Python數據分析實例精解
[美]阿約德爾·奧盧勒約 著 馬路俊 譯
買這商品的人也買了...
-
統計學：使用 Python 語言 (附光碟)$540$513 -
Python 論文數據統計分析$540$486 -
Python 統計分析：生命科學應用 (An Introduction to Statistics with Python: With Applications in the Life Sciences)$500$390 -
量表編製與統計分析：使用 Python 語言$520$468 -
AI Agent 奇幻旅程：MCP 通往異世界金鑰（含最新 OpenAI GPT-5 範例）$680$530 -
ChatGPT 5 全能實戰：Agent、Prompt、Projects、Canvas、GPT、Sora - AI工作流$680$537 -
ChatGPT 5 萬用手冊：自動化 AI agent、提示詞技巧、研究推理、影音生成、自然語音、專案排程、工具連接$580$458 -
AI Agent 自動化流程超 Easy -- 不寫程式 No Code 聰明完成樣樣事$750$593
中文年末書展｜繁簡參展書2書75折 詳見活動內容 »
-
75折
為你寫的 Vue Components：從原子到系統，一步步用設計思維打造面面俱到的元件實戰力 (iThome 鐵人賽系列書)$780$585 -
75折
BDD in Action, 2/e (中文版)$960$720 -
75折
看不見的戰場：社群、AI 與企業資安危機$750$563 -
79折
AI 精準提問 × 高效應用：DeepSeek、ChatGPT、Claude、Gemini、Copilot 一本搞定$390$308 -
7折
超實用！Word．Excel．PowerPoint 辦公室 Office 365 省時高手必備 50招, 4/e (暢銷回饋版)$420$294 -
75折
裂縫碎光：資安數位生存戰$550$412 -
85折
日本當代最強插畫 2025 : 150位當代最強畫師豪華作品集$640$544 -
79折
Google BI 解決方案：Looker Studio × AI 數據驅動行銷實作，完美整合 Google Analytics 4、Google Ads、ChatGPT、Gemini$630$498 -
79折
超有料 Plus！職場第一實用的 AI 工作術 - 用對 AI 工具、自動化 Agent, 讓生產力全面進化！$599$473 -
75折
從零開始學 Visual C# 2022 程式設計, 4/e (暢銷回饋版)$690$518 -
75折
Windows 11 制霸攻略：圖解 AI 與 Copilot 應用，輕鬆搞懂新手必學的 Windows 技巧$640$480 -
75折
精準駕馭 Word！論文寫作絕非難事 (好評回饋版)$480$360 -
Sam Yang 的插畫藝術：用 Procreate / PS 畫出最強男友視角 x 女孩美好日常$699$629 -
79折
AI 加持！Google Sheets 超級工作流$599$473 -
78折
想要 SSR? 快使用 Nuxt 吧!：Nuxt 讓 Vue.js 更好處理 SEO 搜尋引擎最佳化（iThome鐵人賽系列書）$780$608 -
78折
超實用！業務．總管．人資的辦公室 WORD 365 省時高手必備 50招 (第二版)$500$390 -
7折
Node-RED + YOLO + ESP32-CAM：AIoT 智慧物聯網與邊緣 AI 專題實戰$680$476 -
79折
「生成式⇄AI」：52 個零程式互動體驗，打造新世代人工智慧素養$599$473 -
7折
Windows APT Warfare：惡意程式前線戰術指南, 3/e$720$504 -
75折
我輩程式人：回顧從 Ada 到 AI 這條程式路，程式人如何改變世界的歷史與未來展望 (We, Programmers: A Chronicle of Coders from Ada to AI)$850$637 -
75折
不用自己寫！用 GitHub Copilot 搞定 LLM 應用開發$600$450 -
79折
