中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
PYTHON科學(xué)與工程數(shù)據(jù)分析實戰(zhàn) 版權(quán)信息
- ISBN：9787302657088
- 條形碼：9787302657088 ; 978-7-302-65708-8
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
PYTHON科學(xué)與工程數(shù)據(jù)分析實戰(zhàn) 本書特色
以Python 3.10.7為平臺，以科學(xué)和工程實際應(yīng)用為背景，通過“概述 算法 經(jīng)典應(yīng)用”的形式，深入淺出地介紹Python數(shù)據(jù)分析的相關(guān)知識和應(yīng)用，提供源代碼和教學(xué)課件。
具有以下特色：
1.理論與實踐并重、站在工程與科技的前沿；
2.提煉數(shù)百個典型實例，源于作者實際工作；
3.提供程序源代碼，可快速進階到實用階段；
4.由淺入深，理論結(jié)合實際，案例豐富實用；
5.取材科學(xué)、結(jié)構(gòu)嚴(yán)謹(jǐn)，介紹智能算法創(chuàng)新成果
PYTHON科學(xué)與工程數(shù)據(jù)分析實戰(zhàn) 內(nèi)容簡介
本書以Python 3.10.7為平臺，以實際應(yīng)用為背景，通過概述+算法+經(jīng)典應(yīng)用的形式，深入淺出地介紹Python數(shù)據(jù)分析的相關(guān)知識。全書共9章，主要內(nèi)容包括Python概述、科學(xué)計算庫、開源科學(xué)集、數(shù)據(jù)分析利器、數(shù)據(jù)分析的可視化、基于回歸的數(shù)據(jù)分析、基于分類的數(shù)據(jù)分析、基于聚類的數(shù)據(jù)分析、數(shù)據(jù)特征分析等。通過學(xué)習(xí)本書，讀者可領(lǐng)略到Python的簡單、易學(xué)、易讀、易維護等特點，同時也可感受到利用Python實現(xiàn)數(shù)據(jù)分析應(yīng)用領(lǐng)域廣泛，功能強大。 本書可作為高等學(xué)校相關(guān)專業(yè)本科生和研究生的教學(xué)用書，也可作為相關(guān)專業(yè)科研人員、學(xué)者、工程技術(shù)人員的參考用書。
PYTHON科學(xué)與工程數(shù)據(jù)分析實戰(zhàn) 目錄
下載源碼
第1章掀開Python面紗1
1.1Python環(huán)境搭建1
1.1.1Python的安裝1
1.1.2pip安裝第三方庫2
1.1.3編輯器Jupyter Notebook3
1.2尋求幫助4
1.3基本命令5
1.3.1數(shù)字5
1.3.2變量7
1.3.3運算符9
1.4數(shù)據(jù)類型15
1.5字符串操作16
1.6元素的集合17
1.6.1列表17
1.6.2元組21
1.6.3字典24
1.6.4集合31
第2章科學(xué)計算庫34
2.1必需庫的安裝34
2.2NumPy概述35
2.3NumPy的數(shù)據(jù)類型35
2.4NumPy數(shù)組36
2.4.1NumPy數(shù)組的創(chuàng)建37
2.4.2NumPy切片39
2.4.3NumPy索引40
2.4.4NumPy迭代42
2.4.5NumPy數(shù)組操作45
2.4.6NumPy算術(shù)函數(shù)58
2.5NumPy統(tǒng)計函數(shù)60
2.6NumPy排序63
2.7NumPy線性代數(shù)66
2.7.1矩陣和向量積66
2.7.2行列式68
2.7.3求解線性方程68
2.7.4矩陣特征值和特征向量69
2.8矩陣分解70
2.8.1Cholesky分解70
2.8.2QR分解72
2.8.3SVD(奇異值)分解73
2.9范數(shù)和秩75
2.9.1矩陣的范數(shù)75
2.9.2矩陣的秩76
第3章開源科學(xué)集78
3.1SciPy常量模塊78
3.1.1常量78
3.1.2單位類型78
3.2SciPy優(yōu)化器81
3.3SciPy稀疏矩陣82
3.3.1coo_matrix存儲方式82
3.3.2csr_matrix存儲方式83
3.3.3csc_matrix存儲方式83
3.3.4lil_matrix存儲方式84
3.3.5dok_matrix存儲方式85
3.3.6dia_matrix存儲方式86
3.3.7bsr_matrix存儲方式87
