R用户Python学习指南：数据科学方法

出版者:机械工业出版社

作者:[印度] A.奥利（A.Ohri） 著

页数:244

译者:潘文捷

出版时间:2018-11-6

价格:69元

装帧:平装-胶订

isbn号码:9787111611950

丛书系列:数据科学与工程技术丛书

具体描述

掌握一门语言、一种工具已不足以应对当今的数据分析任务，本书旨在解决这一问题，针对了解R但不熟悉Python（或了解Python但不熟悉R）的从业人员，详解讲解了两种语言的编程技巧和转换方法，提供大量实战案例，不讨论理论细节。

作者简介

[印度]A. 奥利（A. Ohri） 著：A. 奥利（A. Ohri） Decisionstats.com的创始人，资深数据科学家，访问量超过100万次的知名博主。他曾为多家创业公司提供咨询服务，涉及的领域包括数据分析服务、数据分析教育和数据项目外包等。目前的研究兴趣涵盖开源分析、社交媒体分析、云计算交互等。他还著有《R for Business Analytics》和《R for Cloud Computing》。

目录信息

译者序
前言
第1章　Python、R和R数据科学简介1
1.1　什么是Python1
1.2　什么是R2
1.3　什么是数据科学2
1.4　数据科学家的未来3
1.5　什么是大数据4
1.6　商务分析与数据科学5
1.7　数据科学家可用的工具6
1.8　用于数据科学的Python添加包7
1.9　Python和R之间的异同8
1.9.1　为什么R用户应该了解有关Python的更多信息8
1.9.2　为什么Python用户应该了解有关R的更多信息9
1.10　教程9
1.11　同时使用R和Python9
1.12　其他软件和Python13
1.13　将SAS与Jupyter一起使用13
1.14　如何将Python和R用于大数据分析13
1.15　什么是云计算15
1.16　如何在云上使用Python和R15
1.17　Python和R商业版本及其他替代版本16
1.17.1　数据科学家的常用Linux命令17
1.17.2　学习Git18
1.18　数据驱动的决策32
1.18.1　企业管理战略框架：非MBA和MBA的数据驱动决策指南32
1.18.2　商务分析的其他框架37
参考文献40
第2章　数据输入41
2.1　pandas中的数据输入41
2.2　网页抓取数据输入44
2.3　来自RDBMS的数据输入48
2.3.1　Windows教程50
2.3.2　安装50
2.3.3　配置ODBC52
第3章　数据检查和数据质量62
3.1　数据格式62
3.1.1　将字符串转换为日期和时间63
3.1.2　将数据框转换为NumPy数组并返回Python66
3.2　数据质量68
3.3　数据检查71
3.4　数据选择74
3.4.1　随机选择数据76
3.4.2　条件选择76
3.5　R中的数据检查79
3.5.1　来自R ggplot2添加包中的diamond数据集83
3.5.2　修改R中的日期格式和字符串86
3.5.3　管理R中的字符串88
参考文献88
第4章　探索性数据分析89
4.1　根据分析分组89
4.2　数值数据89
4.3　分类数据91
第5章　统计建模102
5.1　回归的概念102
5.1.1　OLS103
5.1.2　R方103
5.1.3　p值104
5.1.4　异常值104
5.1.5　多重共线性和异方差性104
5.2　相关关系不是因果关系105
5.2.1　关于数据科学家统计的说明106
5.2.2　中心趋势的度量107
5.2.3　分散度的度量107
5.2.4　概率分布110
5.3　R和Python中的线性回归114
5.4　R和Python中的Logistic回归132
5.4.1　其他概念136
5.4.2　ROC曲线和AUC137
5.4.3　偏差与方差137
参考文献138
第6章　数据可视化139
6.1　数据可视化的概念139
6.1.1　数据可视化的历史139
6.1.2　Anscombe案例研究140
6.1.3　加载添加包141
6.1.4　获得均值和标准差142
6.1.5　结论1144
6.1.6　数据可视化144
6.1.7　结论2146
6.2　Tufte关于数据可视化的工作147
6.3　Stephen Few关于仪表盘的设计147
6.4　基本绘图149
6.5　高级绘图156
6.6　交互式绘图160
6.7　空间分析160
6.8　R中的数据可视化160
6.8.1　关于RStudio IDE共享R代码的注意事项166
6.8.2　关于共享Jupyter笔记的注意事项167
6.8.3　特别说明：关于Python的完整教程168
参考文献180
第7章　机器学习变得更容易181
7.1　删除最终决策树模型中不需要的列186
7.2　时间序列207
7.3　关联分析211
7.4　清洗语料库并制作词袋221
7.4.1　聚类分析224
7.4.2　Python中的聚类分析224
第8章　结论和总结233
· · · · · · (收起)

