第１章　初识Python与Jupyter1

1.1　Python概要2

1.1.1　为什么要学习Python2

1.1.2　Python中常用的库2

1.2　Python的版本之争4

1.3　安装Anaconda5

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Python11

1.4.1　验证Python11

1.4.2　Python版本的Hello World12

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—Jupyter20

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NumPy205

6.2　如何导入NumPy205

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DataFrame289

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Seaborn431

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 AUC489

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—sklearn493

10.1.1 sklearn简介494

10.1.3 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