Python：数据科学的手段（第2版）

第一部分 基础
第 1 章 软件准备
1．1 下载及安装 Python
1．2 Anaconda 的几种界面
1．3 下载并安装所需模块
第 2 章 Python 基础知识
2．1 一些基本常识
2．2 数组 (字符串、list、tuple、dict) 及与它们相关的函数和运算
2．3 函数、自定义函数、数组元素的计算、循环语句
2．4 伪随机数模块： random
2．5 变量的存储位置
2．6 数据输入输出
第 3 章 类和子类简介
3．1 class
3．2 subclass
第二部分 基本模块
第 4 章 numpy 模块
4．1 Numpy 数组的产生
4．2 数据文件的存取
4．3 数组 (包括矩阵) 及有关的运算
4．4 一些线性代数运算
4．5 关于日期和时间
4．6 多项式运算
4．7 向量化函数
第 5 章 pandas 模块
5．1 数据框的生成和基本性质
5．2 数据框文件的存取
5．3 对数据框元素 (行列) 的选择
5．4 数据框的一些简单计算
5．5 以变量的值作为条件的数据框操作例子
5．6 添加新变量， 删除变量、观测值或改变 index
5．7 数据框文件结构的改变
5．8 数据框文件的合并
5．9 pandas 序列的产生
5．10 pandas 序列的一些性质和计算
5．11 一个例子
5．12 pandas 专门的画图命令

第 6 章 matplotlib 模块
6．1 简单的图
6．2 几张图同框
6．3 排列几张图
6．4 三维图
第 7 章 scipy 模块
7．1 存取各种数据文件
7．2 常用的随机变量的分布及随机数的产生
7．3 自定义分布的随机变量及随机数的产生
7．4 定积分的数值计算 ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? 136
第三部分 编程思维训练
第 8 章 基本编程训练
8．1 基本编程
8．2 更多的和矩阵有关的编程
8．3 和若干简单应用有关的编程训练
8．4 在 Excel 表格之外处理 Excel 数据的训练
第 9 章 若干计算方法的编程训练
9．1 Markov 链
9．2 Gibbs 抽样
9．3 EM 算法
9．4 MCMC 的 Metropolis 算法

第四部分 数据科学
第 10 章 探索性数据分析及数据准备
10．1 把数据转换成常规容易处理的形式
10．2 对数据的简单数字概括
10．3 描述性图形概述
10．4 数据的准备
第 11 章 有监督学习概论
11．1 数据科学的核心内容
11．2 有监督学习
11．3 通过两个案例介绍有监督学习要素
第 12 章 一些有监督学习模型
12．1 线性最小二乘回归
12．2 Logistic 回归的二分类方法
12．3 决策树分类与回归
12．4 基于决策树的组合方法： Bagging、随机森林、HGboost
12．5 人工神经网络分类与回归
12．6 k 最近邻方法分类与回归
12．7 支持向量机方法分类
12．8 朴素贝叶斯方法分类