用户评价

我一直以来都是R的忠实用户，多年来积累了大量的使用经验和心得。然而，随着我所从事的领域对大数据分析和机器学习的依赖日益增强，我发现Python生态系统的优势也越来越明显。正是在这样的背景下，我发现了《R用户Python学习指南：数据科学方法》。这本书对我来说，是一次“降维打击”式的学习体验。《R用户Python学习指南：数据科学方法》非常清晰地阐述了R用户可以如何高效地过渡到Python，并且在掌握Python的同时，不遗忘R的精髓。我最喜欢它在讲解数据结构时，对R的`data.frame`、`tibble`与Python的`pandas.DataFrame`的细致比较，这让我能够迅速理解它们之间的对应关系和使用差异。书中关于函数式编程风格在R和Python中的实现，也给了我很多启发，让我能够写出更简洁、更高效的代码。此外，它关于模型调优和性能优化的章节，也为我提供了许多实用的建议，帮助我更好地理解和应用各种机器学习算法。这本书的优点在于它充分考虑了R用户已经具备的知识背景，避免了许多在学习新语言时常遇到的“踩坑”行为，让我能够快速地进入角色，并且能够将R和Python的优势结合起来，解决更复杂的数据科学问题。

这本《R用户Python学习指南：数据科学方法》绝对是数据科学领域的一股清流。我是一名有多年R使用经验的统计分析师，习惯了R强大的统计建模能力和丰富的可视化包，但在转向需要更大规模数据处理和更广泛机器学习算法的应用时，我发现Python生态系统也同样不可忽视。市面上关于Python的资料很多，但要找到一本能够无缝衔接R用户习惯，并且深入讲解数据科学流程的书籍并不容易。这本书恰恰填补了这一空白。它没有假设读者是Python新手，而是巧妙地从R用户的视角出发，对比和阐释了R和Python在数据科学任务中的异同。我最欣赏的是它对于数据结构、包管理以及常见算法实现上的比较分析。例如，它在讲解数据框（data.frame/tibble in R vs DataFrame in pandas）时，清晰地指出了两者在操作方式和性能上的差异，以及如何在它们之间进行高效转换。更重要的是，书中关于机器学习的章节，不仅涵盖了Scikit-learn等Python的经典库，还巧妙地将R中常用的模型（如Generalized Linear Models, Mixed-Effects Models）的Python实现或等效方法进行介绍，这让我能够快速地将我在R中学到的统计思想应用到Python中。这本书的结构设计非常合理，从基础的数据操作到复杂的模型构建，层层递进，让我感觉学习过程非常顺畅。我特别喜欢它关于模型评估和选择的讨论，它展示了如何利用Python强大的机器学习库，结合R中成熟的统计检验方法，来更全面地评估模型的优劣。

作为一名在学术界从事多年研究的科学家，我一直以来都依赖R进行统计分析和数据可视化。然而，随着我研究项目的数据量不断增大，以及对更广泛的机器学习技术的需求，我意识到学习Python的重要性。《R用户Python学习指南：数据科学方法》这本书，完美地满足了我的这一需求。它以一种非常严谨且实用导向的方式，介绍了如何在R和Python之间进行数据科学工作的迁移和整合。我特别欣赏书中对于不同库之间功能对比的深度分析，例如在处理时间序列数据时，R中的`zoo`和Python中的`pandas.ts`库的特性和使用方法。更重要的是，书中关于模型部署和交互式可视化的章节，为我打开了新的思路。它介绍了如何利用Python的Flask或Streamlit等框架，构建Web应用来展示数据分析结果，这对于我与非技术背景的同事沟通研究成果非常有价值。这本书的学术严谨性和实践可操作性完美结合，为我提供了坚实的理论基础和丰富的实践经验，让我在跨越R和Python的鸿沟时，少走了许多弯路。它不仅是学习编程语言的指南，更是提升数据科学实践能力的利器。

