思维导图备注

利用python进行数据分析原书第2版
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

第12章 高阶pandas

浏览 6 扫码
  • 小字体
  • 中字体
  • 大字体
2022-02-19 06:20:15
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 译者序
  • 前言
  • 第1章 准备工作
    • 1.1.1 什么类型的数据
    • 1.2 为何利用Python进行数据分析
      • 1.2.1 Python作为胶水
      • 1.2.2 解决“双语言”难题
      • 1.2.3 为何不使用Python
    • 1.3 重要的Python库
      • 1.3.2 pandas
      • 1.3.3 matplotlib
      • 1.3.4 IPython与Jupyter
      • 1.3.5 SciPy
      • 1.3.6 scikit-learn
      • 1.3.7 statsmodels
    • 1.4 安装与设置
      • 1.4.1 Windows
      • 1.4.2 Apple（OS X和macOS）
      • 1.4.3 GNU/Linux
      • 1.4.4 安装及更新Python包
      • 1.4.5 Python 2和Python 3
      • 1.4.6 集成开发环境和文本编辑器
    • 1.5 社区和会议
    • 1.6 快速浏览本书
      • 1.6.1 代码示例
      • 1.6.2 示例数据
      • 1.6.3 导入约定
      • 1.6.4 术语
  • 第2章 Python语言基础、IPython及Jupyter notebook
    • 2.1 Python解释器
    • 2.2 IPython基础
      • 2.2.2 运行Jupyter notebook
      • 2.2.3 Tab补全
      • 2.2.4 内省
      • 2.2.5 %run命令
      • 2.2.6 执行剪贴板中的程序
      • 2.2.7 终端快捷键
      • 2.2.8 关于魔术命令
      • 2.2.9 matplotlib集成
    • 2.3 Python语言基础
      • 2.3.2 标量类型
      • 2.3.3 控制流
  • 第3章 内建数据结构、函数及文件
    • 3.1 数据结构和序列
      • 3.1.2 列表
      • 3.1.3 内建序列函数
      • 3.1.4 字典
      • 3.1.5 集合
      • 3.1.6 列表、集合和字典的推导式
    • 3.2 函数
      • 3.2.1 命名空间、作用域和本地函数
      • 3.2.2 返回多个值
      • 3.2.3 函数是对象
      • 3.2.4 匿名（Lambda）函数
      • 3.2.5 柯里化：部分参数应用
      • 3.2.6 生成器
      • 3.2.7 错误和异常处理
    • 3.3 文件与操作系统
      • 3.3.1 字节与Unicode文件
  • 3.4 本章小结
    • 4.1 NumPy ndarray：多维数组对象
      • 4.1.1 生成ndarray
      • 4.1.2 ndarray的数据类型
      • 4.1.3 NumPy数组算术
      • 4.1.4 基础索引与切片
      • 4.1.5 布尔索引
      • 4.1.6 神奇索引
      • 4.1.7 数组转置和换轴
    • 4.2 通用函数：快速的逐元素数组函数
    • 4.3 使用数组进行面向数组编程
      • 4.3.1 将条件逻辑作为数组操作
      • 4.3.2 数学和统计方法
      • 4.3.3 布尔值数组的方法
      • 4.3.4 排序
      • 4.3.5 唯一值与其他集合逻辑
    • 4.4 使用数组进行文件输入和输出
    • 4.5 线性代数
    • 4.6 伪随机数生成
    • 4.7 示例：随机漫步
      • 4.7.1 一次性模拟多次随机漫步
  • 4.8 本章小结
    • 5.1 pandas数据结构介绍
      • 5.1.2 DataFrame
      • 5.1.3 索引对象
    • 5.2 基本功能
      • 5.2.1 重建索引
      • 5.2.2 轴向上删除条目
      • 5.2.3 索引、选择与过滤
      • 5.2.4 整数索引
      • 5.2.5 算术和数据对齐
      • 5.2.6 函数应用和映射
      • 5.2.7 排序和排名
      • 5.2.8 含有重复标签的轴索引
    • 5.3 描述性统计的概述与计算
      • 5.3.1 相关性和协方差
      • 5.3.2 唯一值、计数和成员属性
  • 5.4 本章小结
    • 6.1 文本格式数据的读写
      • 6.1.1 分块读入文本文件
      • 6.1.2 将数据写入文本格式
      • 6.1.3 使用分隔格式
      • 6.1.4 JSON数据
      • 6.1.5 XML和HTML：网络抓取
    • 6.2 二进制格式
      • 6.2.1 使用HDF5格式
      • 6.2.2 读取Microsoft Excel文件
    • 6.3 与Web API交互
    • 6.4 与数据库交互
  • 6.5 本章小结
    • 7.1 处理缺失值
      • 7.1.1 过滤缺失值
      • 7.1.2 补全缺失值
    • 7.2 数据转换
      • 7.2.2 使用函数或映射进行数据转换
      • 7.2.3 替代值
      • 7.2.4 重命名轴索引
      • 7.2.5 离散化和分箱
      • 7.2.6 检测和过滤异常值
      • 7.2.7 置换和随机抽样
      • 7.2.8 计算指标/虚拟变量
    • 7.3 字符串操作
      • 7.3.1 字符串对象方法
