Python极简讲义：一本书入门数据分析与机器学习

出版者:电子工业出版社

作者:张玉宏

页数:588

出版时间:2020-5

价格:128

装帧:平装

isbn号码:9787121387043

具体描述

本书以图文并茂的方式介绍了Python的基础内容，并深入浅出地介绍了数据分析和机器学习领域的相关入门知识。

第1章至第5章以极简方式讲解了Python的常用语法和使用技巧，包括数据类型与程序控制结构、自建Python模块与第三方模块、Python函数和面向对象程序设计等。第6章至第8章介绍了数据分析必备技能，如NumPy、Pandas和Matplotlib。第9章和第10章主要介绍了机器学习的基本概念和机器学习框架sklearn的基本用法。

对人工智能相关领域、数据科学相关领域的读者而言，本书是一本极简入门手册。对于从事人工智能产品研发的工程技术人员，本书亦有一定的参考价值。

作者简介

张玉宏，大数据分析师（高级），2012年于电子科技大学获得博士学位，2009—2011年美国西北大学访问学者，2019—2020年美国IUPUI高级访问学者，YOCSEF郑州2019—2020年度副主席。现执教于河南工业大学，主要研究方向为大数据、机器学习。发表学术论文30余篇，先后撰写《深度学习之美：AI时代的数据处理与最佳实践》《品味大数据》等科技图书7本，参与编写英文学术专著2部。