我是一名在金融行业工作的量化分析师，对数据分析和建模有着极高的要求。长期以来，我主要使用R进行金融数据的分析和回测。但随着行业的发展，Python在量化交易、大数据处理以及人工智能领域的广泛应用，让我不得不认真考虑学习Python。《R用户Python学习指南：数据科学方法》这本书，正是我想寻找的那种能够帮助我平滑过渡的桥梁。《R用户Python学习指南：数据科学方法》的内容非常契合我的工作需求。书中关于金融时间序列分析的章节，不仅对比了R中`xts`和`quantmod`等包的用法，也详细介绍了Python中`pandas.DataFrame`在时间序列处理上的强大能力，以及`statsmodels`等库在金融建模方面的应用。我特别喜欢它关于风险管理和投资组合优化的章节，它展示了如何利用Python的`PyPortfolioOpt`等库，实现复杂的投资策略。而且，书中对于并行计算和GPU加速的介绍，为我处理海量金融数据提供了宝贵的建议。这本书的语言简洁明了，代码示例也贴近实际交易场景，我跟着练习，不仅巩固了Python的基础，更学会了如何在实际工作中应用这些技术。它让我能够更高效地处理海量金融数据，开发更复杂的量化模型，从而在竞争激烈的金融市场中保持优势。

在我接触数据科学之前，我对编程的概念几乎为零。幸运的是，我选择了《R用户Python学习指南：数据科学方法》作为我的第一本数据科学入门书籍。这本书的优点在于它真的把“用户”二字贯彻到底，它不是一本枯燥的技术手册，而更像是一位循循善诱的老师。《R用户Python学习指南：数据科学方法》这本书的语言风格非常平易近人，它不会让你望而却步。书中通过大量的类比和生动形象的解释，将抽象的数据科学概念变得易于理解。我尤其欣赏它在讲解如何进行数据可视化时，不仅仅是展示代码，还会解释为什么需要这样的可视化，以及不同图表类型所能传达的信息。它让我明白，数据可视化不仅仅是画图，更是与数据进行对话的过程。书中关于数据清洗的步骤，都写得非常细致，我跟着操作，慢慢地学会了如何处理缺失值、异常值，如何进行数据转换和重塑。而且，它还提供了很多实用的小技巧，让我能够提高数据处理的效率。这本书让我从一个对编程一窍不通的新手，逐渐成长为一个能够独立进行数据分析的爱好者。它不仅教会了我R和Python的基础知识，更重要的是，它培养了我解决问题的能力和对数据科学的浓厚兴趣。

作为一名正在转型到数据科学领域的产品经理，我需要快速掌握能够支撑我进行数据分析和洞察的工具。在了解到R和Python是数据科学领域的两大基石后，我一直在寻找一本能够让我快速上手，并且能够全面了解这两种语言在数据科学应用中的书籍。《R用户Python学习指南：数据科学方法》这本书，正是我期待已久的。《R用户Python学习指南：数据科学方法》的内容非常全面，它不仅介绍了R和Python的基础语法，更重要的是，它将这些语法与实际的数据科学应用场景紧密结合。我特别喜欢它在讲解数据探索性分析（EDA）时，对R的`ggplot2`和Python的`seaborn`库的对比使用，这让我能够直观地感受到不同可视化库的魅力，并且学会如何用数据讲故事。书中关于特征工程和特征选择的章节，也为我提供了非常实用的方法，让我能够更好地理解和构建机器学习模型。更让我惊喜的是，它还介绍了如何利用Python的`dash`或`streamlit`构建交互式仪表板，这对于我向团队展示数据洞察非常有帮助。这本书的优点在于它能够帮助我快速地建立起对数据科学工作流程的整体认知，并且能够掌握实际的分析和可视化技能，这让我能够更自信地参与到数据驱动的产品决策中。

作为一个拥有数年R开发经验并且对Python也颇感兴趣的软件工程师，我在寻找一本能够有效连接这两种语言，并且聚焦于数据科学实际应用的指导书。而《R用户Python学习指南：数据科学方法》这本书，可以说是我近期最满意的一本技术书籍。《R用户Python学习指南：数据科学方法》的内容深度和广度都非常出色。它不仅仅停留在语法层面的比较，而是深入到如何利用这两种语言的生态系统来解决真实世界的数据科学问题。我特别喜欢它在讲解数据可视化时，对ggplot2（R）和Matplotlib/Seaborn（Python）的对比分析，以及如何利用Python的库生成更具交互性的图表，比如使用Plotly.js。这对于我进行数据探索和结果展示非常有帮助。另外，书中关于机器学习的章节，不仅介绍了TensorFlow和PyTorch等深度学习框架，还展示了如何在R环境中集成这些工具，这对于我希望在R的项目中引入深度学习能力的用户来说，简直是福音。这本书的写作风格也非常专业，语言清晰易懂，代码示例也都经过了充分的验证。它为我提供了一个清晰的路线图，让我能够系统地学习如何在Python中实现R中的常用数据科学任务，并且能够根据项目的需求，灵活地选择使用哪种语言的特定工具。这本书的出现，让我对同时掌握R和Python在数据科学领域的前景充满了信心。

