Python 數據分析從入門到精通

《Python數據分析從入門到精通》全面介紹了使用Python進行數據分析所必需的各項知識。全書共分為14章，包括瞭解數據分析、搭建Python數據分析環境、Pandas統計分析、Matplotlib可視化數據分析圖表、Seaborn可視化數據分析圖表、第三方可視化數據分析圖表Pyecharts、圖解數組計算模塊NumPy、數據統計分析案例、機器學習庫Scikit-Learn、註冊用戶分析（MySQL版）、電商銷售數據分析與預測、二手房房價分析與預測，以及客戶價值分析。

明日科技，全稱是吉林省明日科技有限公司，是一家專業從事軟件開發、教育培訓以及軟件開發教育資源整合的高科技公司，其編寫的教材非常注重選取軟件開發中的必需、常用內容，同時也很注重內容的易學、方便性以及相關知識的拓展性，深受讀者喜愛。
其教材多次榮獲“全行業優秀暢銷品種”“全國高校出版社優秀暢銷書”等獎項，多個品種長期位居同類圖書銷售排行榜的前列。

第1篇 基礎篇
第1章 瞭解數據分析 2
1.1 什麽是數據分析 2
1.2 數據分析的重要性 2
1.3 數據分析的基本流程 4
1.3.1 熟悉工具 4
1.3.2 明確目的 5
1.3.3 獲取數據 5
1.3.4 數據處理 5
1.3.5 數據分析 6
1.3.6 驗證結果 6
1.3.7 結果呈現 6
1.3.8 數據應用 7
1.4 數據分析常用工具 7
1.4.1 Excel工具 7
1.4.2 Python語言 7
1.5 小結 8

第2章 搭建Python數據分析環境 9
2.1 Python概述 9
2.1.1 Python簡介 9
2.1.2 Python的版本 10
2.2 搭建Python開發環境 10
2.2.1 什麽是IDLE 10
2.2.2 安裝Python 10
2.2.3 使用IDLE編寫“Hello World” 14
2.2.4 配置環境變量—解決“'python'不是內部或外部命令” 16
2.3 集成開發環境PyCharm 18
2.3.1 下載PyCharm 18
2.3.2 安裝PyCharm 20
2.3.3 運行PyCharm 21
2.3.4 創建工程目錄 22
2.3.5 第一個Python程序“Hello World” 24
2.4 數據分析標準環境Anaconda 26
2.4.1 為什麽安裝Anaconda 27
2.4.2 下載Anaconda 27
2.4.3 安裝Anaconda 29
2.5 Jupyter Notebook開發工具 31
2.5.1 認識Jupyter Notebook 31
2.5.2 新建一個Jupyter Notebook文件 32
2.5.3 在Jupyter Notebook中編寫“Hello World” 32
2.6 Spyder開發工具 34
2.6.1 初識Spyder 34
2.6.2 創建項目 35
2.6.3 新建/重命名.py文件 36
2.6.4 創建第一個程序—月銷量分析 37
2.6.5 設置圖表顯示方式 37
2.6.6 在Spyder中安裝和卸載第三方庫 38
2.7 開發工具比較與代碼共享 39
2.7.1 開發工具比較 39
2.7.2 代碼共享 40
2.8 小結 44

