0915920514 cs@booksvn.com
EN VI JA KO ZH
Log in Sign up
BooksVN
Trang chủ › eBook › Pandas for Everyone: Python Data Analysis, 2nd edition
Pandas for Everyone: Python Data Analysis, 2nd edition

Pandas for Everyone: Python Data Analysis, 2nd edition

BRAND: PEARSON
Publisher:
PEARSON
Author:
Daniel Y. Chen
Edition:
(November 24, 2022) © 2023
eBook ISBN:
9780137891054
Print ISBN:
9780137891153
Type:
1 Year Subscription. Dành cho Cá nhân
eBook edition. 1 Year Subscription. Dành cho Cá nhân | Trường ĐH, Nhóm, Thư Viện: Gọi 0915920514 để báo giá Pearson, Vital Source eBook hoặc mua Sách In
Related Tags

Tổng quan sách

Quản lý và tự động hóa phân tích dữ liệu với Pandas trong PythonNgày nay, các nhà phân tích phải quản lý dữ liệu có đặc điểm là đa dạng, vận tốc và khối lượng đặc biệt. Sử dụng thư viện Pandas mã nguồn mở, bạn có thể sử dụng Python để nhanh chóng tự động hóa và thực hiện hầu như mọi tác vụ phân tích dữ liệu, bất kể lớn hay phức tạp. Pandas có thể giúp bạn đảm bảo tính xác thực của dữ liệu, trực quan hóa dữ liệu để đưa ra quyết định hiệu quả và tái tạo các phân tích một cách đáng tin cậy trên nhiều bộ dữ liệu. Pandas cho mọi người, Phiên bản thứ 2, tập hợp kiến ​​thức thực tế và hiểu biết sâu sắc để giải quyết các vấn đề thực sự với Pandas, ngay cả khi bạn là người mới làm quen với phân tích dữ liệu Python. Daniel Y. Chen giới thiệu các khái niệm chính thông qua các ví dụ đơn giản nhưng thực tế, dựa trên chúng để giải quyết các vấn đề khoa học dữ liệu trong thế giới thực, khó khăn hơn, chẳng hạn như sử dụng chính quy hóa để ngăn chặn tình trạng quá khớp dữ liệu hoặc khi nào nên sử dụng các phương pháp học máy không giám sát để tìm cấu trúc cơ bản trong một tập dữ liệu.Các tính năng mới cho phiên bản thứ hai bao gồm: Phạm vi mở rộng của âm mưu và thư viện trực quan hóa dữ liệu trên biểnCác ví dụ và tài nguyên mở rộngĐã cập nhật phạm vi mã và gói Python 3.9, bao gồm các mô hình thống kê và thư viện scikit-learnTài liệu thưởng trực tuyến về geopandas, Dask và tạo đồ họa tương tác với AltairChen cung cấp cho bạn bước khởi đầu trong việc sử dụng Pandas với tập dữ liệu thực tế và bao gồm việc kết hợp các tập dữ liệu, xử lý dữ liệu bị thiếu và cấu trúc các tập dữ liệu để phân tích và trực quan hóa dễ dàng hơn. Anh ấy trình bày các kỹ thuật làm sạch dữ liệu mạnh mẽ, từ thao tác chuỗi cơ bản đến áp dụng các hàm đồng thời trên các khung dữ liệu.Sau khi dữ liệu của bạn đã sẵn sàng, Chen sẽ hướng dẫn bạn các mô hình phù hợp để dự đoán, phân cụm, suy luận và khám phá. Anh ấy cung cấp các mẹo về hiệu suất và khả năng mở rộng, đồng thời giới thiệu cho bạn hệ sinh thái phân tích dữ liệu Python rộng hơn. Làm việc với DataFrames và Series, đồng thời nhập hoặc xuất dữ liệuTạo các ô với matplotlib, seaborn và pandasKết hợp các bộ dữ liệu và xử lý dữ liệu bị thiếuĐịnh hình lại các bộ dữ liệu, gọn gàng và sạch sẽ để chúng dễ dàng làm việc hơnChuyển đổi kiểu dữ liệu và thao tác chuỗi văn bảnÁp dụng các hàm để mở rộng thao tác dữ liệuTổng hợp, chuyển đổi và lọc các tập dữ liệu lớn với nhómTận dụng khả năng ngày và giờ nâng cao của PandasĐiều chỉnh các mô hình tuyến tính bằng cách sử dụng mô hình thống kê và thư viện scikit-learnSử dụng mô hình tuyến tính tổng quát để phù hợp với các mô hình có các biến phản hồi khác nhauSo sánh nhiều mẫu để chọn mẫu “tốt nhất”Thường xuyên hóa để khắc phục tình trạng trang bị quá mức và cải thiện hiệu suấtSử dụng phân cụm trong học máy không giám sát
  1. Foreword by Anne M. Brown xxiiiForeword by Jared Lander xxvPreface xxviiChanges in the Second Edition xxxix Part I: Introduction 1
  2. Chapter 1. Pandas DataFrame Basics 3 Learning Objectives 3 1.1 Introduction 3 1.2 Load Your First Data Set 4 1.3 Look at Columns, Rows, and Cells 6 1.4 Grouped and Aggregated Calculations 23 1.5 Basic Plot 27 Conclusion 28
  3. Chapter 2. Pandas Data Structures Basics 31 Learning Objectives 31 2.1 Create Your Own Data 31 2.2 The Series 33 2.3 The DataFrame 42 2.4 Making Changes to Series and DataFrames 45 2.5 Exporting and Importing Data 52 Conclusion 63
  4. Chapter 3. Plotting Basics 65 Learning Objectives 65 3.1 Why Visualize Data? 65 3.2 Matplotlib Basics 66 3.3 Statistical Graphics Using matplotlib 72 3.4 Seaborn 78 3.5 Pandas Plotting Method 111 Conclusion 115
  5. Chapter 4. Tidy Data 117 Learning Objectives 117 Note About This