目录信息

第1章　初识Python与Jupyter 1
1.1　Python概要 2
1.1.1　为什么要学习Python 2
1.1.2　Python中常用的库 2
1.2　Python的版本之争 4
1.3　安装Anaconda 5
1.3.1　Linux环境下的Anaconda安装 5
1.3.2　conda命令的使用 6
1.3.3　Windows环境下的Anaconda安装 7
1.4　运行Python 11
1.4.1　验证Python 11
1.4.2　Python版本的Hello World 12
1.4.3　Python的脚本文件 13
1.4.4　代码缩进 15
1.4.5　代码注释 17
1.5　Python中的内置函数 17
1.6　文学化编程—Jupyter 20
1.6.1　Jupyter的由来 20
1.6.2　Jupyter的安装 21
1.6.3　Jupyter的使用 23
1.6.4　Markdown编辑器 26
1.7　Jupyter中的魔法函数 31
1.7.1　%lsmagic函数 31
1.7.2　%matplotlib inline函数 32
1.7.3　%timeit函数 32
1.7.4　%%writefile函数 33
1.7.5　其他常用的魔法函数 34
1.7.6　在Jupyter中执行shell命令 35
1.8　本章小结 35
1.9　思考与提高 36
第2章　数据类型与程序控制结构 40
2.1　为什么需要不同的数据类型 41
2.2　Python中的基本数据类型 42
2.2.1　数值型（Number） 42
2.2.2　布尔类型（Boolean） 45
2.2.3　字符串型（String） 45
2.2.4　列表（List） 49
2.2.5　元组（Tuple） 59
2.2.6　字典（Dictionary） 62
2.2.7　集合（Set） 65
2.3　程序控制结构 67
2.3.1　回顾那段难忘的历史 67
2.3.2 顺序结构 69
2.3.3 选择结构 70
2.3.4 循环结构 74
2.4　高效的推导式 80
2.4.1　列表推导式 80
2.4.2　字典推导式 83
2.4.3　集合推导式 83
2.5　本章小结 84
2.6　思考与提高 84
第3章　自建Python模块与第三方模块 90
3.1　导入Python标准库 91
3.2　编写自己的模块 93
3.3　模块的搜索路径 97
3.4　创建模块包 100
3.5　常用的内建模块 103
3.5.1 collection模块 103
3.5.2　datetime模块 110
3.5.3　json模块 115
3.5.4　random模块 118
3.6　本章小结 121
3.7　思考与提高 122
第4章　Python函数 124
4.1　Python中的函数 125
4.1.1　函数的定义 125
4.1.2　函数返回多个值 127
4.1.3 函数文档的构建 128
4.2　函数参数的“花式”传递 132
4.2.1　关键字参数 132
4.2.2　可变参数 133
4.2.3　默认参数 136
4.2.4　参数序列的打包与解包 138
4.2.5　传值还是传引用 142
4.3　函数的递归 146
4.3.1 感性认识递归 146
4.3.2 思维与递归思维 148
4.3.3 递归调用的函数 149
4.4　函数式编程的高阶函数 151
4.4.1　lambda表达式 152
4.4.2 filter()函数 153
4.4.3 map()函数 155
4.4.4 reduce()函数 157
4.4.5 sorted()函数 158
4.5 本章小结 159
4.6 思考与提高 160
第5章　Python高级特性 165
5.1　面向对象程序设计 166
5.1.1　面向过程与面向对象之辩 166
5.1.2 类的定义与使用 169
5.1.3 类的继承 173
5.2　生成器与迭代器 176
5.2.1 生成器 176
5.2.2 迭代器 183
5.3 文件操作 187
5.3.1 打开文件 187
5.3.2 读取一行与读取全部行 191
5.3.3 写入文件 193
5.4　异常处理 193
5.4.1 感性认识程序中的异常 194
5.4.2 异常处理的三步走 195
5.5 错误调试 197
5.5.1 利用print()输出观察变量 197
5.5.2 assert断言 198
5.6　本章小结 201
5.7　思考与提高 202
第6章　NumPy向量计算 204
6.1　为何需要NumPy 205
6.2　如何导入NumPy 205
6.3 生成NumPy数组 206
6.3.1　利用序列生成 206
6.3.2　利用特定函数生成 207
6.3.3 Numpy数组的其他常用函数 209
6.4　N维数组的属性 212
6.5 NumPy数组中的运算 215
6.5.1 向量运算 216
6.5.2 算术运算 216
6.5.3 逐元素运算与张量点乘运算 218
6.6　爱因斯坦求和约定 222
6.6.1　不一样的标记法 222
6.6.2　NumPy中的einsum()方法 224
6.7 NumPy中的“轴”方向 231
6.8 操作数组元素 234
6.8.1 通过索引访问数组元素 234
6.8.2 NumPy中的切片访问 236
6.8.3 二维数组的转置与展平 238
6.9 NumPy中的广播 239
6.10 NumPy数组的高级索引 242
6.10.1 “花式”索引 242
6.10.2 布尔索引 247
6.11 数组的堆叠操作 249
6.11.1 水平方向堆叠hstack() 250
6.11.2 垂直方向堆叠vstack() 251
6.11.3 深度方向堆叠hstack() 252
6.11.4 列堆叠与行堆叠 255
6.11.5 数组的分割操作 257
6.12 NumPy中的随机数模块 264
6.13 本章小结 266
6.14 思考与提高 267