第2篇 實踐篇
第3章 Pandas統計分析（上） 46
3.1 初識Pandas 46
3.1.1 Pandas概述 46
3.1.2 安裝Pandas 47
3.1.3 小試牛刀—輕松導入Excel數據 49
3.2 Series對象 50
3.2.1 圖解Series對象 50
3.2.2 創建一個Series對象 51
3.2.3 手動設置Series索引 52
3.2.4 Series的索引 52
3.2.5 獲取Series索引和值 54
3.3 DataFrame對象 54
3.3.1 圖解DataFrame對象 54
3.3.2 創建一個DataFrame對象 55
3.3.3 DataFrame重要屬性和函數 57
3.4 導入外部數據 58
3.4.1 導入.xls或.xlsx文件 58
3.4.2 導入.csv文件 63
3.4.3 導入.txt文本文件 64
3.4.4 導入HTML網頁 65
3.5 數據抽取 67
3.5.1 抽取一行數據 67
3.5.2 抽取多行數據 68
3.5.3 抽取指定列數據 69
3.5.4 抽取指定行、列數據 70
3.5.5 按指定條件抽取數據 71
3.6 數據的增加、修改和刪除 72
3.6.1 增加數據 72
3.6.2 修改數據 75
3.6.3 刪除數據 77
3.7 數據清洗 78
3.7.1 缺失值查看與處理 78
3.7.2 重復值處理 81
3.7.3 異常值的檢測與處理 82
3.8 索引設置 83
3.8.1 索引的作用 83
3.8.2 重新設置索引 83
3.8.3 設置某列為行索引 85
3.8.4 數據清洗後重新設置連續的行索引 86
3.9 數據排序與排名 87
3.9.1 數據排序 87
3.9.2 數據排名 90
3.10 小結 92

第4章 Pandas統計分析（下） 93
4.1 數據計算 93
4.1.1 求和（sum()函數） 93
4.1.2 求均值（mean()函數） 94
4.1.3 求最大值（max()函數） 95
4.1.4 求最小值（min()函數） 96
4.1.5 求中位數（median()函數） 97
4.1.6 求眾數（mode()函數） 98
4.1.7 求方差（var()函數） 99
4.1.8 標準差（數據標準化std()函數） 101
4.1.9 求分位數（quantile()函數） 101
4.2 數據格式化 103
4.2.1 設置小數位數 103
4.2.2 設置百分比 104
4.2.3 設置千位分隔符 105
4.3 數據分組統計 106
4.3.1 分組統計groupby()函數 106
4.3.2 對分組數據進行迭代 108
4.3.3 對分組的某列或多列使用聚合函數（agg()函數） 109
4.3.4 通過字典和Series對象進行分組統計 111
4.4 數據移位 112
4.5 數據轉換 113
4.5.1 一列數據轉換為多列數據 113
4.5.2 行列轉換 116
4.5.3 DataFrame轉換為字典 118
4.5.4 DataFrame轉換為列表 119
4.5.5 DataFrame轉換為元組 119
4.5.6 Excel轉換為HTML網頁格式 120
4.6 數據合並 120
4.6.1 數據合並（merge()方法） 120
4.6.2 數據合並（concat()方法） 124
4.7 數據導出 126
4.7.1 導出為.xlsx文件 126
4.7.2 導出為.csv文件 128
4.7.3 導出多個Sheet 129
4.8 日期數據處理 129
4.8.1 DataFrame的日期數據轉換 129
4.8.2 dt對象的使用 131
4.8.3 獲取日期區間的數據 132
4.8.4 按不同時期統計並顯示數據 133
4.9 時間序列 135
4.9.1 重採樣（Resample()方法） 135
4.9.2 降採樣處理 137
4.9.3 升採樣處理 138
4.9.4 時間序列數據匯總（ohlc()函數） 139
4.9.5 移動窗口數據計算（rolling()函數） 140
4.10 綜合應用 142
4.10.1 案例1：Excel多表合並 142
4.10.2 案例2：股票行情數據分析 143
4.11 小結 144

第5章 Matplotlib可視化數據分析圖表 145
5.1 數據分析圖表的作用 145
5.2 如何選擇適合的圖表類型 146
5.3 圖表的基本組成 147
5.4 Matplotlib概述 148
5.4.1 Matplotlib簡介 148
5.4.2 安裝Matplotlib 150
5.4.3 Matplotlib圖表之初體驗 151
5.5 圖表的常用設置 152
5.5.1 基本繪圖plot()函數 152
5.5.2 設置畫布 155
5.5.3 設置坐標軸 156
5.5.4 添加文本標簽 159
5.5.5 設置標題和圖例 160
5.5.6 添加註釋 161
5.5.7 調整圖表與畫布邊緣間距 163
5.5.8 其他設置 164
5.6 常用圖表的繪制 164
5.6.1 繪制折線圖 164
5.6.2 繪制柱形圖 166
5.6.3 繪制直方圖 169
5.6.4 繪制餅形圖 170
5.6.5 繪制散點圖 174
5.6.6 繪制面積圖 176
5.6.7 繪制熱力圖 178
5.6.8 繪制箱形圖 180
5.6.9 繪制3D圖表 183
5.6.10 繪制多個子圖表 184
5.6.11 圖表的保存 189
5.7 綜合應用 189
5.7.1 案例1：雙y軸可視化數據分析圖表的實現 189
5.7.2 案例2：顏色漸變餅形圖的實現 190
5.7.3 案例3：等高線圖的實現 192
5.8 小結 193

