本書面向大數(shù)據(jù)應用型人才，以任務為導向，全面地介紹Python數(shù)據(jù)分析與挖掘的常用技術(shù)與真實案例。全書共7章，第1、2章介紹Python數(shù)據(jù)分析的常用模塊及其應用，涵蓋NumPy數(shù)值計算模塊、pandas數(shù)據(jù)分析模塊，較為全面地闡述Python數(shù)據(jù)分析的方法；第3、4章介紹輕量級的數(shù)據(jù)交換格式JSON和連接MySQL數(shù)據(jù)庫的pymysql模塊，并以此進行數(shù)據(jù)綜合案例的分析；第5章介紹Matplotlib可視化模塊，用于繪制一些統(tǒng)計圖形；第6章主要講解Flask框架結(jié)合ECharts實現(xiàn)可視化效果；第7章主要講解在機器學習和數(shù)據(jù)挖掘中sklearn模塊的應用。
本書適合作為高等院校大數(shù)據(jù)專業(yè)、人工智能專業(yè)的Python教材，也可作為Python相關(guān)培訓的教材。
第 1章 數(shù)值計算模塊NumPy 1
1．1 NumPy數(shù)組的創(chuàng)建與保存 2
1．1．1 使用基本方法創(chuàng)建數(shù)組 2
1．1．2 使用通用方法創(chuàng)建數(shù)組 3
1．1．3 讀取外部數(shù)據(jù)創(chuàng)建數(shù)組 6
1．1．4 數(shù)組保存為文本文件 7
1．2 NumPy數(shù)組操作 8
1．2．1 數(shù)組的數(shù)據(jù)類型操作 8
1．2．2 數(shù)組的形狀及其相關(guān)操作 10
1．2．3 數(shù)組元素訪問：索引與切片 13
1．2．4 數(shù)組運算 15
1．3 NumPy數(shù)組常用函數(shù) 19
1．3．1 統(tǒng)計函數(shù) 19
1．3．2 邏輯函數(shù) 24
1．3．3 離散差分函數(shù)和梯度函數(shù) 26
1．3．4 隨機函數(shù) 28
1．3．5 其他常用函數(shù) 31
1．4 股價統(tǒng)計分析案例 31
1．4．1 讀取南方股價數(shù)據(jù)文件 32
1．4．2 計算市盈率 34
1．4．3 計算成交額加權(quán)平均價格 35
1．4．4 計算股價的極值 36
1．4．5 計算股價方差與標準差 37
1．4．6 計算股票收益率和波動率 38
1．4．7 求平均收盤價極值分別為星期幾 41
第 2章 數(shù)據(jù)分析模塊pandas 43
2．1 pandas基礎 43
2．1．1 pandas簡介 43
2．1．2 pandas的數(shù)據(jù)結(jié)構(gòu) 43
2．1．3 pandas的安裝和導入 44
2．1．4 pandas數(shù)據(jù)結(jié)構(gòu)的運算操作 44
2．2 從文件讀取數(shù)據(jù)構(gòu)建DataFrame 49
2．2．1 讀取csv文件 49
2．2．2 讀取txt文件 53
2．2．3 讀取Excel文件中的數(shù)據(jù) 54
2．2．4 將DataFrame保存為csv文件 55
2．3 DataFrame的訪問與刪除 57
2．3．1 訪問方式 57
2．3．2 行列的刪除 58
2．3．3 DataFrame的訪問實例 59
2．4 時間類型的轉(zhuǎn)換與處理 60
2．4．1 pandas．to_datetime() 60
2．4．2 提取年月日、時分秒、季節(jié)、星期 61
2．4．3 批量處理Datetime數(shù)據(jù) 62
2．5 數(shù)據(jù)的清洗 63
2．5．1 查找所有存在缺失值的行 63
2．5．2 刪除缺失值 64
2．5．3 填充缺失值 67
2．5．4 重復值的處理 70
2．5．5 設置與重置索引 74
2．6 數(shù)據(jù)整理 78
2．6．1 列內(nèi)容模糊篩選 78
2．6．2 列數(shù)據(jù)轉(zhuǎn)換 80
2．6．3 數(shù)據(jù)處理 80
2．7 數(shù)據(jù)分析統(tǒng)計 84
2．7．1 數(shù)據(jù)的描述性分析 84
2．7．2 數(shù)據(jù)的分組分析 86
2．7．3 連續(xù)數(shù)據(jù)分區(qū) 91
2．7．4 數(shù)據(jù)的相關(guān)性分析 93
第3章 JSON模塊與格式轉(zhuǎn)換 97
3．1 JSON對象與Python對象 97
3．1．1 Python對象轉(zhuǎn)換為JSON對象 97
