本书旨在成为读者进入数据科学领域的指南。全书共20章，涵盖了数据科学及其应用的各个方面，引入经典数据集将理论与实践相结合，采用Jupyter等工具，以Python语言由浅入深地介绍了数据科学及相关学科的基本概念、数据预处理、机器学习及时间序列等内容，并提供了不同的案例研究，以达到学以致用的效果。通过阅读本书，读者将获得成为一名数据科学家所需的基本知识和技能。
本书适合有Python或其他编程语言基础，并对数据科学感兴趣的人员阅读。
1.本书是目前市面上仅有的以Jupyter为主题的图书。
2.本书涵盖大量的实际案例，帮助读者学以致用。
3.通过简单易懂的Python示例，掌握数据科学技能。
学习Python编程技能以展开独立的数据科学项目。
通过Python语言学习线性代数和统计学的基础知识。
建立预测模型，调整其参数并分析性能。
对无标签的数据集进行聚类、转换、可视化和提取。
学习如何使用matplotlib和seaborn实现数据可视化。
为实际业务场景实现和保存机器学习模型。
现代商业中充斥着数据，因而由数据驱动的决策任务变得越来越复杂，执行此类任务就需要相关的技术知识和分析技能。本书旨在帮助您掌握Python知识，同时熟练使用Jupyter Notebook等工具，以胜任数据科学家的角色。
本书简要介绍了数据科学的基础知识和您在学习中可能遇到的问题，并概述了书中涵盖的关键主题。您将学会如何安装Anaconda和设置Jupyter Notebook，如何使用导入、清理、可视化和处理数据所需的基本数据结构、函数、库和包，并且深入研究监督学习、无监督学习和其他机器学习技术。
本书的最后通过一些案例将书中介绍的知识用于实践，解决实际的业务问题，如预测借款人偿还贷款的能力、对垃圾短信进行分类、构建电影推荐引擎和预测房价。
普拉泰克·古普塔（Prateek Gupta）是一位有着超过6年工作经验的数据科学专业人士，曾在HCL、Zensar和Sapient等多家跨国IT巨头就职，其专业领域主要是寻找模式、运用先进统计方法和算法揭示隐藏的规律，力争最大限度地提高企业收入和盈利能力，并确保高效的运营管理。
他是一位具有主观能动性并且在电子商务领域颇有建树的忠实数据爱好者，还凭借自己在商品自动分类、情感分析、客户细分和推荐引擎方面的机器学习专业知识帮助了NTUC Singapore和Times Group India等多个客户。他秉持着这一理念：“当天才放弃努力时，勤奋将超越天赋”。
他感兴趣的是有关机器学习和自然语言处理在各个行业的应用的前沿研究领域。闲暇时，他喜欢通过自己的博客分享知识，并激励年轻人进入令人兴奋的数据科学世界。
第 1章 数据科学基本概念 1
1.1 数据的概念 2
1.1.1 结构化数据 2
1.1.2 非结构化数据 2
1.1.3 半结构化数据 3
1.2 数据科学的定义 3
1.3 数据科学家的工作 4
1.4 数据科学应用实例 5
1.5 为何Python适合数据科学 6
1.6 小结 7
第 2章 软件安装与配置 8
2.1 系统要求 9
2.2 下载Anaconda 9
2.3 在Windows系统上安装Anaconda 10
2.4 在Linux系统上安装Anaconda 11
2.5 如何在Anaconda中安装新的Python库 13
2.6 打开笔记本—Jupyter 14
2.7 了解笔记本 15
2.8 小结 19
第3章 列表与字典 20
3.1 什么是列表 21
3.2 如何创建列表 21
3.3 列表的不同操作 22
3.4 列表与数组的差异 25
3.5 什么是字典 26
3.6 如何创建字典 26
3.7 字典的相关操作 26
3.8 小结 28
第4章 函数与包 29
4.1 Python的Help()函数 30
4.2 如何导入Python包 30
4.3 如何创建并调用函数 31
4.4 在函数中传递参数 31
4.5 函数的默认参数 32
4.6 如何在函数中使用未知参数 32
4.7 函数的全局与本地变量 33
4.8 Lambda函数 35
4.9 了解Python中的main方法 35
4.10 小结 38
第5章 NumPy基本概念 39
5.1 导入NumPy包 39
5.2 为何NumPy数组优于列表 40
5.3 NumPy数组属性 41
5.4 创建NumPy数组 41
5.5 访问NumPy数组中的元素 43
5.6 NumPy数组的切片 44