第6章 Seaborn可視化數據分析圖表 194
6.1 Seaborn圖表概述 194
6.2 Seaborn圖表之初體驗 195
6.3 Seaborn圖表的基本設置 196
6.3.1 背景風格 196
6.3.2 邊框控制 197
6.4 常用圖表的繪制 197
6.4.1 繪制折線圖（relplot()函數） 197
6.4.2 繪制直方圖（displot()函數） 199
6.4.3 繪制條形圖（barplot()函數） 200
6.4.4 繪制散點圖（replot()函數） 200
6.4.5 繪制線性回歸模型（lmplot()函數） 202
6.4.6 繪制箱形圖（boxplot()函數） 202
6.4.7 繪制核密度圖（kdeplot()函數） 203
6.4.8 繪制提琴圖（violinplot()函數） 204
6.5 綜合應用 205
6.5.1 案例1：堆疊柱形圖可視化數據分析圖表的實現 205
6.5.2 案例2：統計雙色球中獎號碼熱力圖 206
6.6 小結 208

第7章 第三方可視化數據分析圖表Pyecharts 209
7.1 Pyecharts概述 209
7.1.1 Pyecharts簡介 209
7.1.2 安裝Pyecharts 210
7.1.3 繪制第一張圖表 211
7.2 Pyecharts圖表的組成 212
7.2.1 主題風格 212
7.2.2 圖表標題 214
7.2.3 圖例 216
7.2.4 提示框 218
7.2.5 視覺映射 220
7.2.6 工具箱 222
7.2.7 區域縮放 224
7.3 Pyecharts圖表的繪制 226
7.3.1 柱狀圖—Bar模塊 226
7.3.2 折線/面積圖—Line模塊 227
7.3.3 餅形圖—Pie模塊 229
7.3.4 箱形圖—Boxplot模塊 231
7.3.5 漣漪特效散點圖—EffectScatter模塊 232
7.3.6 詞雲圖—WordCloud模塊 233
7.3.7 熱力圖—HeatMap模塊 235
7.3.8 水球圖—Liquid模塊 237
7.3.9 日歷圖—Calendar模塊 237
7.4 綜合應用 238
7.4.1 案例1：南丁格爾玫瑰圖 238
7.4.2 案例2：雙y軸可視化數據分析圖表的實現（柱形圖+折線圖） 240
7.4.3 案例3：餅形圖與環形圖組合圖表的實現 242
7.5 小結 244

第8章 圖解數組計算模塊NumPy 245
8.1 初識NumPy 245
8.1.1 NumPy概述 245
8.1.2 安裝NumPy模塊 246
8.1.3 數組相關概念 247
8.2 創建數組 248
8.2.1 創建簡單的數組 248
8.2.2 不同方式創建數組 250
8.2.3 從數值範圍創建數組 251
8.2.4 生成隨機數組 254
8.2.5 從已有的數組中創建數組 257
8.3 數組的基本操作 260
8.3.1 數據類型 260
8.3.2 數組運算 262
8.3.3 數組的索引和切片 265
8.3.4 數組重塑 269
8.3.5 數組的增、刪、改、查 271
8.4 NumPy矩陣的基本操作 274
8.4.1 創建矩陣 274
8.4.2 矩陣運算 277
8.4.3 矩陣轉換 279
8.5 NumPy常用統計分析函數 280
8.5.1 數學運算函數 280
8.5.2 統計分析函數 285
8.5.3 數組的排序 288
8.6 綜合應用 290
8.6.1 案例1：NumPy實現正態分佈 290
8.6.2 案例2：NumPy用於圖像灰度處理 291
8.7 小結 292

