我用夸克网盘分享了「Python3智能数据分析快速入门.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

本书从逻辑上可分为两大部分。 第一部分是Python编程基础（第1~4章），介绍了Python环境搭建、Python基础语法、控制语句、函数、面向对象编程等。第1章旨在让读者从全局把握Python，了解利用Python进行智能数据分析的优势，并详细介绍了Python环境搭建与配置，同时还对两个常用集成开发环境做了详细介绍。第2章先对Python固定语法做了介绍，包括编码声明、注释、缩进等；而后介绍了Python常见的数据类型，包括str、list、tuple、dict、set等；还介绍了Python常用运算符，包括算术运算符、逻辑运算符、成员运算符、位运算符等。第3章主要对控制语句做了详细介绍，包括条件语句和循环语句，同时还介绍了和条件语句类似的异常处理try-except-else语句。第4章主要介绍了Python的内置函数、自定义函数、面向对象编程以及第三方库的安装与使用方法。 第二部分是数据分析编程（第5~9章），主要对数据分析中常用的第三方库做了详细介绍，强调在Python中对应函数的使用方法及其结果的解释说明。内容涵盖数值分析库NumPy，数据处理库pandas，绘图库Matplotlib、Seaborn、Bokeh，机器学习与数据分析建模库scikit-learn。这一部分涉及数据读取、数据预处理、模型构建、模型评价、结果可视化，几乎涵盖了整个数据分析过程，充分而又详细地说明了Python数据分析的常用操作，相信在本书的指导下，读者能够从零开始快速数据入门分析。

作者简介

李明江　资深大数据专家，贵州省计算机学会常务理事，黔南州大数据专家委员会委员，黔南州计算机学会会长，黔南州教育信息化建设专家库专家，黔南民族师范学院计算机与信息学院院长。主持过多项省厅级科研项目，并在《计算机应用研究》《科技通报》上发表过多篇 大数据分析与数据挖掘相关技术的研究论文，著有《数据挖掘的应用与实践：案例与探析》《计算机网络技术与应用》等。 张良均　资深大数据挖掘与分析专家、模式识别专家、AI技术专家。有10余年大数据挖掘与分析经验，擅长Python、R、Hadoop、Matlab等技术实现的数据挖掘与分析，对机器学习等AI技术驱动的数据分析也有深入研究。为电信、电力、政府、互联网、生产制造、零售、银行、生物、化工、医药等多个行业上百家大型企业提供过数据挖掘应用与咨询服务，实践经验非常丰富。华南师范大学、中南财经政法大学、广东工业大学、西安理工大学、广西科技大学、重庆交通大学、桂林电子科技大学等校外硕导。撰写了《Python数据分析与挖掘实战》《R语言数据分析与挖掘实战》《数据挖掘：实用案例分析》《Hadoop大数据分析与挖掘实战》等多部畅销书，累计销量近20万册。

网友热评

清蒸小废柴: 整体是一本很不错的书，除了个别地方没有校对好，画图Bokeh那里其实删掉最好。希望能学好数据分析，这本书学习花了超过50个小时，下一本再见。 昊天: 随着云时代的来临，智能数据分析技术将具有越来越重要的战略意义。大数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产要素，人们对于海量数据的运用将预示着新一轮生产率增长和消费者盈余浪潮的到来。智能数据分析技术将帮助企业用户在合理时间内攫取、管理、处理、整理海量数据，为企业经营决策提供积极的帮助。智能数据分析作为数据存储和挖掘分析的前沿技术，已广泛应用于物联网、云计算、移动互联网等战略性新兴产业。 兜兜转转磕磕绊: 随着大数据的兴起，数据分析，机器学习开始火爆起来，从而带动python也开始火起来了，python功能十分强大，可以用来写爬虫，做数据分析，做机器学习，本书能够快速高效的入门python数据分析，适用于零基础开始学习的同学们，该书图形并茂，各个知识点讲解得很细致，照着书本慢慢学习，入门很esay，而且提供的源码和数据，很赞。5G时代的到来，各种数据暴增，数据分析越发重要了，学习去了，哈哈哈！ 润喉糖: 看了TED关于智能数据方面的演讲，想想以后的智能椅，更加的舒适，无形中改掉你的坏习惯，美好的事物等待我们打造，想想编程就来劲，等书来准备入坑一波 购物券可找我: 字面清晰，纸张质量杠杠滴，很值得入手书中涵盖Python环境搭建、Python基础语法、控制语句、函数、面向对象编程、数值计算、数据处理、绘图、模型构建等内容，还配套提供了程序代码及数据。此外，每章的最后均提供课后习题，帮助读者快速掌握Python的使用方法。