5.7 数组连接 46
5.8 小结 47
第6章 Pandas和数据帧 48
6.1 导入Pandas 48
6.2 Pandas数据结构 49
6.3 .loc[]和.iloc[] 54
6.4 一些有用的数据帧函数 55
6.5 处理数据帧中的缺失值 57
6.6 小结 60
第7章 与数据库交互 61
7.1 SQLAlchemy 62
7.2 安装SQLAlchemy包 62
7.3 如何使用SQLAlchemy 63
7.4 SQLAlchemy引擎配置 64
7.5 在数据库中新建表 65
7.6 在表中插入数据 66
7.7 更新记录 67
7.8 如何合并表格 68
7.8.1 内连接 68
7.8.2 左连接 69
7.8.3 右连接 70
7.9 小结 70
第8章 数据科学中的统计思维 71
8.1 数据科学中的统计学 72
8.2 统计数据/变量的类型 72
8.3 平均数、中位数和众数 73
8.4 概率的基本概念 74
8.5 统计分布 75
8.6 Pearson相关系数 77
8.7 概率密度函数 78
8.8 真实案例 79
8.9 统计推断与假设检验 79
8.10 小结 86
第9章 如何在Python中导入数据 87
9.1 导入TXT数据 88
9.2 导入CSV数据 89
9.3 导入Excel数据 90
9.4 导入JSON数据 90
9.5 导入腌制数据 91
9.6 导入压缩数据 91
9.7 小结 92
第 10章 清洗导入的数据 93
10.1 了解数据 94
10.2 分析缺失值 95
10.3 丢弃缺失值 97
10.4 自动填充缺失值 98
10.5 如何缩放和归一化数据 99
10.6 如何解析日期 102
10.7 如何应用字符编码 104
10.8 清洗不一致的数据 105
10.9 小结 106
第 11章 数据可视化 107
11.1 条形图 108
11.2 折线图 109
11.3 直方图 110
11.4 散点图 111
11.5 堆积图 111
11.6 箱线图 113
11.7 小结 115
第 12章 数据预处理 116
12.1 关于案例研究 116
12.2 导入数据集 117
12.3 探索性数据分析 118
12.4 数据清洗与预处理 122
12.5 特征工程 124
12.6 小结 129
第 13章 监督式机器学习 130
13.1 常见的机器学习术语 131
13.2 机器学习导论 132
13.3 常用机器学习算法列述 133
13.4 监督式机器学习基础 134
13.5 解决分类机器学习问题 136
13.6 为何要进行训练/测试拆分和交叉验证 140
13.7 解决回归机器学习问题 144
13.8 如何调整机器学习模型 152
13.9 如何处理sklearn中的分类变量 154
13.10 处理缺失数据的高级技术 155
13.11 小结 158
第 14章 无监督式机器学习 159
14.1 为何选择无监督式机器学习 160
14.2 无监督式机器学习技术 160
14.2.1 聚类 161
14.2.2 主成分分析 169
14.3 案例研究 172
14.4 验证无监督式机器学习 178
14.5 小结 179
第 15章 处理时间序列数据 180
15.1 为何时间序列重要 181
15.2 如何处理日期和时间 181
15.3 转换时间序列数据 184
15.4 操作时间序列数据 187
15.5 比较时间序列的增长率 189
15.6 如何改变时间序列频率 192
15.7 小结 198
第 16章 时间序列法 199
16.1 时间序列预测的定义 200
16.2 预测的基本步骤 200
16.3 时间序列预测的技术 201
16.3.1 自回归 201
16.3.2 移动平均 202
16.3.3 自回归移动平均 203
16.3.4 自回归积分移动平均 203
16.3.5 季节性自回归积分移动平均 204
16.3.6 季节性自回归积分移动平均与外生回归因子 205
16.3.7 向量自回归移动平均 205
16.3.8 Holt-Winters指数平滑 206
16.4 预测网页的未来流量 207
16.5 小结 214
第 17章 案例研究1 215
第 18章 案例研究2 230
第 19章 案例研究3 239
第 20章 案例研究4 247
书单推荐