3．1．2 JSON對象轉(zhuǎn)換成Python對象 98
3．1．3 Python對象和JSON對象的對比 98
3．2 JSON文件的讀操作 99
3．2．1 保存JSON文件 99
3．2．2 讀取json文件 100
3．2．3 JSON模塊的4個函數(shù) 100
3．3 JSON文件的練習 101
3．3．1 讀取JSON文件 101
3．3．2 pprint模塊 102
3．4 打開文件 103
3．4．1 引入with打開文件的原因 103
3．4．2 使用with open()as讀寫文件 104
第4章 連接數(shù)據(jù)庫的pymysql模塊 107
4．1 在Python 3中連接MySQL 107
4．1．1 游標 107
4．1．2 使用pymysql鏈接MySQL 108
4．1．3 pymysql．connect()的參數(shù)與實例 110
4．2 pymysql的基本使用 112
4．2．1 數(shù)據(jù)庫記錄的增刪改查操作 112
4．2．2 返回字典格式數(shù)據(jù) 120
4．2．3 pymysql與pandas結(jié)合 121
第5章 matplotlib可視化模塊 125
5．1 確定畫布的大小和格局 125
5．1．1 主畫布的設置 125
5．1．2 matplotlib屬性的設置 126
5．1．3 增加子圖 127
5．1．4 解決子圖標題重疊問題 129
5．2 繪制折線圖和散點圖 130
5．2．1 plt．plot()函數(shù)的語法與基本使用 130
5．2．2 圖形的主要設置 133
5．2．3 設置x、y軸坐標刻度 136
5．2．4 在圖上添加注釋 137
5．2．5 使用plt．plot()函數(shù)繪制散點圖 140
5．3 使用plt．scatter()函數(shù)繪制散點圖 141
5．4 使用plt．bar()函數(shù)繪制條形圖 142
5．4．1 plt．bar()函數(shù)的語法與參數(shù) 143
5．4．2 堆疊條形圖 143
5．4．3 并列條形圖 144
5．4．4 條形圖（橫圖） 145
5．4．5 正負條形圖 146
5．5 使用plt．hist()函數(shù)繪制直方圖 147
5．5．1 直方圖與條形圖的區(qū)別 148
5．5．2 繪制直方圖的一般格式 148
5．6 繪制箱形圖 151
5．6．1 箱形圖的組成、形狀與作用 151
5．6．2 繪制畫箱形圖 153
5．6．3 給箱形圖添加注釋 159
5．7 雷達圖 164
5．7．1 極坐標 164
5．7．2 繪制雷達圖 164
5．8 三維圖 166
5．9 通過DataFrame生成折線圖 167
第6章 Flask框架與ECharts可視化 170
6．1 Flask框架的基本概念與使用 170
6．1．1 Flask的基本使用方法 170
6．1．2 Flask框架的概念與更多使用方法 172
6．2 ECharts的使用 175
6．2．1 下載ECharts視圖示例網(wǎng)頁 175
6．2．2 編號Flask程序調(diào)用示例網(wǎng)頁 177
6．3 Flask結(jié)合ECharts實現(xiàn)動態(tài)視圖 179
6．3．1 準備js支持文件 179
6．3．2 在Flask框架的程序中定義數(shù)據(jù) 182
6．3．3 修改HTML以適應Flask動態(tài)數(shù)據(jù) 184
6．4 Flask MySQL ECharts聯(lián)動視圖 187
6．4．1 數(shù)據(jù)庫及表的準備工作 187
6．4．2 選擇簡單柱狀圖作為模板 189
6．4．3 從MySQL中獲取數(shù)據(jù)到ECharts視圖展示 190
第7章 機器學習模塊sklearn 195
7．1 sklearn線性回歸 195
7．1．1 一元線性回歸模型訓練 195
7．1．2 線性回歸模型的評估方法 198
7．1．3 分割語句的用法 199
7．1．4 最小二乘法線性回歸 200
7．2 sklearn分類算法 202
7．2．1 與分類器相關(guān)的概念 202
7．2．2 K近鄰算法 203
7．2．3 貝葉斯算法 205
7．2．4 決策樹算法 208
7．2．5 隨機森林算法 210
7．2．6 SVM算法 211
7．3 Sklearn聚類算法 213
7．3．1 K均值聚類的基本原理 213
7．3．2 K均值聚類算法的主要參數(shù) 214
7．3．3 根據(jù)身高、體重和性別聚類 215
7．3．4 對鳶尾花數(shù)據(jù)進行K均值聚類 220
書單推薦
