Python数据分析与可视化实践

本书基于Python语言，结合实际的数据集，介绍如何对数据进行可视化分析。本书主要包含3个部分。第一部分为Python数据可视化基础篇：主要介绍Python基础内容、Numpy和Pandas数据操作，以及Matplotlib数据可视化内容；第二部分为Python数据可视化提高篇：主要介绍Python的Seaborn、plotnine、Networkx、igraph、plotly、Bokeh、pyecharts库中的数据可视化功能；第三部分为Python数据可视化分析实战篇：通过4个完整的数据可视化分析案例，详细地介绍了Python中数据分析、机器学习与可视化相结合的应用等内容。本书为读者提供了Notebook形式的源程序和使用的数据集，方便读者对程序的使用和运行。本书适合有一定数据分析或统计分析基础的读者阅读，可作为Python数据分析、机器学习、数据可视化的入门及实践教材，也可供数据分析与可视化相关专业的师生，以及对数据分析与可视化感兴趣的Python用户参考。

第一部分Python数据可视化基础篇
第1章Python快速入门2
1.1安装Python2
1.1.1安装Anaconda2
1.1.2安装Python库5
1.2Python的基础知识5
1.2.1列表6
1.2.2元组8
1.2.3字典9
1.2.4集合10
1.2.5字符串11
1.3Python的语法结构12
1.3.1条件判断语句12
1.3.2循环语句13
1.3.3try/except语句14
1.4Python函数15
1.4.1函数15
1.4.2lambda函数16
1.5数据可视化分析16
1.5.1什么是好的数据可视化16
1.5.2数据可视化图像的基本类型17
1.5.3数据可视化分析基本流程18
1.5.4Python进行数据可视化分析的优势18
1.6本章小结19
第2章Numpy与Pandas的数据操作和可视化20
2.1Numpy数据操作21
2.1.1生成数组的方式21
2.1.2数组的基础操作23
2.1.3Numpy的常用函数27
2.2Pandas数据的生成和读取34
2.2.1序列和数据表的生成34
2.2.2数据索引36
2.2.3数据读取38
2.3Pandas数据操作39
2.3.1数据表的合并39
2.3.2数据表的转换40
2.3.3数据表的聚合和分组计算42
2.3.4处理时间数据43
2.4Pandas数据可视化44
2.4.1Pandas的数据可视化函数45
2.4.2Pandas数据可视化实战45
2.5本章小结50
第3章Matplotlib数据可视化51
3.1Matplotlib的两种数据可视化方式52
3.1.1类似Matlab风格的数据可视化方式52
3.1.2面向对象风格的数据可视化方式53
3.1.3设置正确显示中文的方法55
3.2Matplotlib的图表组成元素57
3.2.1plot函数的使用58
3.2.2设置坐标系取值范围和类型60
3.2.3设置坐标轴刻度标签62
3.2.4设置网格线和参考线63
3.2.5添加注释和文本、使用公式、设置图例64
3.3Matplotlib可视化子图66
3.3.1plt.axes函数设置子图位置66
3.3.2plt.subplot函数创建网格子图67
3.3.3plt.subplots函数创建网格子图70
3.3.4plt.GridSpec函数对网格进行更复杂排列71
3.4Matplotlib可视化函数72
3.4.1类别比较图形可视化函数72
3.4.2数据关系图形可视化函数78
3.4.3数据分布图形可视化函数80
3.4.4其他图形可视化函数83
3.5Matplotlib可视化三维图像88
3.5.1三维点图和三维线图88
3.5.2三维等高线图90
3.5.3三维曲面图和曲线图90
3.6本章小结91
第二部分Python数据可视化提高篇
第4章Python经典的静态数据可视化库93
4.1Seaborn数据可视化93
4.1.1关系型数据可视化函数95
4.1.2分布型数据可视化函数101
4.1.3分类型数据可视化函数105
4.1.4热力图数据可视化函数108
4.1.5网格数据可视化110
4.2plotnine数据可视化110
4.2.1几何图层111
4.2.2图表美化116
4.2.3位置调整118
4.2.4图像分面与子图120
4.3本章小结124
第5章网络图可视化125
5.1网络图的形式125
5.2Networkx网络图可视化126
5.2.1Networkx生成网络图126
5.2.2Networkx设置节点和边132
5.2.3Networkx设置布局方式135
5.2.4Networkx可视化复杂网络图138