Tensorflow 接班王者：Google JAX 深度學習又快又強大 (好評回饋版)$780$616 -
79折
GPT4 會你也會 - 共融機器人的多模態互動式情感分析 (好評回饋版)$700$553 -
79折
技術士技能檢定 電腦軟體應用丙級術科解題教本｜Office 2021$460$363 -
75折
Notion 與 Notion AI 全能實戰手冊：生活、學習與職場的智慧策略 (暢銷回饋版)$560$420
相關主題
商品描述
"《Python數據分析實例精解》詳細闡述了多個Python數據分析的基本解決方案，主要包括生成匯總統計數據、為探索性數據分析準備數據、在Python中可視化數據、在Python中執行單變量分析、在Python中執行雙變量分析、在Python中執行多變量分析、在Python中分析時間序列數據、在Python中分析文本數據、處理異常值和缺失值、在Python中執行自動化探索性數據分析等內容。此外，本書還提供了相應的示例、代碼，以幫助讀者進一步理解相關方案的實現過程。 本書適合作為高等院校電腦及相關專業的教材和教學參考書，也可作為相關開發人員的自學用書和參考手冊。"
作者簡介
阿約德爾·奧盧勒約 是一位擁有近十年經驗的數據專家。他的職業生涯讓他在戰略分析、數據科學和數據管理等各個領域都獲得了寶貴的經驗。此前，他曾在全球四大財務咨詢公司之一擔任顧問，成功為客戶提供數據驅動的解決方案和見解。目前，他在一家金融服務集團擔任領導職務，領導著一個動態數據團隊，推動為組織提供支持的分析事業。 除了在專業領域的努力，他還熱衷於分享自己的知識和經驗。他在LinkedIn上發表了很多富有洞察力的文章，並積極參與數據社區的活動。
目錄大綱
目 錄
第1章 生成匯總統計數據 1
1.1 技術要求 1
1.2 分析數據集的平均值 1
1.2.1 準備工作 2
1.2.2 實戰操作 2
1.2.3 原理解釋 3
1.2.4 擴展知識 4
1.3 檢查數據集的中位數 4
1.3.1 準備工作 4
1.3.2 實戰操作 5
1.3.3 原理解釋 5
1.3.4 擴展知識 6
1.4 識別數據集的眾數 6
1.4.1 準備工作 6
1.4.2 實戰操作 6
1.4.3 原理解釋 7
1.4.4 擴展知識 7
1.5 檢查數據集的方差 8
1.5.1 準備工作 8
1.5.2 實戰操作 8
1.5.3 原理解釋 9
1.5.4 擴展知識 9
1.6 識別數據集的標準差 9
1.6.1 準備工作 9
1.6.2 實戰操作 9
1.6.3 原理解釋 10
1.6.4 擴展知識 10
1.7 生成數據集的全距 10
1.7.1 準備工作 11
1.7.2 實戰操作 11
1.7.3 原理解釋 12
1.7.4 擴展知識 12
1.8 識別數據集的百分位數 12
1.8.1 準備工作 12
1.8.2 實戰操作 12
1.8.3 原理解釋 13
1.8.4 擴展知識 13
1.9 檢查數據集的四分位數 14
1.9.1 準備工作 14
1.9.2 實戰操作 14
1.9.3 原理解釋 15
1.9.4 擴展知識 15
1.10 分析數據集的四分位距 15
1.10.1 準備工作 15
1.10.2 實戰操作 15
1.10.3 原理解釋 16
第2章 為探索性數據分析準備數據 17
2.1 技術要求 17
2.2 數據分組 17
2.2.1 準備工作 18
2.2.2 實戰操作 18
2.2.3 原理解釋 19
2.2.4 擴展知識 20
2.2.5 參考資料 20
2.3 追加數據 20
2.3.1 準備工作 21
2.3.2 實戰操作 21
2.3.3 原理解釋 23
2.3.4 擴展知識 23
2.4 連接數據 23
2.4.1 準備工作 24
2.4.2 實戰操作 24
2.4.3 原理解釋 26
2.4.4 擴展知識 26
2.4.5 參考資料 26
2.5 合並數據 26
2.5.1 準備工作 28
2.5.2 實戰操作 28
2.5.3 原理解釋 29
2.5.4 擴展知識 29
2.5.5 參考資料 30
2.6 數據排序 30
2.6.1 準備工作 30
2.6.2 實戰操作 30
2.6.3 原理解釋 32
2.6.4 擴展知識 32