在我看来，数据科学的学习是一个不断探索和迭代的过程，而《R用户Python学习指南：数据科学方法》这本书，就像是一张详尽的地图，为我指明了方向。《R用户Python学习指南：数据科学方法》的编写非常人性化，它不仅提供了丰富的代码示例，更重要的是，它在讲解每一个概念和技术时，都辅以深入的解释和背景知识，这让我能够理解“为什么”这样做，而不是简单地“怎么做”。我特别欣赏书中关于模型解释性（model interpretability）的讨论，它介绍了如何利用R的`caret`和Python的`SHAP`等库来理解模型预测的结果，这对于我进行数据驱动的决策非常有帮助。此外，书中关于A/B测试和用户行为分析的案例，也让我对如何在实际业务场景中应用数据科学有了更清晰的认识。这本书的优点在于它能够帮助我建立起对数据科学的系统性认识，并且能够掌握一系列实用的分析工具和技术，这让我能够在工作中更加得心应手。它不仅仅是一本技术书籍，更是一位良师益友，陪伴我在数据科学的道路上不断前行。 ```

我是一名初学者，对数据科学领域充满热情，但却被R和Python这两种主要的编程语言搞得有些头晕。在朋友的推荐下，我入手了《R用户Python学习指南：数据科学方法》，事实证明，这是我学习数据科学以来做出的最正确的决定之一。《R用户Python学习指南：数据科学方法》这本书真的非常适合像我这样的新手。它从最基础的概念讲起，逐步深入。我喜欢它在讲解变量、数据类型、控制流等基础知识时，都同时提供了R和Python的示例，并且会解释它们之间的对应关系，这让我很容易理解和记忆。书中关于数据清洗和整理的章节，简直是我的救星！我之前在处理不规整的数据时，常常感到无从下手，但这本书用清晰的步骤和示例，教会了我如何使用`dplyr`（R）和`pandas`（Python）进行数据转换、过滤、合并等操作，让我能够轻松地处理各种复杂的数据集。而且，它还会详细解释每一步操作的逻辑，而不是简单地罗列代码。更让我惊喜的是，书中还包含了机器学习入门的章节，让我能够接触到如何使用`caret`（R）和`Scikit-learn`（Python）构建和评估模型。虽然我目前还只是皮毛，但这本书为我打下了坚实的基础，让我对未来的学习充满了期待。这本书的排版也很好，代码块清晰，很容易阅读和复制代码。

这本书简直是为我量身定做的！我是一名正在学习数据科学的研究生，一直以来都觉得R和Python就像两座遥不可及的山峰，虽然知道它们都很强大，但总觉得无从下手，更别说将它们融会贯通了。当我看到《R用户Python学习指南：数据科学方法》这本书的名字时，眼睛一下子就亮了。它准确地抓住了我最大的痛点——同时掌握R和Python进行数据科学。我之前尝试过一些只讲R或者只讲Python的书，虽然也能学到一些皮毛，但总感觉缺少一个整体的视角，尤其是在面对复杂的数据分析项目时，常常会因为不确定使用哪种语言的哪个库而陷入困境。这本书的出现，就像一位经验丰富的老司机，不仅教会我如何在R和Python之间灵活切换，更重要的是，它展示了如何将这两种语言的优势结合起来，构建更强大、更高效的数据科学工作流程。书中关于数据预处理、探索性数据分析、建模以及可视化的章节，都非常深入且实用。我特别喜欢它讲解如何使用`reticulate`包在R中调用Python代码，以及如何在Python中使用`rpy2`进行反向调用。这种跨语言的交互能力，极大地拓展了我的工具箱，让我能够根据具体任务选择最合适的工具，而不是被单一的语言所限制。此外，书中大量的代码示例，都经过精心设计，贴合实际的数据科学应用场景，我跟着一步步操作，不仅理解了概念，更掌握了实际的编程技巧。这本书不仅仅是技术指南，更是一种思维方式的引导，让我开始从更广阔的视角看待数据科学的实现。