Python医学数据分析入门

1.结合医学数据，系统地介绍如何利用 Python 进行数据分析，以帮助读者解决数据分析中的实际问题。 2.本着让非专业读者易于理解的原则，本书强调实战和应用，着重介绍数据分析的思路和方法，尽量淡化分析方法的推导和计算。 3.书中配有大量的案例解析和程序示例，以及使用 Python 绘制的图形，所有代码均在 Python 3.8.5 环境下运行通过。 4.书中每一章都配有习题，书末附有习题参考答案，方便读者自学和学校老师教学。 5.提供源码下载

数据分析是当今大数据时代最关键的技术，其广泛应用于包括医学在内的各个领域。Python 语言简单易用， 第三方库功能强大，提供了完整的数据分析框架，深受广大数据分析人员的青睐。
本书涵盖传统的统计分析方法和较为复杂的机器学习算法，结合大量精选的实例，使用 Python 进行数据分析，对常用分析方法进行深入浅出的介绍，以帮助读者解决数据分析中的实际问题。
本书强调实战和应用，尽量淡化分析方法的推导和计算过程，大量的 Python 程序示例是本书的亮点。阅读本书，读者不仅能掌握使用 Python 及相关库快速解决实际问题的方法，还能更深入地理解数据分析。
本书不仅适合临床医学、公共卫生及其他医学相关专业的本科生和研究生使用，亦可作为其他专业的学生和科研人员学习数据分析的参考书。

赵军，流行病学博士，湖北医药学院副教授，预防医学系主任。主要研究方向为流行病学与健康大数据分析。有16年统计学与数据科学的教学和科研工作经验，精通Python语言、R语言，为国内多家三甲医院提供数据分析咨询与服务。编写教材两部，发表SCI论文十余篇，担任多个SCI杂志的审稿人。编写的《R语言医学数据分析实战》一书广获好评。 刘文婷，副教授，硕士生导师，现任湖北医药学院智能医学工程系主任、大数据中心主任。主持省自然科学基金1项。科研方向为人工智能和生物信息学。主讲课程有“智能医学工程导论”“医学生物信息学”等。发表SCI论文17篇、国际会议论文4篇。

第1章Python语言基础1
1．1关于Python1
1．2为什么使用Python分析数据1
1．3重要的Python库2
1．4安装与设置2
1．4．1在Windows或MacOS系统上安装Anaconda3
1．4．2在Linux系统上安装Anaconda3
1．4．3安装和更新包3
1．4．4Python解释器4
1．4．5导入库4
1．5代码编写工具5
1．6开始使用Python7
1．6．1获取帮助7
1．6．2把Python当作一个计算器9
1．6．3Python对象12
1．7工作目录14
1．8习题15
第2章基本数据结构16
2．1列表16
2．1．1列表的创建16
2．1．2列表基本操作17
2．1．3列表方法与函数操作19
2．2元组21
2．2．1元组的创建21
2．2．2元组的操作22
2．3字典23
2．3．1字典的创建24
2．3．2字典的操作25
2．4集合26
2．4．1集合的创建26
2．4．2集合的操作26
2．5习题27
第3章控制流、函数与文件操作28
3．1条件语句28
3．1．1简单条件结构28
3．1．2嵌套条件结构29
3．2循环语句30
3．2．1for循环30
3．2．2while循环30
3．3函数31
3．3．1定义函数31
3．3．2默认参数31
3．3．3任意参数32
3．3．4匿名函数33
3．4文件操作33
3．4．1读取txt文件33
3．4．2写入txt文件34
3．4．3读写CSV文件35
3．5习题36
第4章NumPy基础37
4．1创建数组对象37
4．1．1使用函数array创建数组对象37
4．1．2使用专门函数创建数组对象38
4．1．3生成伪随机数39
4．2数组操作41
4．2．1数组重塑41
4．2．2数组转置和轴变换41
4．2．3数组的索引和切片42
4．3数组运算44
4．3．1通用函数44
4．3．2基本统计运算46
4．3．3矩阵运算47
4．4数组文件的保存与导入48
4．5习题49
第5章Pandas入门50
5．1Pandas数据结构50
5．1．1Series50
5．1．2DataFrame51
5．2Pandas对象基本操作53
5．2．1索引操作53
5．2．2DataFrame的查询与子集选择55
5．3DataFrame的导入和导出62
5．3．1读写文本文件63
5．3．2读写其他格式的文件64
5．4Pandas数据预处理66
5．4．1数据的合并66
5．4．2数据长宽格式的转换68
5．4．3缺失值的识别与处理70
5．4．4数据值的转换75
5．5习题85
第6章数据可视化86
6．1Matplotlib绘图基础86
6．1．1函数plot与图形元素86
6．1．2全局参数查看与设置88
6．1．3一页多图89
6．1．4保存图形90
6．1．5基本统计图形91
6．2Seaborn数据可视化96
6．2．1Seaborn简介96
6．2．2直方图和密度曲线图97
6．2．3条形图98
6．2．4箱线图和小提琴图99
6．2．5点图102
6．2．6带状点图与簇状点图102
6．2．7散点图104
6．2．8散点图矩阵104
6．2．9多面板图105
6．2．10回归图107
6．2．11分面网格图107
6．2．12Seaborn图形保存108
6．3其他Python数据可视化工具108
6．4习题109
第7章基本统计分析110
7．1查看数据集信息110
7．2数值型变量的统计描述113
7．3数值型变量的假设检验117
7．3．1单个样本的t检验117
7．3．2独立样本的t检验117
7．3．3非独立样本的t检验118
7．3．4单因素方差分析119
7．3．5组间差异的非参数检验121
7．3．6连续型变量之间的相关性121
7．4分类变量的列联表和独立性检验124
7．4．1生成频数表124
7．4．2独立性检验126
7．5习题128
第8章线性模型与广义线性模型129
8．1线性模型129
8．1．1简单线性回归模型129
8．1．2多重线性回归模型134
8．2Logistic回归137
8．2．1Logistic回归模型137
8．2．2Logistic回归实例138
8．3Poisson回归143
8．3．1Poisson回归模型143
8．3．2Poisson回归实例143
8．4生存分析与Cox回归145
8．4．1生存分析简介145
8．4．2生存率的Kaplan-Meier估计147
8．4．3Cox回归150
8．5习题153
第9章Scikit-learn机器学习入门154
9．1机器学习简介154
9．2加载数据集154
9．3学习和预测158
9．3．1无监督学习158
9．3．2监督学习159
9．4模型的选择与评估161
9．5习题163
第10章TensorFlow深度学习入门164
10．1深度学习简介164
10．2感知机与神经网络165
10．3激活函数167
10．4损失函数168
10．5优化器168
10．6构建并训练神经网络169
10．7习题171
第11章图像分类卷积神经网络模型172
11．1卷积神经网络172
11．1．1局部感受野172
11．1．2共享权重和偏置173
11．1．3池化173
11．2加载数据集174
11．3构建卷积神经网络模型175
11．4编译并训练模型177
11．5评估模型178
11．6习题179
习题参考答案180
参考资料192