2.7 數據分類 32
2.7.1 準備工作 33
2.7.2 實戰操作 33
2.7.3 原理解釋 34
2.7.4 擴展知識 35
2.8 刪除重復數據 35
2.8.1 準備工作 35
2.8.2 實戰操作 35
2.8.3 原理解釋 36
2.8.4 擴展知識 37
2.9 刪除數據行和列 37
2.9.1 準備工作 37
2.9.2 實戰操作 37
2.9.3 原理解釋 38
2.9.4 擴展知識 39
2.10 替換數據 39
2.10.1 準備工作 39
2.10.2 實戰操作 39
2.10.3 原理解釋 40
2.10.4 擴展知識 41
2.10.5 參考資料 41
2.11 更改數據格式 41
2.11.1 準備工作 41
2.11.2 實戰操作 42
2.11.3 原理解釋 43
2.11.4 擴展知識 43
2.11.5 參考資料 43
2.12 處理缺失值 44
2.12.1 準備工作 44
2.12.2 實戰操作 44
2.12.3 原理解釋 45
2.12.4 擴展知識 46
2.12.5 參考資料 46
第3章 在Python中可視化數據 47
3.1 技術要求 47
3.2 為可視化做準備 47
3.2.1 準備工作 48
3.2.2 實戰操作 48
3.2.3 原理解釋 49
3.2.4 擴展知識 50
3.3 使用matplotlib可視化數據 50
3.3.1 準備工作 50
3.3.2 實戰操作 51
3.3.3 原理解釋 54
3.3.4 擴展知識 55
3.3.5 參考資料 56
3.4 使用seaborn可視化數據 56
3.4.1 準備工作 56
3.4.2 實戰操作 57
3.4.3 原理解釋 60
3.4.4 擴展知識 61
3.4.5 參考資料 61
3.5 使用ggplot可視化數據 61
3.5.1 準備工作 62
3.5.2 實戰操作 62
3.5.3 原理解釋 65
3.5.4 擴展知識 66
3.5.5 參考資料 66
3.6 使用bokeh可視化數據 66
3.6.1 準備工作 67
3.6.2 實戰操作 67
3.6.3 原理解釋 71
3.6.4 擴展知識 73
3.6.5 參考資料 73
第4章 在Python中執行單變量分析 75
4.1 技術要求 75
4.2 使用直方圖執行單變量分析 75
4.2.1 準備工作 76
4.2.2 實戰操作 76
4.2.3 原理解釋 78
4.3 使用箱線圖執行單變量分析 79
4.3.1 準備工作 80
4.3.2 實戰操作 80
4.3.3 原理解釋 82
4.3.4 擴展知識 82
4.4 使用小提琴圖執行單變量分析 83
4.4.1 準備工作 84
4.4.2 實戰操作 84
4.4.3 原理解釋 86
4.5 使用匯總表執行單變量分析 87
4.5.1 準備工作 87
4.5.2 實戰操作 87
4.5.3 原理解釋 89
4.5.4 擴展知識 89
4.6 使用條形圖執行單變量分析 89
4.6.1 準備工作 89
4.6.2 實戰操作 89
4.6.3 原理解釋 91
4.7 使用餅圖執行單變量分析 92
4.7.1 準備工作 92
4.7.2 實戰操作 92
4.7.3 原理解釋 94
第5章 在Python中執行雙變量分析 97
5.1 技術要求 97
5.2 使用散點圖分析兩個變量 97
5.2.1 準備工作 99
5.2.2 實戰操作 99
5.2.3 原理解釋 101
5.2.4 擴展知識 102
5.2.5 參考資料 102
5.3 基於雙變量數據創建交叉表/雙向表 102
5.3.1 準備工作 103
5.3.2 實戰操作 103
5.3.3 原理解釋 104
5.4 使用數據透視表分析兩個變量 104
5.4.1 準備工作 104
5.4.2 實戰操作 105
5.4.3 原理解釋 106
5.4.4 擴展知識 106
5.5 生成兩個變量的配對圖 107
5.5.1 準備工作 107
5.5.2 實戰操作 107
5.5.3 原理解釋 108
5.6 使用條形圖分析兩個變量 109
5.6.1 準備工作 109
5.6.2 實戰操作 109
5.6.3 原理解釋 111
5.6.4 擴展知識 112