第7章　Pandas数据分析 271
7.1 Pandas简介 272
7.2 Pandas的安装 272
7.3 Series类型数据 273
7.3.1 Series的创建 273
7.3.2 Series中的数据访问 277
7.3.3 Series中的向量化操作与布尔索引 280
7.3.4 Series中的切片操作 283
7.3.5 Series中的缺失值 284
7.3.6 Series中的删除与添加操作 286
7.3.7 Series中的name属性 288
7.4 DataFrame 类型数据 289
7.4.1 构建DataFrame 289
7.4.2 访问DataFrame中的列与行 293
7.4.3 DataFrame中的删除操作 298
7.4.4 DataFrame中的“轴”方向 301
7.4.5 DataFrame中的添加操作 303
7.5 基于Pandas的文件读取与分析 310
7.5.1 利用Pandas读取文件 311
7.5.2 DataFrame中的常用属性 312
7.5.3 DataFrame中的常用方法 314
7.5.4 DataFrame的条件过滤 318
7.5.5 DataFrame的切片操作 320
7.5.6 DataFrame的排序操作 323
7.5.7 Pandas的聚合和分组运算 325
7.5.8 DataFrame的透视表 334
7.5.9 DataFrame的类SQL操作 339
7.5.10 DataFrame中的数据清洗方法 341
7.6 泰坦尼克幸存者数据预处理 342
7.6.1 数据集简介 342
7.6.2 数据集的拼接 344
7.6.3 缺失值的处理 350
7.7 本章小结 353
7.8 思考与提高 353
第8章　Matplotlib与Seaborn可视化分析 365
8.1 Matplotlib与图形绘制 366
8.2 绘制简单图形 366
8.3 pyplot的高级功能 371
8.3.1 添加图例与注释 371
8.3.2 设置图形标题及坐标轴 374
8.3.3 添加网格线 378
8.3.4 绘制多个子图 380
8.3.5 Axes与Subplot的区别 382
8.4 散点图 388
8.5 条形图与直方图 392
8.5.1 垂直条形图 392
8.5.2 水平条形图 394
8.5.3 并列条形图 395
8.5.4 叠加条形图 400
8.5.5 直方图 402
8.6 饼图 407
8.7 箱形图 409
8.8 误差条 411
8.9 绘制三维图形 413
8.10 与Pandas协作绘图—以谷歌流感趋势数据为例 416
8.10.1 谷歌流感趋势数据描述 416
8.10.2 导入数据与数据预处理 417
8.10.3 绘制时序曲线图 421
8.10.4 选择合适的数据可视化表达 423
8.10.5 基于条件判断的图形绘制 427
8.10.6 绘制多个子图 430
8.11 惊艳的Seaborn 431
8.11.1 pairplot（对图） 432
8.11.2 heatmap（热力图） 434
8.11.3 boxplot（箱形图） 436
8.11.4 violin plot（小提琴图） 442
8.11.5 Density Plot（密度图） 446
8.12 本章小结 450
8.13 思考与提高 450
第9章　机器学习初步 459
9.1 机器学习定义 460
9.1.1　什么是机器学习 460
9.1.2 机器学习的三个步骤 461
9.1.3 传统编程与机器学习的差别 464
9.1.4 为什么机器学习不容易 465
9.2　监督学习 467
9.2.1　感性认识监督学习 467
9.2.2　监督学习的形式化描述 468
9.2.3 损失函数 470
9.3　非监督学习 471
9.4　半监督学习 473
9.5 机器学习的哲学视角 474
9.6 模型性能评估 476
9.6.1 经验误差与测试误差 476
9.6.2 过拟合与欠拟合 477
9.6.3 模型选择与数据拟合 479
9.7 性能度量 480
9.7.1　二分类的混淆矩阵 480
9.7.2 查全率、查准率与F1分数 481
9.7.3 P-R曲线 484
9.7.4 ROC曲线 485
9.7.5 AUC 489
9.8　本章小结 489
9.9　思考与提高 490
第10章　sklearn与经典机器学习算法 492
10.1 机器学习的利器—sklearn 493
10.1.1 sklearn简介 494
10.1.2 sklearn的安装 496
10.2 线性回归 497
10.2.1　线性回归的概念 497
10.2.2 使用sklearn实现波士顿房价预测 499
10.3　k-近邻算法 516
10.3.1 算法简介 516
10.3.2　k值的选取 518
10.3.3　特征数据的归一化 519
10.3.4　邻居距离的度量 521
10.3.5 分类原则的制定 522
10.3.6　基于sklearn的k-近邻算法实战 522
10.4 Logistic回归 527
10.4.1 为什么需要Logistic回归 527
10.4.2 Logistic源头初探 529
10.4.3 Logistic回归实战 532
10.5 神经网络学习算法 536
10.5.1 人工神经网络的定义 537
10.5.2 神经网络中的“学习”本质 537
10.5.3 神经网络结构的设计 540
10.5.4 利用sklearn搭建多层神经网络 541
10.6 非监督学习的代表—k均值聚类 550
10.6.1 聚类的基本概念 551
10.6.2 簇的划分 552
10.6.3 k均值聚类算法核心 552
10.6.4 k均值聚类算法优缺点 554
10.6.5 基于sklearn的k均值聚类算法实战 555
10.7 本章小结 561
10.8 思考与提高 562
· · · · · · (收起)