3.4SciPy圖結(jié)構(gòu)87
3.4.1鄰接矩陣87
3.4.2連接組件88
3.4.3Dijkstra*短路徑89
3.4.4Floyd Warshall算法91
3.4.5BellmanFord算法92
3.5SciPy空間數(shù)據(jù)96
3.5.1三角測量96
3.5.2凸包97
3.5.3KD樹98
3.5.4距離矩陣100
3.6SciPy插值103
3.6.1一維插值104
3.6.2二維插值105
3.6.3樣條插值106
3.7SciPy顯著性檢驗108
3.7.1統(tǒng)計假設(shè)109
3.7.2t檢驗110
3.7.3KS檢驗113
3.8邊緣檢測113
第4章數(shù)據(jù)分析利器115
4.1Pandas數(shù)據(jù)結(jié)構(gòu)117
4.1.1系列117
4.1.2數(shù)據(jù)結(jié)構(gòu)120
4.1.3面板126
4.2統(tǒng)計性描述128
4.3Pandas重建索引132
4.4Pandas迭代與排序135
4.4.1Pandas迭代135
4.4.2Pandas排序137
4.5Pandas統(tǒng)計函數(shù)140
4.6Pandas分組與聚合142
4.7數(shù)據(jù)缺失144
4.7.1數(shù)據(jù)缺失的原因145
4.7.2檢查缺失值145
4.7.3缺失值的計算146
4.7.4清理/填充缺失數(shù)據(jù)146
4.7.5丟失缺失的值147
4.7.6替換丟失/通用值148
4.8Pandas連接148
4.9Pandas CSV文件151
4.10Pandas的JSON文件154
第5章數(shù)據(jù)分析的可視化156
5.1初識Matplotlib156
5.2基本二維繪圖158
5.2.1折線圖158
5.2.2散點圖160
5.2.3條形圖163
5.2.4餅圖165
5.2.5箱線圖167
5.2.6等高線圖169
5.3三維繪圖172
5.3.1三維坐標(biāo)軸172
5.3.2三維點和線172
5.3.3三維等高線圖173
5.3.4表面三角測量174
5.3.5非結(jié)構(gòu)化圖像175
5.3.6三維體元素177
5.4小提琴圖178
第6章基于回歸的數(shù)據(jù)分析180
6.1簡單線性回歸180
6.1.1線性回歸概述181
6.1.2簡單線性回歸的實現(xiàn)183
6.2多元回歸186
6.2.1多項式回歸概述186
6.2.2多項式回歸的實現(xiàn)187
6.3廣義線性回歸190
6.3.1函數(shù)模型190
6.3.2邊界決策函數(shù)190
6.3.3廣義回歸的實現(xiàn)192
6.4嶺回歸195
6.5套索回歸196
6.5.1全子集算法197
6.5.2貪心算法197
6.5.3正則化198
6.6非線性回歸200
6.6.1K*近鄰回歸200
6.6.2核回歸202
第7章基于分類的數(shù)據(jù)分析204
7.1KNN分類器204
7.2線性分類器206
7.3邏輯分類210
7.3.1邏輯回歸概述210
7.3.2邏輯回歸原理211
7.3.3邏輯分類的實現(xiàn)211
7.4貝葉斯分類215
7.4.1貝葉斯分類相關(guān)知識215
7.4.2貝葉斯原理216
7.4.3貝葉斯分類的實現(xiàn)217
7.5決策樹219
7.5.1決策樹概述220
7.5.2樹的相關(guān)術(shù)語220
7.5.3決策樹算法221
7.5.4信息熵222
7.5.5信息增益223
7.5.6信息增益率223
7.5.7決策樹的應(yīng)用224
7.6隨機森林226
7.6.1隨機森林概述226
7.6.2特征重要評估227
7.6.3隨機森林的實現(xiàn)228
第8章基于聚類的數(shù)據(jù)分析232
8.1聚類的分類232
8.2kmeans聚類234
8.2.1kmeans聚類的基本原理234
8.2.2算法流程234
8.2.3隨機分配聚類質(zhì)心235
8.2.4kmeans算法的優(yōu)缺點237
8.2.5kmeans算法的變體238
8.3Mean Shift聚類250
8.3.1Mean Shift算法介紹250
8.3.2Mean Shift算法的思想252
8.3.3概率密度梯度255
8.3.4Mean Shift向量的修正255
8.3.5Mean Shift算法流程256
8.4譜聚類261
8.4.1譜聚類的原理261
8.4.2譜聚類算法描述261
8.4.3譜聚類算法中的重要屬性262