  6. Chapter 117 4.1 Columns Contain Values, Not Variables 118 4.2 Columns Contain Multiple Variables 122 4.3 Variables in Both Rows and Columns 126 Conclusion 129
  7. Chapter 5. Apply Functions 131 Learning Objectives 131 Note About This
  8. Chapter 131 5.1 Primer on Functions 131 5.2 Apply (Basics) 133 5.3 Vectorized Functions 138 5.4 Lambda Functions (Anonymous Functions) 141 Conclusion 142 Part II: Data Processing 143
  9. Chapter 6. Data Assembly 145 Learning Objectives 145 6.1 Combine Data Sets 145 6.2 Concatenation 146 6.3 Observational Units Across Multiple Tables 154 6.4 Merge Multiple Data Sets 160 Conclusion 167
  10. Chapter 7. Data Normalization 169 Learning Objectives 169 7.1 Multiple Observational Units in a Table (Normalization) 169 Conclusion 173
  11. Chapter 8. Groupby Operations: Split-Apply-Combine 175 Learning Objectives 175 8.1 Aggregate 176 8.2 Transform 184 8.3 Filter 188 8.4 The pandas.core.groupby.DataFrameGroupBy object 190 8.5 Working with a MultiIndex 195 Conclusion 199 Part III: Data Types 203
  12. Chapter 9. Missing Data 203 Learning Objectives 203 9.1 What Is a NaN Value? 203 9.2 Where Do Missing Values Come From? 205 9.3 Working with Missing Data 210 9.4 Pandas Built-In NA Missing 216 Conclusion 218
  13. Chapter 10. Data Types 219 Learning Objectives 219 10.1 Data Types 219 10.2 Converting Types 220 10.3 Categorical Data 225 Conclusion 227
  14. Chapter 11. Strings and Text Data 229 Introduction 229 Learning Objectives 229 11.1 Strings 229 11.2 String Methods 233 11.3 More String Methods 234 11.4 String Formatting (F-Strings) 236 11.5 Regular Expressions (RegEx) 239 11.6 The regex Library 247 Conclusion 247
  15. Chapter 12. Dates and Times 249 Learning Objectives 249 12.1 Python's datetime Object 249 12.2 Converting to datetime 250 12.3 Loading Data That Include Dates 253 12.4 Extracting Date Components 254 12.5 Date Calculations and Timedeltas 257 12.6 Datetime Methods 259 12.7 Getting Stock Data 261 12.8 Subsetting Data Based on Dates 263 12.9 Date Ranges 266 12.10 Shifting Values 270 12.11 Resampling 276 12.12 Time Zones 278 12.13 Arrow for Better Dates and Times 280 Conclusion 280 Part IV: Data Modeling 281
  16. Chapter 13. Linear Regression (Continuous Outcome Variable) 283 13.1 Simple Linear Regression 283 13.2 Multiple Regression 287 13.3 Models with Categorical Variables 289 13.4 One-Hot Encoding in scikit-learn with Transformer Pipelines 294 Conclusion 296
  17. Chapter 14. Generalized Linear Models 297 About This
  18. Chapter 297 14.1 Logistic Regression (Binary Outcome Variable) 297 14.2 Poisson Regression (Count Outcome Variable) 304 14.3 More Generalized Linear Models 308 Conclusion 309
  19. Chapter 15. Survival Analysis 311 15.1 Survival Data 311 15.2 Kaplan Meier Curves 312 15.3 Cox Proportional Hazard Model 314 Conclusion 317
  20. Chapter 16. Model Diagnostics 319 16.1 Residuals 319 16.2 Comparing Multiple Models 324 16.3 k-Fold Cross-Validation 329 Conclusion 334
  21. Chapter 17. Regularization 335 17.1 Why Regularize? 335 17.2 LASSO Regression 337 17.3 Ridge Regression 338 17.4 Elastic Net 340 17.5 Cross-Validation 341 Conclusion 343
  22. Chapter 18. Clustering 345 18.1 k-Means 345 18.2 Hierarchical Clustering 351 Conclusion 356 Part V. Conclusion 357
  23. Chapter 19. Life Outside of Pandas 359 19.1 The (Scientific) Computing Stack 359 19.2 Performance 360 19.3 Dask 360 19.4 Siuba 360 19.5 Ibis 361 19.6 Polars 361 19.7 PyJanitor 361 19.8 Pandera 361 19.9 Machine Learning 361 19.10 Publishing 362 19.11 Dashboards 362 Conclusion 362
  24. Chapter 20. It's Dangerous To Go Alone! 363 20.1 Local Meetups 363 20.2 Conferences 363 20.3 The Carpentries 364 20.4 Podcasts 364 20.5 Other Resources 365 Conclusion 365 Appendices 367A. Concept Maps 369B. Installation and Setup 373C. Command Line 377D. Project Templates 379E. Using Python 381F. Working Directories 383G. Environments 385H. Install Packages 389I. Importing Libraries 391J. Code Style 393K. Containers: Lists, Tuples, and Dictionaries 395L. Slice Values 399M. Loops 401N. Comprehensions 403O. Functions 405P. Ranges and Generators 409Q. Multiple Assignment 413R. Numpy ndarray 415S. Classes 417T. SettingWithCopyWarning 419U. Method Chaining 423V. Timing Code 427W. String Formatting 429X. Conditionals (if-elif-else) 433Y. New York ACS Logistic Regression Example 435Z. Replicating Results in R 443Index 451
Chat Zalo