用户评价

我是一名对数据充满热情但又有些畏惧的爱好者。从小我就喜欢摆弄各种数据，从收集星座信息到统计朋友们的生日，再到后来的研究股票市场，我对数字背后的规律总有一种莫名的探究欲。然而，当我真正想要深入学习数据分析和机器学习时，却发现自己像一个站在茫茫大海边的孩子，不知道从何处开始。各种复杂的数学公式、专业术语，以及琳琅满目的工具和库，都让我感到无所适从。我尝试过阅读一些入门级的教程，但很多教程要么过于碎片化，要么内容不够系统，很难形成一个完整的知识体系。当我看到这本书的标题时，“极简”和“一本书入门”的承诺，像一束光照进了我的迷茫。我期待这本书能够像一位耐心友善的向导，带领我穿过那些令人生畏的技术壁垒，让我看到数据分析和机器学习的魅力所在。我希望它能用通俗易懂的语言解释核心概念，并且能够提供一些经典的案例，让我能够亲手去操作，去感受数据是如何被分析、如何被利用的。我尤其希望这本书能够让我明白，学习数据科学并非遥不可及，每个人都可以通过努力掌握这项技能，从而更好地理解我们所处的世界。

我是一名软件工程师，在日常工作中经常会接触到数据，比如日志分析、用户行为分析、性能监控等等。虽然我具备扎实的编程基础，但对于如何进行专业的数据分析以及应用机器学习模型来解决实际问题，我还有很多不足。我发现，仅仅依靠编写代码去处理数据是远远不够的，还需要理解数据的特性，掌握分析的思路和方法，以及选择合适的模型来解决特定的问题。市面上关于数据科学的书籍很多，但很多都侧重于理论讲解，或者直接跳到高级主题，对于我这样希望快速将Python应用于数据分析和机器学习实践的工程师来说，显得有些“曲高和寡”。我希望这本书能够以一种“极简”的方式，快速地将我带入数据分析和机器学习的核心领域。我期待它能够提供清晰的Python代码示例，并且讲解如何利用Pandas、NumPy、Scikit-learn等常用的库来完成数据处理、特征工程、模型训练和评估等任务。我希望这本书能够帮助我建立起一个完整的数据科学工作流程，让我能够更高效地利用Python解决工作中遇到的数据问题，并且能够为我进一步学习更高级的技术打下坚实的基础。

作为一名在校的计算机科学专业的学生，我一直对人工智能和机器学习领域抱有浓厚的兴趣。虽然在学校里接触过一些基础的编程课程和算法理论，但总感觉理论与实践之间存在着一道难以逾越的鸿沟。很多时候，我们学习的算法在实际应用中是如何落地的，如何通过代码去实现，如何处理真实世界中 messy 的数据，这些细节在课本上往往一带而过。因此，我一直渴望找到一本能够真正“落地”的书籍，能够将抽象的理论转化为可执行的代码，并且能够展示出Python在数据分析和机器学习领域的强大能力。这本书“极简”的风格让我眼前一亮，我期待它能够用简洁的语言和精炼的代码，将那些复杂的概念变得易于理解。我尤其希望它能够提供清晰的步骤和实例，让我能够一步一步地跟着操作，从而真正掌握数据分析和机器学习的基本流程。例如，如何导入数据，如何进行数据预处理，如何训练一个简单的模型，以及如何评估模型的性能等等。我希望能通过这本书，不仅能加深对机器学习原理的理解，更能提升我的编程实践能力，为我未来深入研究更复杂的算法打下坚实的基础。

