使用Python进行数据分析与可视化是十分便利且高效的，因此Python被认为是最优秀的数据分析工具之一。本书从理论和实战两个角度对数据分析与可视化和Python工具进行了介绍。本书采用理论分析和Python编程实战相结合的形式，按照数据分析与可视化的基本步骤，数据分析与可视化的基本理论知识和相应的Python库进行了详细的介绍，让读者能够在了解基本理论知识的同时快速上手实现数据分析与可视化的程序。

第1章数据分析是什么1
1．1数据分析与数据挖掘的关系1
1．2机器学习与数据分析的关系1
1．3数据分析的基本步骤2
1．4Python和数据分析2
1．5本章小结3
第2章Python——从了解Python开始4
2．1Python及pandas、scikit-learn、Matplotlib的安装4
2．1．1Windows操作系统下Python的安装4
2．1．2macOS下Python的安装5
2．1．3pandas、scikit-learn和Matplotlib的安装5
2．1．4使用科学计算发行版Python进行快速安装5
2．2Python基础知识6
2．2．1缩进6
2．2．2模块化的系统7
2．2．3注释7
2．2．4语法7
2．3重要的Python库7
2．3．1pandas7
2．3．2scikit-learn8
2．3．3Matplotlib8
2．3．4其他8
2．4Jupyter9
2．5本章小结9
第3章数据预处理——不了解数据，一切都是空谈10
3．1了解数据10
3．2数据质量12
3．2．1完整性12
3．2．2一致性13
3．2．3准确性14
3．2．4及时性14
3．3数据清洗14
3．4特征工程16
3．4．1特征选择16
3．4．2特征构建16
3．4．3特征提取17
3．5本章小结17
第4章NumPy——数据分析基础工具18
4．1多维数组对象：ndarray对象18
4．1．1ndarray对象的创建19
4．1．2ndarray对象的数据类型21
4．2ndarray对象的索引、切片和迭代21
4．3ndarray对象的shape操作23
4．4ndarray对象的基础操作23
4．5本章小结25
第5章pandas——处理结构化数据26
5．1基本数据结构26
5．1．1Series26
5．1．2DataFrame28
5．2基于pandas的Index对象的访问操作32
5．2．1pandas的Index对象33
5．2．2索引的不同访问方式35
5．3数学统计和计算工具38
5．3．1统计函数：协方差、相关系数、排序38
5．3．2窗口函数40
5．4数学聚合和分组运算45
5．4．1agg函数的聚合操作47
5．4．2transform函数的转换操作48
5．4．3apply函数的一般操作49
5．5本章小结49
第6章数据分析与知识发现——一些常用的方法50
6．1分类分析50
6．1．1逻辑回归51
6．1．2线性判别分析51
6．1．3支持向量机51
6．1．4决策树52
6．1．5k近邻53
6．1．6朴素贝叶斯54
6．2关联分析54
6．2．1基本概念54
6．2．2经典算法55
6．3聚类分析60
6．3．1k均值算法60
6．3．2DBSCAN61
6．4回归分析62
6．4．1线性回归分析63
6．4．2支持向量回归63
6．4．3k近邻回归63
6．5本章小结64
第7章scikit-learn——实现数据的分析65
7．1分类方法65
7．1．1逻辑回归65
7．1．2支持向量机66
7．1．3近邻67
7．1．4决策树68
7．1．5随机梯度下降68
7．1．6高斯过程分类69
7．1．7多层感知器69
7．1．8朴素贝叶斯70
7．2回归方法71
7．2．1小二乘法71
7．2．2岭回归71
7．2．3Lasso回归72
7．2．4贝叶斯岭回归72
7．2．5决策树回归73
7．2．6高斯过程回归73
7．2．7近邻回归74
7．3聚类方法75
7．3．1k均值75
7．3．2相似性传播76
7．3．3均值漂移76
7．3．4谱聚类77
7．3．5层次聚类77
7．3．6DBSCAN78
7．3．7BIRCH79
7．4本章小结80
第8章Matplotlib——交互式图表绘制81
8．1基本布局对象81
8．2图表样式的修改以及图表装饰项接口84
8．3基础图表绘制88
8．3．1直方图88
8．3．2散点图89
8．3．3饼图91
8．3．4柱状图92
8．3．5折线图95
8．3．6表格96
8．3．7不同坐标系下的图像97
8．4matplot3D98
8．5Matplotlib与Jupyter结合99
8．6本章小结101
第9章实战：影评数据分析与电影推荐102
9．1明确目标与数据准备102
9．1．1明确目标102
9．1．2数据采集与处理102
9．1．3工具选择103
9．2初步分析104
9．2．1用户角度分析104
9．2．2电影角度分析107
9．3电影推荐110
9．4本章小结111
第10章实战：汽车贷款违约的数据分析112
10．1数据分析常用的Python库112
10．2数据样本分析113
10．2．1初步分析样本的所有变量113
10．2．2变量类型分析114
10．2．3Python代码实践115
10．3数据分析的预处理116
10．3．1目标变量探索116
10．3．2X变量初步探索117
10．3．3连续变量的缺失值处理118
10．3．4分类变量的缺失值处理120
10．4数据分析的模型建立与模型评估122
10．4．1数据预处理与训练集划分122
10．4．2采用回归模型进行数据分析123
10．4．3采用决策树模型进行数据分析125
10．4．4采用随机森林模型优化决策树模型127
10．5本章小结128
第11章实战：Python表格数据分析129
11．1背景介绍129
11．2前期准备与基本操作130
11．2．1基本术语概念说明130
11．2．2安装openpyxl并创建一个工作簿130
11．2．3从Excel工作簿中读取数据131
11．2．4迭代访问数据133
11．2．5修改与插入数据135
11．3进阶内容137
11．3．1为Excel工作簿添加公式137
11．3．2为Excel工作簿添加条件格式139
11．3．3为Excel工作簿添加图表142
11．4数据分析实例145
11．4．1背景与前期准备145
11．4．2使用openpyxl读取数据并将其转化为Dataframe对象145
11．4．3绘制数值列直方图146
11．4．4绘制相关性矩阵147
11．4．5绘制散布矩阵149
11．4．6将可视化结果插入Excel工作簿中150
11．5本章小结151
第12章实战：利用手机的购物评论分析手机特征152
12．1项目介绍152
12．2从Kaggle上下载数据152
12．3筛选想要的数据156
12．4分析数据159
12．4．1算法介绍159
12．4．2算法应用160
12．5本章小结171
第13章实战：基于k近邻模型预测葡萄酒种类的数据分析与可视化172
13．1机器学习的模型和数据172
13．2k近邻模型的介绍与初步建立173
13．2．1k近邻模型的初步建立173
13．2．2使用专业库建立k近邻模型178
13．2．3使用scikit-learn182
13．3数据可视化183
13．4本章小结185
第14章实战：美国波士顿房价预测186
14．1数据清洗187
14．2数据分析195
14．3分析结果199
14．4本章小结199