5.7 生成兩個變量的箱線圖 112
5.7.1 準備工作 112
5.7.2 實戰操作 112
5.7.3 原理解釋 114
5.8 創建兩個變量的直方圖 115
5.8.1 準備工作 115
5.8.2 實戰操作 115
5.8.3 原理解釋 118
5.9 使用相關性分析分析兩個變量 118
5.9.1 準備工作 118
5.9.2 實戰操作 119
5.9.3 原理解釋 121
第6章 在Python中執行多變量分析 123
6.1 技術要求 123
6.2 使用Kmeans實現多個變量的聚類分析 124
6.2.1 準備工作 124
6.2.2 實戰操作 125
6.2.3 原理解釋 127
6.2.4 擴展知識 128
6.2.5 參考資料 128
6.3 在Kmeans中選擇最佳聚類數 129
6.3.1 準備工作 129
6.3.2 實戰操作 129
6.3.3 原理解釋 132
6.3.4 擴展知識 133
6.3.5 參考資料 133
6.4 分析Kmeans聚類 133
6.4.1 準備工作 134
6.4.2 實戰操作 134
6.4.3 原理解釋 137
6.4.4 擴展知識 138
6.5 對多個變量實施主成分分析 138
6.5.1 準備工作 139
6.5.2 實戰操作 139
6.5.3 原理解釋 141
6.5.4 擴展知識 142
6.5.5 參考資料 142
6.6 選擇主成分的數量 142
6.6.1 準備工作 142
6.6.2 實戰操作 142
6.6.3 原理解釋 145
6.7 分析主成分 146
6.7.1 準備工作 146
6.7.2 實戰操作 146
6.7.3 原理解釋 149
6.7.4 擴展知識 150
6.7.5 參考資料 150
6.8 對多個變量實施因子分析 150
6.8.1 準備工作 150
6.8.2 實戰操作 151
6.8.3 原理解釋 154
6.8.4 擴展知識 154
6.9 確定因子的數量 155
6.9.1 準備工作 155
6.9.2 實戰操作 155
6.9.3 原理解釋 158
6.10 分析因子 159
6.10.1 準備工作 159
6.10.2 實戰操作 159
6.10.3 原理解釋 163
第7章 在Python中分析時間序列數據 167
7.1 技術要求 168
7.2 使用折線圖和箱線圖可視化時間序列數據 168
7.2.1 準備工作 169
7.2.2 實戰操作 169
7.2.3 原理解釋 172
7.3 發現時間序列數據中的模式 173
7.3.1 準備工作 173
7.3.2 實戰操作 173
7.3.3 原理解釋 176
7.4 執行時間序列數據分解 177
7.4.1 準備工作 179
7.4.2 實戰操作 179
7.4.3 原理解釋 184
7.5 執行平滑—移動平均 185
7.5.1 準備工作 186
7.5.2 實戰操作 186
7.5.3 原理解釋 190
7.5.4 參考資料 191
7.6 執行平滑—指數平滑 191
7.6.1 準備工作 192
7.6.2 實戰操作 192
7.6.3 原理解釋 196
7.6.4 參考資料 196
7.7 對時間序列數據執行平穩性檢查 197
7.7.1 準備工作 197
7.7.2 實戰操作 198
7.7.3 原理解釋 199
7.7.4 參考資料 200
7.8 差分時間序列數據 200
7.8.1 準備工作 200
7.8.2 實戰操作 201
7.8.3 原理解釋 203
7.9 使用相關圖可視化時間序列數據 204
7.9.1 準備工作 205
7.9.2 實戰操作 205
7.9.3 原理解釋 208
7.9.4 參考資料 209
第8章 在Python中分析文本數據 211
8.1 技術要求 211
8.2 準備文本數據 212
8.2.1 準備工作 213
8.2.2 實戰操作 213
8.2.3 原理解釋 217
8.2.4 擴展知識 218
8.2.5 參考資料 218
8.3 處理停用詞 218
8.3.1 準備工作 219
8.3.2 實戰操作 219
8.3.3 原理解釋 224
8.3.4 擴展知識 225
8.4 分析詞性 225
8.4.1 準備工作 226