我本身从事的是市场营销工作，虽然不是技术背景出身，但近年来在工作中接触到的数据越来越多，也越发感受到数据分析在制定营销策略、评估活动效果等方面的重要性。我看到很多同行通过数据分析，能够更精准地触达目标客户，优化广告投放，甚至预测消费趋势，这让我非常渴望能够掌握这方面的技能。然而，许多关于数据分析的书籍，动辄就是高深的统计学理论、复杂的算法模型，看得我头昏脑涨，感觉自己离“数据分析师”这个角色越来越远。我需要的，不是成为一个理论家，而是能切实地运用工具解决工作中的实际问题。当我在网上看到关于这本书的推荐时，它“极简”和“入门”的定位非常符合我的需求。我希望这本书能够像一个得力的助手，帮我搭建起数据分析的知识框架，并且能够教会我如何使用Python这个强大的工具来处理和分析数据。我特别希望它能在数据清洗、数据可视化、描述性统计等方面给出清晰的指导，这些都是我日常工作中经常会遇到的挑战。如果这本书还能介绍一些基础的机器学习算法，并演示如何在Python中实现，那更是锦上添花了。我期待的是，读完这本书后，我能够独立完成一些简单的数据分析项目，并从中获得启发，为我的工作带来实质性的提升。

我是一名对科学研究充满向往的学生，尤其是在统计学和计算机科学的交叉领域。我注意到，无论是生物医学、社会科学还是金融工程，数据分析和机器学习的应用都越来越广泛。我希望能够掌握这些工具，以便在我的学术研究中更有效地处理数据、验证假设、甚至构建预测模型。然而，我发现很多研究生的教材或者论文，都充斥着大量复杂的数学公式和晦涩的术语，这让我感到非常困惑。我需要的是一本能够将这些理论概念与实际的Python编程相结合的书籍，让我能够通过代码去理解和应用这些知识。这本书“一本书入门”的承诺，对我来说非常具有吸引力。我期待它能够用清晰的逻辑和简洁的代码，将统计学和机器学习的核心思想贯穿起来。我希望它能在讲解模型的同时，也强调数据分析的严谨性，比如如何进行假设检验、如何避免过拟合、如何解释模型结果等。我希望这本书能够帮助我建立起一个扎实的理论基础和实践能力，为我未来进行更深入的学术研究打下坚实的基础。

我一直以来都对“数据”这个词汇充满了好奇，感觉它蕴藏着无数的秘密和可能性。在网络时代，我们每天都在产生和接触海量的数据，如何从中挖掘出有价值的信息，如何利用这些信息来指导我们的行为，成为了一个越来越重要的问题。我尝试过一些零散的在线课程和博客文章，但总感觉知识体系不够完整，也难以将学到的东西融会贯通。当我偶然看到这本书时，它的标题“Python极简讲义：一本书入门数据分析与机器学习”立刻引起了我的注意。我期待它能够以一种“极简”但又不失专业深度的方式，为我打开数据科学的大门。我希望这本书能够像一位循循善诱的老师，用最清晰、最直接的方式，教会我如何使用Python这个强大的工具来探索数据。我期待它能够覆盖数据获取、数据清洗、数据可视化以及基础的机器学习模型应用。最重要的是，我希望这本书能够帮助我建立起一种“用数据思考”的习惯，让我能够从海量的信息中找到价值，并用这些价值来指导我的学习、工作和生活，让我真正感受到数据改变世界的力量。

我是一名自由职业者，工作内容涉及内容创作、项目管理等多个方面。近年来，我越来越意识到数据在优化我的工作流程、提升效率以及拓展业务方面的巨大潜力。例如，通过分析读者反馈来调整内容方向，通过项目数据来优化时间管理，甚至通过市场数据来寻找新的合作机会。然而，我并非技术出身，对编程和复杂算法一直心存芥蒂。我一直希望能找到一本真正“用户友好”的书籍，能够用最简单的方式，教会我如何利用Python进行数据分析，并了解一些基础的机器学习概念。这本书“极简”的定位，正是我想寻找的。我期待它能够以一种直观易懂的方式，教授我如何利用Python的强大功能来处理和理解我的工作数据。我特别希望它能演示一些实际的应用场景，比如如何分析网站流量、如何进行客户画像、或者如何利用简单的预测模型来辅助决策。我希望读完这本书后，我能够自信地运用数据来指导我的工作，并从中获得实实在在的收益。

