1.1 數(shù)據(jù)與大數(shù)據(jù) 1 1.2　數(shù)據(jù)分析　2 1.3　數(shù)據(jù)可視化　3 1.3.1　數(shù)據(jù)可視化的目標(biāo)　3 1.3.2　數(shù)據(jù)可視化的作用　4 1.3.3　數(shù)據(jù)可視化的優(yōu)勢(shì)　5 1.4　數(shù)據(jù)分析流程　5 1.5　Python數(shù)據(jù)分析與可視化　6 1.5.1　為什么選擇Python做數(shù)據(jù)分析　6 1.5.2　Python數(shù)據(jù)分析與可視化常用類(lèi)庫(kù)　7 1.6　Jupyter Notebook的安裝和使用　8 1.6.1　Jupyter Notebook的安裝　8 1.6.2　Jupyter Notebook的使用　9 1.7　PyCharm的安裝和使用　11 習(xí)題　13 實(shí)驗(yàn)一　熟悉Python開(kāi)發(fā)環(huán)境　13 2.1　Python語(yǔ)言簡(jiǎn)介　15 2.2　Python語(yǔ)言基本語(yǔ)法　16 2.2.1　Python基礎(chǔ)數(shù)據(jù)類(lèi)型　16 2.2.2　Python數(shù)據(jù)結(jié)構(gòu)　17 2.2.3　Python控制語(yǔ)句　26 2.2.4　Python函數(shù)與模塊　31 2.3　Python面向?qū)ο蟪绦蛟O(shè)計(jì)　36 2.3.1　定義和使用類(lèi)　36 2.3.2　構(gòu)造函數(shù)　37 2.3.3　析構(gòu)函數(shù)　38 2.3.4　實(shí)例屬性和類(lèi)屬性　38 2.3.5　私有成員與公有成員　39 2.3.6　方法　40 2.3.7　類(lèi)的繼承　41 2.4　Python圖形用戶(hù)界面設(shè)計(jì)　43 2.4.1　創(chuàng)建Windows窗口　43 2.4.2　幾何布局管理器　44 2.4.3　Tkinter組件　47 2.4.4　Python事件處理　58 2.4.5　圖形用戶(hù)界面設(shè)計(jì)應(yīng)用案例　62 2.5　操作常用文件　65 2.5.1　操作CSV文件　65 2.5.2　操作Excel文件　67 2.5.3　操作JSON文件　70 2.6　Python的第三方庫(kù)　72 習(xí)題　73 實(shí)驗(yàn)二　基于Tkinter的GUI程序開(kāi)發(fā)　74 3.1　NumPy數(shù)組的使用　81 3.1.1　NumPy數(shù)組說(shuō)明　81 3.1.2　NumPy數(shù)組中的元素訪問(wèn)　85 3.1.3　NumPy數(shù)組的運(yùn)算　86 3.1.4　NumPy數(shù)組的形狀操作　89 3.2　NumPy中的矩陣對(duì)象　91 3.3　NumPy中的數(shù)據(jù)統(tǒng)計(jì)分析　92 3.3.1　排序　92 3.3.2　數(shù)據(jù)去重與數(shù)據(jù)重復(fù)　94 習(xí)題　96 實(shí)驗(yàn)三　NumPy數(shù)據(jù)分析應(yīng)用　97 4.1　Pandas　102 4.1.1　Series　102 4.1.2　DataFrame　105 4.2　Pandas統(tǒng)計(jì)　112 4.2.1　基本統(tǒng)計(jì)　112 4.2.2　分組統(tǒng)計(jì)　113 4.3　Pandas排序和排名　114 4.3.1　Series的排序　114 4.3.2　DataFrame的排序　115 4.3.3　Series和DataFrame的排名　116 4.4　Pandas篩選和過(guò)濾　118 4.4.1　篩選　118 4.4.2　按篩選條件進(jìn)行匯總　120 4.4.3　過(guò)濾　121 4.5　Pandas數(shù)據(jù)透視表和交叉表　122 4.5.1　數(shù)據(jù)透視表　122 4.5.2　交叉表　125 4.6　Pandas數(shù)據(jù)導(dǎo)入導(dǎo)出　126 4.6.1　導(dǎo)入CSV文件　126 4.6.2　導(dǎo)入其他格式文件　127 4.6.3　導(dǎo)出Excel文件　127 4.6.4　導(dǎo)出CSV文件　128 4.6.5　讀取和寫(xiě)入數(shù)據(jù)庫(kù)　128 4.7　Pandas日期處理　129 4.8　Pandas數(shù)據(jù)運(yùn)算　133 4.8.1　簡(jiǎn)單算術(shù)運(yùn)算　133 4.8.2　應(yīng)用函數(shù)運(yùn)算　134 4.9　Pandas數(shù)據(jù)分析應(yīng)用案例——學(xué)生成績(jī)統(tǒng)計(jì)分析　136 習(xí)題　140 實(shí)驗(yàn)四　Pandas數(shù)據(jù)分析應(yīng)用　141 5.1　HTTP與網(wǎng)絡(luò)爬蟲(chóng)相關(guān)知識(shí)　145 5.2　urllib庫(kù)　146 5.2.1　urllib庫(kù)簡(jiǎn)介　146 5.2.2　urllib庫(kù)的基本使用　147 5.3　BeautifulSoup庫(kù)　155 5.3.1　BeautifulSoup庫(kù)概述　155 5.3.2　BeautifulSoup庫(kù)的四大對(duì)象　156 5.3.3　BeautifulSoup庫(kù)解析文檔樹(shù)　158 5.4　