 226
9.1.6　保存图表 228
9.2　基本图形绘制 228
9.2.1　折线图 229
9.2.2　柱形图 229
9.2.3　直方图 231
9.2.4　饼形图 232
9.2.5　散点图 232
9.2.6　箱线图 235
9.3　高级图形绘制 238
9.3.1　雷达图 238
9.3.2　流线图 240
9.3.3　热力图 241
9.3.4　极坐标图 242
9.3.5　3D曲线图 244
9.4　本章小结 247
习题 247
第10章　SciPy科学计算 249
10.1　SciPy中的科学计算工具 249
10.1.1　线性方程组求解 249
10.1.2　范数 250
10.1.3　统计分布 251
10.1.4　积分 254
10.1.5　插值 255
10.2　SciPy中的优化 257
10.2.1　方程求解及求极值 257
10.2.2　数据拟合 259
10.3　SciPy中的稀疏矩阵处理 261
10.3.1　稀疏矩阵的存储 261
10.3.2　稀疏矩阵的运算 264
10.4　典型应用 265
10.4.1　求解非线性方程组 265
10.4.2　求解微分方程 266
10.4.3　求解积分问题 267
10.5　本章小结 267
习题 267
第11章　机器学习 268
11.1　Scikit-Learn库 268
11.1.1　Scikit-Learn库概述 268
11.1.2　Scikit-Learn库中的数据集 269
11.2　分类算法 276
11.2.1　逻辑回归 276
11.2.2　支持向量机 277
11.2.3　决策树 278
11.2.4　K邻近 279
11.2.5　朴素贝叶斯 279
11.3　回归算法 280
11.3.1　线性回归 280
11.3.2　岭回归 281
11.3.3　Lasso回归 282
11.3.4　决策树回归 282
11.4　聚类算法 283
11.4.1　K-means算法 283
11.4.2　层次聚类 285
11.4.3　DBSCAN算法 286
11.5　本章小结 286
习题 286
参考文献 288