Python数据分析 项目式

1.本书主要针对高等职业院校学生的特点，以对应岗位需求为锚点，突出技能教育，提高高职学生在数据分析领域的职业素质。 2.本书精心选择大型真实案例数据集，作为贯穿全书知识点的核心骨干，能有效的激发学生的学习兴趣，有助于建立学生的实际岗位代入感。 3.合理平衡理论知识与实践操作，注重主要理论知识的讲解，强调构建核心技能图谱，帮助学生掌握整体思路的基础上同时熟悉操作细节。 4.本书为每个技能点备有针对性的、丰富的、基于实际需求的、适合各个学习阶层的实操练习，拓展学生的课堂所学。 5.本书有机结合“项目驱动”“案例教学”“基于工作过程的教学”等多种教学方法，充分激发学生的学习兴趣，发挥学生学习的主动性，变常规的教学方式为学生为主型的主动学习方式。

本书紧跟数据分析的近期新发展趋势，基于Python的数据分析平台和工具，全面介绍数据分析的相关知识与技能。本书共7个项目，分为3部分：基础部分、数据分析部分、机器学习实战部分。基础部分包括项目一和项目二，介绍数据分析环境的搭建，以及NumPy的理论和实践知识；数据分析部分包括项目三～项目六，结合案例介绍数据检查、数据呈现、数据多维化等，涵盖真实数据分析工作的完整流程；机器学习实战部分只包括项目七，利用一个神经网络实战案例呈现机器学习的完整过程。本书选用真实度高的实践案例，深入浅出地介绍与数据分析相关的理论和实践知识。本书可作为高校数据分析相关课程的教材，也可供刚进入数据分析领域的人员及具有实践经验的从业者学习、参考使用。

基础部分
项目一 数据分析概述与环境配置
1.1 项目背景
1.2 技能图谱
1.3 工具介绍
1.3.1 Python介绍
1.3.2 核心包介绍
1.3.3 辅助工具介绍
1.4 工作环境配置
1.4.1 安装Python
1.4.2 配置虚拟环境
1.4.3 安装第三方包
1.5 Jupyter Notebook使用入门
1.5.1 Notebook架构
1.5.2 Notebook启动
1.5.3 Notebook主页基本操作
1.5.4 Notebook的保存
1.6 项目总结
项目二 NumPy实战
2.1 项目背景
2.2 技能图谱
2.3 数组介绍
2.3.1 创建数组
2.3.2 了解数组特性
2.3.3 了解广播
2.3.4 练习
2.4 数组基本操作
2.4.1 变换数组
2.4.2 访问数组
2.4.3 复制数组
2.4.4 练习
2.5 数组常用操作
2.5.1 使用ufunc
2.5.2 查询数组
2.5.3 排序数组
2.5.4 练习
2.6 项目总结
数据分析部分
项目三 全球气温变化趋势（一）——数据检查
3.1 项目背景
3.2 技能图谱
3.3 数据获取
3.3.1 了解获取途径
3.3.2 了解项目数据
3.3.3 练习
3.4 数据读入
3.4.1 了解数据格式
3.4.2 读入数据文件
3.4.3 处理读入异常
3.4.4 练习
3.5 数据检查
3.5.1 查看数据集大小
3.5.2 查看列标签和数据类型
3.5.3 了解数据结构
3.5.4 练习
3.6 数据内容访问
3.6.1 采用[]方式
3.6.2 采用.[i]loc方式
3.6.3 采用表达式方式
3.6.4 数据可视化
3.6.5 练习
3.7 项目总结
项目四 全球气温变化趋势（二）——数据分析
4.1 项目背景
4.2 技能图谱
4.3 列处理
4.3.1 重命名列标签
4.3.2 删除、合并列
4.3.3 转换日期数据
4.3.4 练习
4.4 索引处理
4.4.1 设置单级索引
4.4.2 设置多级索引
4.4.3 查询索引
4.4.4 练习
4.5 统计分析
4.5.1 实现数据排序
4.5.2 实现简单统计
4.5.3 实现分组统计
4.5.4 练习
4.6 项目总结
项目五 全球气温变化趋势（三）——数据呈现
5.1 项目背景
5.2 技能图谱
5.3 数据清洗
5.3.1 处理缺失值
5.3.2 检测异常值
5.3.3 处理异常
5.3.4 练习
5.4 数据转换
5.4.1 实现数据替换
5.4.2 实现离散化
5.4.3 实现重取样
5.4.4 练习
5.5 数据可视化
5.5.1 绘制折线图
5.5.2 绘制饼图
5.5.3 绘制柱状图
5.5.4 练习
5.6 项目总结
项目六 全球气温变化趋势（四）数据多维化
项目背景
6.2 技能图谱
6.3 数据拆分与拼接
6.3.1 了解轴向
6.3.2 拆分数据
6.3.3 拼接数据
6.3.4 练习
6.4 数据透视表
6.4.1 了解数据透视表
6.4.2 使用pivot tableO
6.4.3 使用crosstab
6.4.4 练习
6.5 项目总结
机器学习实战部分
项目七 机器学习实战——模型的自我学习
7.1 项目背景
7.2 技能图谱
7.3 背景知识介绍
7.3.1 了解人工智能
7.3.2 了解机器学习
7.3.3 了解人工智能实际应用
7.3.4 练习
7.4 神经网络简介
7.4.1 了解神经网络
7.4.2 了解常见神经网络
7.4.3 了解CNN
7.4.4 练习
7.5 CNN实战
7.5.1 预处理数据
7.5.2 构建和训练模型
7.5.3 分析模型性能
7.5.4 练习
7.6 项目总结