8.4.4譜聚類的實現(xiàn)267
8.5層次聚類算法270
8.5.1自頂向下的層次聚類算法271
8.5.2自底向上的層次聚類算法272
8.5.3簇間相似度的計算方法272
8.5.4層次聚類算法的實現(xiàn)274
8.6密度聚類276
8.6.1密度聚類的原理276
8.6.2DBSCAN密度定義277
8.6.3DBSCAN密度聚類的思想277
8.6.4DBSCAN聚類算法278
8.6.5DBSCAN聚類的實現(xiàn)279
第9章數(shù)據(jù)特征分析281
9.1數(shù)據(jù)表達281
9.1.1啞變量轉(zhuǎn)換類型特征281
9.1.2數(shù)據(jù)的裝箱處理283
9.1.3數(shù)據(jù)的分箱處理286
9.2交互式與多項式特征296
9.2.1添加交互式特征296
9.2.2添加多項式特征299
9.3自動化特征選擇301
9.3.1單變量特征選擇301
9.3.2基于模型的特征選擇303
參考文獻311
第1章掀開Python面紗1
1.1Python環(huán)境搭建1
1.1.1Python的安裝1
1.1.2pip安裝第三方庫2
1.1.3編輯器Jupyter Notebook3
1.2尋求幫助4
1.3基本命令5
1.3.1數(shù)字5
1.3.2變量7
1.3.3運算符9
1.4數(shù)據(jù)類型15
1.5字符串操作16
1.6元素的集合17
1.6.1列表17
1.6.2元組21
1.6.3字典24
1.6.4集合31
第2章科學(xué)計算庫34
2.1必需庫的安裝34
2.2NumPy概述35
2.3NumPy的數(shù)據(jù)類型35
2.4NumPy數(shù)組36
2.4.1NumPy數(shù)組的創(chuàng)建37
2.4.2NumPy切片39
2.4.3NumPy索引40
2.4.4NumPy迭代42
2.4.5NumPy數(shù)組操作45
2.4.6NumPy算術(shù)函數(shù)58
2.5NumPy統(tǒng)計函數(shù)60
2.6NumPy排序63
2.7NumPy線性代數(shù)66
2.7.1矩陣和向量積66
2.7.2行列式68
2.7.3求解線性方程68
2.7.4矩陣特征值和特征向量69
2.8矩陣分解70
2.8.1Cholesky分解70
2.8.2QR分解72
2.8.3SVD(奇異值)分解73
2.9范數(shù)和秩75
2.9.1矩陣的范數(shù)75
2.9.2矩陣的秩76
第3章開源科學(xué)集78
3.1SciPy常量模塊78
3.1.1常量78
3.1.2單位類型78
3.2SciPy優(yōu)化器81
3.3SciPy稀疏矩陣82
3.3.1coo_matrix存儲方式82
3.3.2csr_matrix存儲方式83
3.3.3csc_matrix存儲方式83
3.3.4lil_matrix存儲方式84
3.3.5dok_matrix存儲方式85
3.3.6dia_matrix存儲方式86
3.3.7bsr_matrix存儲方式87
3.4SciPy圖結(jié)構(gòu)87
3.4.1鄰接矩陣87
3.4.2連接組件88
3.4.3Dijkstra*短路徑89
3.4.4Floyd Warshall算法91
3.4.5BellmanFord算法92
3.5SciPy空間數(shù)據(jù)96
3.5.1三角測量96
3.5.2凸包97
3.5.3KD樹98
3.5.4距離矩陣100
3.6SciPy插值103
3.6.1一維插值104
3.6.2二維插值105
3.6.3樣條插值106
3.7SciPy顯著性檢驗108
3.7.1統(tǒng)計假設(shè)109
3.7.2t檢驗110
3.7.3KS檢驗113
3.8邊緣檢測113
第4章數(shù)據(jù)分析利器115
4.1Pandas數(shù)據(jù)結(jié)構(gòu)117
4.1.1系列117
4.1.2數(shù)據(jù)結(jié)構(gòu)120
4.1.3面板126
4.2統(tǒng)計性描述128
4.3Pandas重建索引132
4.4Pandas迭代與排序135
4.4.1Pandas迭代135
4.4.2Pandas排序137
4.5Pandas統(tǒng)計函數(shù)140
4.6Pandas分組與聚合142
4.7數(shù)據(jù)缺失144
4.7.1數(shù)據(jù)缺失的原因145
4.7.2檢查缺失值145
4.7.3缺失值的計算146
4.7.4清理/填充缺失數(shù)據(jù)146