requests庫(kù)　161 5.4.1　requests庫(kù)的使用　161 5.4.2　requests庫(kù)的應(yīng)用案例　165 5.5　動(dòng)態(tài)網(wǎng)頁(yè)爬蟲(chóng)　168 5.5.1　AJAX動(dòng)態(tài)網(wǎng)頁(yè)爬取　168 5.5.2　動(dòng)態(tài)網(wǎng)頁(yè)爬蟲(chóng)——爬取今日頭條新聞　171 5.6　Selenium實(shí)現(xiàn)AJAX動(dòng)態(tài)加載　172 5.6.1　安裝Selenium　172 5.6.2　Selenium詳細(xì)用法　174 5.6.3　Selenium應(yīng)用案例　177 5.6.4　Selenium處理滾動(dòng)條　179 5.6.5　Selenium動(dòng)態(tài)加載——爬取今日頭條新聞　180 5.7　爬蟲(chóng)應(yīng)用案例——Python爬取新浪國(guó)內(nèi)新聞　181 5.8　爬蟲(chóng)應(yīng)用案例——Python爬取豆瓣電影TOP 250　184 習(xí)題　187 實(shí)驗(yàn)五　Python爬取網(wǎng)頁(yè)信息　187 6.1　數(shù)據(jù)處理　192 6.1.1　數(shù)據(jù)清理　192 6.1.2　數(shù)據(jù)集成　195 6.1.3　數(shù)據(jù)變換與數(shù)據(jù)離散化　195 6.2　Pandas數(shù)據(jù)清理　196 6.2.1　處理缺失值　197 6.2.2　處理重復(fù)值　201 6.2.3　處理格式錯(cuò)誤　202 6.2.4　處理錯(cuò)誤數(shù)據(jù)　202 6.2.5　處理異常值　203 6.3　Pandas數(shù)據(jù)集成　204 6.3.1　SQL合并/連接　204 6.3.2　字段合并　206 6.3.3　記錄合并　206 6.4　Pandas數(shù)據(jù)變換與數(shù)據(jù)離散化　211 6.4.1　簡(jiǎn)單函數(shù)變換　211 6.4.2　數(shù)據(jù)標(biāo)準(zhǔn)化　212 6.4.3　數(shù)據(jù)離散化　213 6.5　Pandas數(shù)據(jù)分析　214 6.5.1　描述性分析　214 6.5.2　分布分析　215 6.5.3　相關(guān)分析　217 習(xí)題　218 實(shí)驗(yàn)六　數(shù)據(jù)處理與數(shù)據(jù)分析　218 7.1　機(jī)器學(xué)習(xí)基礎(chǔ)　225 7.1.1　機(jī)器學(xué)習(xí)概念　225 7.1.2　機(jī)器學(xué)習(xí)分類(lèi)　225 7.1.3　機(jī)器學(xué)習(xí)流程　226 7.1.4　機(jī)器學(xué)習(xí)庫(kù)sklearn的安裝　227 7.2　機(jī)器學(xué)習(xí)庫(kù)sklearn的應(yīng)用　228 7.2.1　sklearn常用數(shù)據(jù)集　229 7.2.2　聚類(lèi)　230 7.2.3　分類(lèi)　232 7.2.4　回歸　233 7.2.5　主成分分析　235 7.2.6　鳶尾花相關(guān)的分類(lèi)、預(yù)測(cè)及降維　236 習(xí)題　240 實(shí)驗(yàn)七　sklearn機(jī)器學(xué)習(xí)應(yīng)用　240 8.1　Matplotlib繪圖可視化　244 8.1.1　Matplotlib.pyplot模塊——快速繪圖　244 8.1.2　繪制直方圖、條形圖、散點(diǎn)圖、餅圖　250 8.1.3　交互式標(biāo)注　254 8.2　seaborn繪圖可視化　254 8.2.1　seaborn安裝和內(nèi)置數(shù)據(jù)集　254 8.2.2　seaborn設(shè)置背景與邊框　255 8.2.3　seaborn繪制散點(diǎn)圖　256 8.2.4　seaborn繪制折線圖　258 8.2.5　seaborn繪制直方圖　260 8.2.6　seaborn繪制條形圖　263 8.2.7　seaborn繪制線性回歸模型　263 8.2.8　seaborn繪制箱線圖　264 8.3　pyecharts繪圖可視化　267 8.3.1　安裝pyecharts　267 8.3.2　體驗(yàn)圖表　268 8.3.3　常用圖表　271 8.4　Pandas數(shù)據(jù)分析應(yīng)用案例——天氣數(shù)據(jù)分析和展示　277 8.4.1　爬取數(shù)據(jù)　277 8.4.2　Pandas處理分析數(shù)據(jù)　279 8.4.3　數(shù)據(jù)可視化展示　279 8.5　數(shù)據(jù)可視化應(yīng)用案例——學(xué)生成績(jī)分布條形圖展示　281 8.5.1　程序設(shè)計(jì)的思路　282 8.5.2　程序設(shè)計(jì)的步驟　282 習(xí)題　284 實(shí)驗(yàn)八　數(shù)據(jù)可視化　284 9.1　股票數(shù)據(jù)量化分析的背景與功能　291 9.2　程序設(shè)計(jì)的思路　291 9.3　程序設(shè)計(jì)的步驟　292 10.1　銷(xiāo)售業(yè)客戶(hù)價(jià)值數(shù)據(jù)分析的意義　305 10.2　程序設(shè)計(jì)的思路　305 10.3　程序設(shè)計(jì)的步驟　306 參考文獻(xiàn)　320