Python数据分析与机器学习

以Python编程语言为基础，在不涉及大量数学模型与复杂编程知识的前提下，逐步带领读者熟悉并且掌握数据分析的各类工具和库，了解传统机器学习的基本流程。 采用基于Python语言相关的分析库，便于学生更快地掌握数据分析和机器学习的基本思想，快速入门。 基于Sklearn介绍了数据挖掘的相关算法。 本书配有源代码、教学课件、语料集、教学大纲、课后习题答案、程序安装包等资料。

本书包括两部分内容，第一部分重点介绍了与Python语言相关的数据分析工具，包括NumPy、Matplotlib、Pandas、Scipy、Seaborn和Sklearn。第二部分介绍数据处理、特征工程、评价指标、线性模型、支持向量机、K近邻算法、朴素贝叶斯、决策树、K-Means算法和文本分析实例。附录提供了课程教学大纲和部分课后习题答案。
本书内容精练、文字简洁、结构合理、实训题目经典实用、综合性强、定位明确，面向初、中级读者，由“入门”起步，侧重“提高”。特别适合作为高等院校相关专业数据分析与机器学习课程的入门教材或教学参考书，也可以供从事计算机应用开发的各类技术人员参考。

前言
第1章 Python与数据分析
1.1 概述
1.1.1 引例
1.1.2 数据分析与数据挖掘
1.2 Python简介
1.2.1 Python特点
1.2.2 Python应用场合
1.3 数据分析流程
1.3.1 明确目标
1.3.2 获取数据
1.3.3 清洗数据
1.3.4 特征工程
1.3.5 构建模型
1.3.6 模型评估
1.4 数据分析库
1.4.1 NumPy
1.4.2 Matplotlib
1.4.3 Pandas
1.4.4 Seaborn
1.4.5 Scipy
1.4.6 Sklearn
1.5 Python解释器
1.5.1 Ubuntu下安装Python
1.5.2 Windows下安装Python
1.6 Python编辑器
1.6.1 IDLE
1.6.2 VScode
1.6.3 PyCharm
1.6.4 Anaconda
1.6.5 Jupyter
1.7 习题
第2章 NumPy——数据分析基础工具
2.1 安装NumPy
2.2 ndarray对象
2.2.1 认识ndarray对象
2.2.2 ndarray对象属性
2.3 创建ndarray对象
2.3.1 zeros
2.3.2 ones
2.3.3 diag
2.3.4 arange
2.3.5 linspace
2.3.6 logspace
2.4 数组变换
2.4.1 维度变换
2.4.2 数组拼接
2.4.3 数组分割
2.4.4 数组复制
2.5 索引和切片
2.6 线性代数
2.6.1 矩阵运算
2.6.2 矩阵转置
……
第3章 Matplotlib——数据可视化工具
第4章 Pandas——数据处理工具
第5章 Scipy——数据统计工具
第6章 Seaborn——数据可视化工具
第7章 Sklearn——机器学习工具
第8章 数据处理
第9章 特征工程
第10章 评价指标
第11章 线性模型
第12章 支持向量机
第13章 K近邻算法
第14章 朴素贝叶斯
第15章 决策树
第16章 K-Means算法
第17章 文本分析示例
附录
附录A 课程教学大纲
附录B 部分课后习题答案
参考文献