利用Python进行数据分析（原书第2版）.pptxVIP

利用Python进行数据分析（原书第2版）读书笔记模板 01思维导图 读书笔记 目录分析 内容摘要 精彩摘录 作者介绍目录0305020406 思维导图 数据第版案例过程分析问题第版版本小结数据第章内容高阶函数示例代码基础数据库工具本书关键字分析思维导图 内容摘要 内容摘要阅读本书可以获得关于在Python下操作、处理、清洗、规整数据集的完整说明。本书第2版针对Python 3.6进行了更新，并增加了实际案例向你展示如何高效地解决一系列数据分析问题。你将在阅读过程中学习到必威体育精装版版本的pandas、NumPy、IPython和Jupyter。 读书笔记 读书笔记豁然开朗，正是需要此类数据分析库用于项目重构上，层层递进，很快就入门了。官方作者写的书籍，内容比较全面，到案例不是很深入，建议最好从文档入手学习，结合实际练习，熟能生巧，pandas绝对是一把利器。看到后面就买了本二手书读，的确是实用的工具书，想利用python搞excel数据，就要把pandas和numpy入门一下。比入门更高一点的讲解，里面好多实用的函数，实用性的工具书。读了好几遍，每读一遍理解就会更深一步。总算系统的学完了numpy，pandas。更像是类似于官方文档的一本字典类图书，对一些方法的讲解可能有些许译文上的斟酌，偶尔会使人感到晦涩难懂之痛。这本书的阅读可以结合着pandas和matplotlib的文档一起，先根据书的讲解建立一个结构化的概念框架，再结合文档填补细节。 精彩摘录 精彩摘录pandas尤其擅长深度时间序列和处理商业进程中产生的时间索引数据。请注意通过添加内容来连接列表是一种相对高代价的操作，这是因为连接过程中创建了新列表，并且还要复制对象。使用extend将元素添加到已经存在的列表是更好的方式，尤其是在你需要构建一个大型列表时：尽管pandas采用了很多NumPy的代码风格，但最大的不同在于pandas是用来处理表格型或异质型数据的。而NumPy则相反，它更适合处理同质型的数值类数组数据。一个ndarray是一个通用的多维同类数据容器，也就是说，它包含的每一个元素均为相同类型。每一个数组都有一个shape属性，用来表征数组每一维度的数量；每一个数组都有一个dtype属性，用来描述数组的数据类型：区别于Python的内建列表，数组的切片是原数组的视图。这意味着数据并不是被复制了，任何对于视图的修改都会反映到原数组上。由于Python是一个解释型语言，大多数情况下Python代码的运行效率会低于Java或C++等编译型语言。因为开发者时间通常比CPU时间更有价值，很多人就愉快地选择了使用Python。 目录分析 第2版新内容本书约定使用代码示例O Reilly Safari封面介绍 致谢如何联系我们封面介绍 1.1本书内容1.3重要的Python库1.2为何利用Python进行数据分析第1章准备工作 1.4安装与设置1.6快速浏览本书1.5社区和会议第1章准备工作 2.1 Python解释器2.3 Python语言基础2.2 IPython基础第2章 Python语言基础、IPython及Jupyter notebook 3.1数据结构和序列3.2函数3.3文件与操作系统3.4本章小结第3章内建数据结构、函数及文件 4.1 NumPy ndarray：多维数组对象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4.4使用数组进行文件输入和输出第4章 NumPy基础：数组与向量化计算 4.5线性代数4.6伪随机数生成4.7示例：随机漫步4.8本章小结第4章 NumPy基础：数组与向量化计算 5.1 pandas数据结构介绍5.2基本功能5.3描述性统计的概述与计算5.4本章小结第5章 pandas入门 6.1文本格式数据的读写6.2二进制格式6.3与Web API交互6.4与数据库交互6.5本章小结12345第6章数据载入、存储及文件格式 7.1处理缺失值7.2数据转换7.3字符串操作7.4本章小结第7章数据清洗与准备 8.1分层索引8.2联合与合并数据集8.3重塑和透视8.4本章小结第8章数据规整：连接、联合与重塑 9.1简明matplotlib API入门9.2使用pandas和seaborn绘图9.3其他Python可视化工具9.4本章小结第9章绘图与可视化 10.1 GroupBy机制10.3应用：通用拆分-应用-联合10.2数据聚合第10章数据聚合与分组操作 10.5本章小结10.4数据透视表与交叉表第10章数据聚合与分组操作 11.1日期和时间数据的类型及工具11.2时间序列基础11.3日期范围、频率和移位11.4时区处理11.5时间区间和区间算术12345第11章时间序列 11.6重新采样与频率转换11.8本章小结11