      • 7.3.2 正则表达式
      • 7.3.3 pandas中的向量化字符串函数
    • 7.4 本章小结
  • 第8章 数据规整：连接、联合与重塑
    • 8.1 分层索引
      • 8.1.1 重排序和层级排序
      • 8.1.2 按层级进行汇总统计
      • 8.1.3 使用DataFrame的列进行索引
    • 8.2 联合与合并数据集
      • 8.2.1 数据库风格的DataFrame连接
      • 8.2.2 根据索引合并
      • 8.2.3 沿轴向连接
      • 8.2.4 联合重叠数据
    • 8.3 重塑和透视
      • 8.3.2 将“长”透视为“宽”
      • 8.3.3 将“宽”透视为“长”
    • 8.4 本章小结
  • 第9章 绘图与可视化
    • 9.1 简明matplotlib API入门
      • 9.1.1 图片与子图
      • 9.1.2 颜色、标记和线类型
      • 9.1.3 刻度、标签和图例
      • 9.1.4 注释与子图加工
      • 9.1.5 将图片保存到文件
      • 9.1.6 matplotlib设置
    • 9.2 使用pandas和seaborn绘图
      • 9.2.1 折线图
      • 9.2.2 柱状图
      • 9.2.3 直方图和密度图
      • 9.2.4 散点图或点图
      • 9.2.5 分面网格和分类数据
    • 9.3 其他Python可视化工具
    • 9.4 本章小结
  • 第10章 数据聚合与分组操作
    • 10.1 GroupBy机制
      • 10.1.1 遍历各分组
      • 10.1.2 选择一列或所有列的子集
      • 10.1.3 使用字典和Series分组
      • 10.1.4 使用函数分组
      • 10.1.5 根据索引层级分组
    • 10.2 数据聚合
      • 10.2.1 逐列及多函数应用
      • 10.2.2 返回不含行索引的聚合数据
    • 10.3 应用：通用拆分-应用-联合
      • 10.3.1 压缩分组键
      • 10.3.2 分位数与桶分析
      • 10.3.3 示例：使用指定分组值填充缺失值
      • 10.3.4 示例：随机采样与排列
      • 10.3.5 示例：分组加权平均和相关性
      • 10.3.6 示例：逐组线性回归
    • 10.4 数据透视表与交叉表
      • 10.4.1 交叉表：crosstab
    • 10.5 本章小结
  • 第11章 时间序列
    • 11.1 日期和时间数据的类型及工具
      • 11.1.1 字符串与datetime互相转换
    • 11.2 时间序列基础
      • 11.2.1 索引、选择、子集
      • 11.2.2 含有重复索引的时间序列
    • 11.3 日期范围、频率和移位
      • 11.3.1 生成日期范围
      • 11.3.2 频率和日期偏置
      • 11.3.3 移位（前向和后向）日期
    • 11.4 时区处理
      • 11.4.1 时区的本地化和转换
      • 11.4.2 时区感知时间戳对象的操作
      • 11.4.3 不同时区间的操作
    • 11.5 时间区间和区间算术
      • 11.5.1 区间频率转换
      • 11.5.2 季度区间频率
      • 11.5.3 将时间戳转换为区间（以及逆转换）
      • 11.5.4 从数组生成PeriodIndex
    • 11.6 重新采样与频率转换
      • 11.6.1 向下采样
      • 11.6.2 向上采样与插值
      • 11.6.3 使用区间进行重新采样
    • 11.7 移动窗口函数
      • 11.7.1 指数加权函数
      • 11.7.2 二元移动窗口函数
      • 11.7.3 用户自定义的移动窗口函数
    • 11.8 本章小结
  • 第12章 高阶pandas
    • 12.1 分类数据
      • 12.1.2 pandas中的Categorical类型
      • 12.1.3 使用Categorical对象进行计算
      • 12.1.4 分类方法
    • 12.2 高阶GroupBy应用
      • 12.2.2 分组的时间重新采样
    • 12.3 方法链技术
      • 12.3.1 pipe方法
    • 12.4 本章小结
  • 第13章 Python建模库介绍
    • 13.1 pandas与建模代码的结合
    • 13.2 使用Patsy创建模型描述
      • 13.2.1 Patsy公式中的数据转换
      • 13.2.2 分类数据与Patsy
    • 13.3 statsmodels介绍
      • 13.3.1 评估线性模型
      • 13.3.2 评估时间序列处理
    • 13.4 scikit-learn介绍
    • 13.5 继续你的教育
  • 第14章 数据分析示例
    • 14.1 从Bitly获取1.USA.gov数据
      • 14.1.1 纯Python时区计数
      • 14.1.2 使用pandas进行时区计数
    • 14.2 MovieLens 1M数据集
      • 14.2.1 测量评价分歧
    • 14.3 美国1880～2010年的婴儿名字
      • 14.3.1 分析名字趋势
    • 14.4 美国农业部食品数据库
    • 14.5 2012年联邦选举委员会数据库
      • 14.5.1 按职业和雇主的捐献统计
      • 14.5.2 捐赠金额分桶
      • 14.5.3 按州进行捐赠统计
    • 14.6 本章小结
  • 附录A 高阶NumPy
  • 附录B 更多IPython系统相关内容
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《利用python进行数据分析原书第2版》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度