8.4.2 實戰操作 226
8.4.3 原理解釋 230
8.5 執行詞乾提取和詞形還原操作 231
8.5.1 準備工作 232
8.5.2 實戰操作 232
8.5.3 原理解釋 238
8.6 分析n-gram 239
8.6.1 準備工作 240
8.6.2 實戰操作 240
8.6.3 原理解釋 244
8.7 創建詞雲 244
8.7.1 準備工作 245
8.7.2 實戰操作 245
8.7.3 原理解釋 247
8.8 檢查詞頻 248
8.8.1 準備工作 249
8.8.2 實戰操作 249
8.8.3 原理解釋 252
8.8.4 擴展知識 253
8.8.5 參考資料 254
8.9 執行文本中的情感分析 254
8.9.1 準備工作 254
8.9.2 實戰操作 255
8.9.3 原理解釋 259
8.9.4 擴展知識 259
8.9.5 參考資料 260
8.10 執行主題建模 260
8.10.1 準備工作 262
8.10.2 實戰操作 262
8.10.3 原理解釋 266
8.11 選擇最佳主題數量 267
8.11.1 準備工作 267
8.11.2 實戰操作 267
8.11.3 原理解釋 271
第9章 處理異常值和缺失值 273
9.1 技術要求 273
9.2 識別異常值 274
9.2.1 準備工作 275
9.2.2 實戰操作 275
9.2.3 原理解釋 277
9.3 發現單變量異常值 278
9.3.1 準備工作 278
9.3.2 實戰操作 278
9.3.3 原理解釋 281
9.4 尋找雙變量異常值 282
9.4.1 準備工作 282
9.4.2 實戰操作 282
9.4.3 原理解釋 285
9.5 識別多變量異常值 285
9.5.1 準備工作 286
9.5.2 實戰操作 286
9.5.3 原理解釋 290
9.5.4 參考資料 292
9.6 對異常值執行封頂和封底操作 292
9.6.1 準備工作 292
9.6.2 實戰操作 292
9.6.3 原理解釋 295
9.7 刪除異常值 296
9.7.1 準備工作 296
9.7.2 實戰操作 297
9.7.3 原理解釋 299
9.8 替換異常值 299
9.8.1 準備工作 300
9.8.2 實戰操作 300
9.8.3 原理解釋 302
9.9 識別缺失值 303
9.9.1 準備工作 304
9.9.2 實戰操作 305
9.9.3 原理解釋 307
9.10 刪除缺失值 308
9.10.1 準備工作 309
9.10.2 實戰操作 309
9.10.3 原理解釋 310
9.11 替換缺失值 311
9.11.1 準備工作 312
9.11.2 實戰操作 312
9.11.3 原理解釋 314
9.12 使用機器學習模型插補缺失值 315
9.12.1 準備工作 316
9.12.2 實戰操作 316
9.12.3 原理解釋 317
第10章 在Python中執行自動化探索性數據分析 319
10.1 技術要求 319
10.2 使用pandas profiling執行自動化探索性數據分析 320
10.2.1 準備工作 321
10.2.2 實戰操作 321
10.2.3 原理解釋 327
10.2.4 參考資料 328
10.3 使用D-Tale執行自動化探索性數據分析 329
10.3.1 準備工作 329
10.3.2 實戰操作 329
10.3.3 原理解釋 333
10.3.4 參考資料 334
10.4 使用AutoViz執行自動化探索性數據分析 334
10.4.1 準備工作 335
10.4.2 實戰操作 335
10.4.3 原理解釋 338
10.4.4 參考資料 339
10.5 使用Sweetviz執行自動化探索性數據分析 339
10.5.1 準備工作 340
10.5.2 實戰操作 340
10.5.3 原理解釋 342
10.5.4 參考資料 343
10.6 使用自定義函數實現自動化探索性數據分析 343
10.6.1 準備工作 343
10.6.2 實戰操作 343
10.6.3 原理解釋 350
10.6.4 擴展知識 351
·XVI·
Python數據分析實例精解
·XVII·
目 錄