5.3igraph网络图可视化143
5.3.1igraph生成并可视化网络图143
5.3.2igraph设置节点和边145
5.3.3igraph设置节点的布局方式148
5.3.4igraph可视化特定的路线149
5.4本章小结152
第6章plotly交互式数据可视化153
6.1plotly简介154
6.2plotly数值型变量数据可视化154
6.2.1单个数值型变量数据可视化154
6.2.2两个数值型变量数据可视化156
6.2.3三个数值型变量数据可视化159
6.2.4多个连续数值型变量数据可视化163
6.3plotly分类型变量数据可视化167
6.3.1单个分类型变量数据可视化167
6.3.2多个分类型变量数据可视化168
6.4plotly数值型和分类型变量数据可视化171
6.4.1单个数值型和单个分类型变量数据可视化171
6.4.2多个数值型和单个分类型变量数据可视化173
6.4.3单个数值型和多个分类型变量数据可视化177
6.5plotly其他类型数据可视化180
6.5.1可交互网络图可视化180
6.5.2时序数据可视化185
6.6本章小结186
第7章Python其他交互式数据可视化库187
7.1Bokeh交互式数据可视化187
7.1.1Bokeh的简介与设置187
7.1.2Bokeh数据可视化188
7.2pyecharts交互式数据可视化196
7.2.1pyecharts的简介与设置196
7.2.2pyecharts数据可视化198
7.3本章小结211
第三部分.Python数据可视化分析实战篇
第8章足球运动员数据可视化分析213
8.1数据清洗与预处理214
8.2数据探索性可视化分析218
8.2.1可视化分析足球运动员年龄与价值之间的关系219
8.2.2可视化分析足球运动员年龄和综合评分之间的关系224
8.2.3可视化分析联盟和俱乐部的足球运动员信息225
8.2.4可视化分析多个变量之间的关系231
8.2.5与球场位置相关的数据可视化分析233
8.3数据降维可视化分析238
8.3.1主成分降维238
8.3.2可视化主成分得分240
8.4数据聚类可视化分析242
8.4.1寻找合适的聚类数目242
8.4.2K均值聚类可视化243
8.4.3利用主成分特征进行聚类分析244
8.5本章小结247
第9章抗乳腺癌候选药物可视化分析248
9.1数据特征探索性可视化分析251
9.1.1药物的性质特征探索性可视化分析252
9.1.2药物的生物活性探索性可视化分析254
9.1.3药代动力学性质和安全性探索性可视化分析257
9.2数据特征选择257
9.2.1根据回归互信息筛选特征257
9.2.2通过随机森林回归模型选择特征259
9.3回归模型预测生物活性260
9.3.1建立多元线性回归模型262
9.3.2建立支持向量机回归模型267
9.3.3建立GBDT回归模型268
9.4分类模型预测药代动力学性质和安全性269
9.4.1心脏毒性预测270
9.4.2遗传毒性预测273
9.5本章小结277
第10章时序数据的异常值检测和预测278
10.1时序数据探索性可视化分析279
10.1.1时序数据的分布情况可视化分析280
10.1.2时序数据的波动情况可视化分析281
10.2异常值检测284
10.2.1ADTK检测单列时序数据的异常值284
10.2.2ADTK检测多列时序数据的异常值287
10.2.3Prophet检测单列时序数据的异常值289
10.2.4基于VAR模型检测多列时序数据的异常值291
10.3异常值预测297
10.3.1Prophet算法检测数据中的异常值297
10.3.2提取异常值数据特征299
10.3.3异常值预测分类模型301
10.3.4数据平衡后建立分类模型303
10.4趋势预测305
10.4.1单变量预测的SARIMA模型306
10.4.2单变量预测的Prophet模型308
10.4.3多变量预测的VAR模型310
10.5本章小结312
第11章中药材鉴别数据可视化分析313
11.1无监督学习算法鉴别中药材类别314
11.1.1数据特征探索性可视化分析315
11.1.2使用数据原始的特征进行聚类317
11.1.3使用数据降维后的特征进行聚类320
11.2有监督学习算法鉴别中药材产地324
11.2.1不同产地的中药材特征可视化分析325
11.2.2利用选择的特征进行分类325
11.3半监督学习算法鉴别中药材类别330
11.3.1数据预处理和可视化分析330
11.3.2数据主成分降维332
11.3.3使用标签传播算法进行分类334
11.3.4半监督学习分类——利用SelfTrainingClassi.er336
11.4本章小结338