第9章 數據統計分析案例 293
9.1 對比分析 293
9.1.1 什麽是對比分析 293
9.1.2 案例：對比分析各品牌銷量表現TOP10 293
9.2 同比、定比和環比分析 294
9.2.1 同比、定比和環比概述 295
9.2.2 案例1：京東電商單品銷量同比增長情況分析 295
9.2.3 案例2：單品銷量定比分析 297
9.2.4 案例3：單品銷量環比增長情況分析 298
9.3 貢獻度分析（帕累托法則） 300
9.3.1 什麽是貢獻度分析 300
9.3.2 案例：產品貢獻度分析 300
9.4 差異化分析 302
9.4.1 差異化概述 302
9.4.2 案例：學生成績性別差異分析 302
9.5 相關性分析 303
9.5.1 相關性概述 303
9.5.2 案例：廣告展現量與費用成本相關性分析 303
9.6 時間序列分析 306
9.6.1 時間序列概述 306
9.6.2 案例：年增長趨勢和季節性波動分析 306
9.7 小結 307

第3篇 高級篇
第10章 機器學習庫Scikit-Learn 310
10.1 Scikit-Learn簡介 310
10.2 安裝Scikit-Learn 310
10.3 線性模型 312
10.3.1 最小二乘法回歸 312
10.3.2 嶺回歸 313
10.4 支持向量機 314
10.5 聚類 316
10.5.1 什麽是聚類 316
10.5.2 聚類算法 317
10.5.3 聚類模塊 318
10.5.4 聚類數據生成器 319
10.6 小結 320

第4篇 項目篇
第11章 註冊用戶分析（MySQL版） 322
11.1 概述 322
11.2 項目效果預覽 322
11.3 項目準備 323
11.4 導入MySQL數據 323
11.4.1 Python操縱MySQL 323
11.4.2 Python連接MySQL數據庫 324
11.5 項目實現過程 325
11.5.1 數據準備 325
11.5.2 數據檢測 325
11.5.3 年度註冊用戶分析 326
11.5.4 新註冊用戶分析 328
11.6 小結 329

第12章 電商銷售數據分析與預測 330
12.1 概述 330
12.2 項目效果預覽 330
12.3 項目準備 331
12.4 分析方法 331
12.5 項目實現過程 332
12.5.1 數據處理 332
12.5.2 日期數據統計並顯示 332
12.5.3 銷售收入分析 333
12.5.4 銷售收入與廣告費相關性分析 334
12.5.5 銷售收入預測 337
12.5.6 預測評分 338
12.6 小結 339

第13章 二手房房價分析與預測 340
13.1 概述 340
13.2 項目效果預覽 340
13.3 項目準備 342
13.4 圖表工具模塊 342
13.4.1 繪制餅形圖 342
13.4.2 繪制折線圖 343
13.4.3 繪制條形圖 344
13.5 項目實現過程 345
13.5.1 數據清洗 345
13.5.2 區域二手房均價分析 346
13.5.3 區域二手房數據及占比分析 347
13.5.4 全市二手房裝修程度分析 348
13.5.5 熱門戶型均價分析 350
13.5.6 二手房房價預測 350
13.6 小結 354

第14章 客戶價值分析 355
14.1 概述 355
14.2 項目效果預覽 355
14.3 項目準備 356
14.4 分析方法 357
14.4.1 RFM模型 357
14.4.2 聚類 358
14.5 項目實現過程 358
14.5.1 準備工作 358
14.5.2 數據抽取 358
14.5.3 數據探索分析 358
14.5.4 計算RFM值 359
14.5.5 數據轉換 360
14.5.6 客戶聚類 360
14.5.7 標記客戶類別 362
14.6 客戶價值結果分析 363
14.7 小結 364