作为一个对学习新事物充满热情的人，我一直对“数据驱动”的决策方式非常着迷。我看到很多公司和组织，通过深入分析数据，能够做出更明智的决策，优化运营效率，甚至发现新的商业机会。因此，我非常希望能掌握数据分析和机器学习的技能，以便在自己的工作和生活中运用这些方法。不过，在我看来，许多关于这个领域的书籍都存在着一个共同的问题：信息过载。它们往往包含了太多我暂时不需要了解的细节，导致学习过程变得缓慢且令人沮丧。这本书“极简”的标题，让我看到了一个能够快速切入主题的可能。我期待这本书能够像一个精心设计的路线图，清晰地指引我走向数据分析和机器学习的核心。我希望它能在最开始的时候，就为我打下坚实的基础，教会我如何用Python来获取、清洗、整理和可视化数据。更重要的是，我希望它能够循序渐进地介绍机器学习的基本思想，并且提供一些简单易懂的算法实现，让我能够真正感受到“代码改变数据”的力量。我希望读完这本书，我能摆脱“纸上谈兵”的状态，能够自信地开始我的数据探索之旅。

一直以来，我对数据分析和机器学习领域都充满了好奇，尤其是在Python日益普及的今天，掌握这两项技能似乎成为了许多行业人士的“敲门砖”。然而，市面上相关的书籍琳琅满目，很多都过于学术化，要么内容过于庞杂，要么门槛太高，让人望而却步。当我无意间在书店翻阅到这本书的目录时，它的“极简”二字立刻吸引了我。我秉持着“少即是多”的原则，希望能找到一本能够快速入门、建立基本概念并能够上手实践的书籍。这本书给我的第一印象就是它承诺的“一本书入门”。在快节奏的现代社会，能够用一本相对精炼的书籍掌握一个复杂的领域，这本身就是一种巨大的吸引力。我期待的是，它能够像一位经验丰富的导师，用最直接、最清晰的方式，带领我从零开始，一步一步地揭开数据分析和机器学习的面纱，而不会让我迷失在繁杂的理论和代码细节中。我希望它能在恰当的时机引入必要的概念，并且在讲解的过程中，能够穿插一些实际的应用场景，让我明白学习这些技术究竟是为了解决什么样的问题。这种“学以致用”的路径，对我来说至关重要，它能够增强我的学习动力，让我感受到知识的价值和力量。总而言之，我期待这本书能够成为我开启数据科学之旅的理想起点，让我能够自信地迈出探索未知领域的脚步。

我对技术趋势一直保持着高度的敏感，尤其是在人工智能和大数据飞速发展的今天，数据分析和机器学习无疑是最具潜力的领域之一。我一直希望能够学习这两项技能，以便更好地理解和把握未来的发展方向。然而，许多关于这个领域的书籍，要么过于偏重理论，让人难以理解；要么过于偏重实践，但缺乏对底层原理的深入剖析。我渴望找到一本能够平衡理论与实践，并且能够让我快速入门的书籍。这本书“极简”的风格，让我看到了希望。我期待它能够用最精炼的语言，阐述数据分析和机器学习的核心概念，并且能够提供清晰的代码示例，让我能够亲手去实践。我特别希望这本书能够涵盖数据预处理、特征工程、模型选择、模型评估等关键环节，并且能够介绍一些常用的算法，比如线性回归、逻辑回归、决策树、支持向量机等。我希望通过阅读这本书，能够让我对数据分析和机器学习有一个全面的认识，并且能够具备独立完成一些基本的数据分析和建模任务的能力，从而更好地跟上技术发展的步伐。

挺不错的，可以作为公司里的stake holders的入门书。

挺不错的，可以作为公司里的stake holders的入门书。

除了少量排版错误之外，还是一本不错的一本书，数据分析写得可以。

除了少量排版错误之外，还是一本不错的一本书，数据分析写得可以。

挺不错的，可以作为公司里的stake holders的入门书。