4.7.5丟失缺失的值147
4.7.6替換丟失/通用值148
4.8Pandas連接148
4.9Pandas CSV文件151
4.10Pandas的JSON文件154
第5章數(shù)據(jù)分析的可視化156
5.1初識Matplotlib156
5.2基本二維繪圖158
5.2.1折線圖158
5.2.2散點圖160
5.2.3條形圖163
5.2.4餅圖165
5.2.5箱線圖167
5.2.6等高線圖169
5.3三維繪圖172
5.3.1三維坐標(biāo)軸172
5.3.2三維點和線172
5.3.3三維等高線圖173
5.3.4表面三角測量174
5.3.5非結(jié)構(gòu)化圖像175
5.3.6三維體元素177
5.4小提琴圖178
第6章基于回歸的數(shù)據(jù)分析180
6.1簡單線性回歸180
6.1.1線性回歸概述181
6.1.2簡單線性回歸的實現(xiàn)183
6.2多元回歸186
6.2.1多項式回歸概述186
6.2.2多項式回歸的實現(xiàn)187
6.3廣義線性回歸190
6.3.1函數(shù)模型190
6.3.2邊界決策函數(shù)190
6.3.3廣義回歸的實現(xiàn)192
6.4嶺回歸195
6.5套索回歸196
6.5.1全子集算法197
6.5.2貪心算法197
6.5.3正則化198
6.6非線性回歸200
6.6.1K*近鄰回歸200
6.6.2核回歸202
第7章基于分類的數(shù)據(jù)分析204
7.1KNN分類器204
7.2線性分類器206
7.3邏輯分類210
7.3.1邏輯回歸概述210
7.3.2邏輯回歸原理211
7.3.3邏輯分類的實現(xiàn)211
7.4貝葉斯分類215
7.4.1貝葉斯分類相關(guān)知識215
7.4.2貝葉斯原理216
7.4.3貝葉斯分類的實現(xiàn)217
7.5決策樹219
7.5.1決策樹概述220
7.5.2樹的相關(guān)術(shù)語220
7.5.3決策樹算法221
7.5.4信息熵222
7.5.5信息增益223
7.5.6信息增益率223
7.5.7決策樹的應(yīng)用224
7.6隨機森林226
7.6.1隨機森林概述226
7.6.2特征重要評估227
7.6.3隨機森林的實現(xiàn)228
第8章基于聚類的數(shù)據(jù)分析232
8.1聚類的分類232
8.2kmeans聚類234
8.2.1kmeans聚類的基本原理234
8.2.2算法流程234
8.2.3隨機分配聚類質(zhì)心235
8.2.4kmeans算法的優(yōu)缺點237
8.2.5kmeans算法的變體238
8.3Mean Shift聚類250
8.3.1Mean Shift算法介紹250
8.3.2Mean Shift算法的思想252
8.3.3概率密度梯度255
8.3.4Mean Shift向量的修正255
8.3.5Mean Shift算法流程256
8.4譜聚類261
8.4.1譜聚類的原理261
8.4.2譜聚類算法描述261
8.4.3譜聚類算法中的重要屬性262
8.4.4譜聚類的實現(xiàn)267
8.5層次聚類算法270
8.5.1自頂向下的層次聚類算法271
8.5.2自底向上的層次聚類算法272
8.5.3簇間相似度的計算方法272
8.5.4層次聚類算法的實現(xiàn)274
8.6密度聚類276
8.6.1密度聚類的原理276
8.6.2DBSCAN密度定義277
8.6.3DBSCAN密度聚類的思想277
8.6.4DBSCAN聚類算法278
8.6.5DBSCAN聚類的實現(xiàn)279
第9章數(shù)據(jù)特征分析281
9.1數(shù)據(jù)表達281
9.1.1啞變量轉(zhuǎn)換類型特征281
9.1.2數(shù)據(jù)的裝箱處理283
9.1.3數(shù)據(jù)的分箱處理286
9.2交互式與多項式特征296
9.2.1添加交互式特征296
9.2.2添加多項式特征299
9.3自動化特征選擇301
9.3.1單變量特征選擇301
9.3.2基于模型的特征選擇303
參考文獻311
展開全部
書友推薦
- >
二體千字文
- >
我從未如此眷戀人間
- >
羅曼·羅蘭讀書隨筆-精裝
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
詩經(jīng)-先民的歌唱
- >
山海經(jīng)
- >
姑媽的寶刀
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
本類暢銷