图书目录

前言 第1章　Python概述1 1.1　Python语言介绍1 1.1.1　Python的发展史1 1.1.2　Python特性2 1.1.3　Python应用领域3 1.1.4　Python机器学习优势6 1.2　Python环境配置8 1.2.1　Python2还是Python38 1.2.2　Anaconda简介8 1.2.3　安装Anaconda39 1.3　Python的解释器与IDE12 1.3.1　Python的解释器13 1.3.2　Python各IDE比较13 1.3.3　PyCharm的安装与使用16 1.3.4　JupyterNotebook的使用26 小结32 课后习题33 第2章　Python基础知识34 2.1　固定语法34 2.1.1　声明与注释34 2.1.2　缩进与多行语句36 2.1.3　保留字符与赋值38 2.2　运算符40 2.2.1　算术运算符40 2.2.2　赋值运算符41 2.2.3　比较运算符43 2.2.4　逻辑运算符44 2.2.5　按位运算符44 2.2.6　身份运算符45 2.2.7　成员运算符46 2.2.8　运算符优先级47 2.3　数据类型48 2.3.1　基础数据类型48 2.3.2　复合数据类型55 2.4　PythonI/O63 2.4.1　input与print64 2.4.2　文件I/O67 小结70 课后习题70 第3章　控制语句72 3.1　条件语句72 3.1.1　if、elif与else73 3.1.2　try、except与else76 3.2　循环语句80 3.2.1　for81 3.2.2　while83 3.2.3　break、continue与pass85 3.2.4　列表推导式89 小结91 课后习题91 第4章　函数与对象94 4.1　函数94 4.1.1　内置函数94 4.1.2　自定义函数101 4.1.3　匿名函数107 4.2　对象109 4.2.1　面向对象简介109 4.2.2　属性与方法110 4.2.3　装饰器116 4.2.4　继承和多态119 4.3　Python常用库安装126 4.3.1　第三方库安装126 4.3.2　第三方库导入130 4.3.3　第三方库创建131 小结132 课后习题133 第5章　NumPy数值计算135 5.1　ndarray创建与索引135 5.1.1　创建ndarray对象135 5.1.2　ndarray的索引与切片142 5.2　ndarray的基础操作145 5.2.1　变换ndarray的形态145 5.2.2　排序与搜索151 5.2.3　字符串操作156 5.3　ufunc159 5.3.1　ufunc的广播机制159 5.3.2　常用ufunc160 5.4　matrix与线性代数169 5.4.1　创建NumPy矩阵169 5.4.2　矩阵的属性和基本运算170 5.4.3　线性代数运算172 5.5　NumPy文件读写175 5.5.1　二进制文件读写175 5.5.2　文件列表形式数据读写178 小结180 课后习题180 第6章　pandas基础182 6.1　pandas常用类182 6.1.1　Series182 6.1.2　DataFrame187 6.1.3　Index191 6.2　DataFrame基础操作193 6.2.1　索引193 6.2.2　排序201 6.2.3　合并204 6.3　其他数据类型操作210 6.3.1　时间操作210 6.3.2　文本操作220 6.3.3　category操作223 小结227 课后习题227 第7章　pandas进阶229 7.1　数据读取与写入229 7.1.1　CSV229 7.1.2　Excel231 7.1.3　数据库233 7.2　DataFrame进阶235 7.2.1　统计分析235 7.2.2　分组运算242 7.2.3　透视表和交叉表248 7.3　数据准备250 7.3.1　缺失值处理251 7.3.2　重复数据处理255 7.3.3　连续特征离散化处理256 7.3.4　哑变量处理259 小结260 课后习题260 第8章　绘图263 8.1　Matplotlib绘图基础263 8.1.1　编码风格263 8.1.2　动态rc参数267 8.1.3　散点图273 8.1.4　折线图276 8.1.5　饼图278 8.1.6　直方图与条形图280 8.1.7　箱线图282 8.2　Seaborn进阶绘图285 8.2.1　Seaborn基础285 8.2.2　关系图301 8.2.3　分类图311 8.2.4　分布图329 8.2.5　回归图334 8.2.6　矩阵图341 8.2.7　网格图345 8.3　Bokeh交互式绘图356 8.3.1　基本构成与语法356 8.3.2　常见图形绘制370 8.3.3　导出与嵌入375 8.3.4　运行Bokeh应用程序379 小结381 习题381 第9章　scikit-learn383 9.1　数据准备383 9.1.1　标准化383 9.1.2　归一化387 9.1.3　二值化388 9.1.4　独热编码389 9.2　降维391 9.2.1　PCA392 9.2.2　随机投影396 9.2.3　字典学习402 9.2.4　独立成分分析408 9.2.5　非负矩阵分解412 9.2.6　线性判别分析416 9.3　聚类420 9.3.1　K-Means421 9.3.2　层次聚类424 9.3.3　DBSCAN427 9.3.4　高斯混合模型430 9.4　分类434 9.4.1　Logistic回归435 9.4.2　支持向量机439 9.4.3　决策树443 9.4.4　最近邻447 9.4.5　朴素贝叶斯450 9.4.6　随机森林452 9.4.7　多层感知机456 9.5　回归460 9.5.1　最小二乘回归461 9.5.2　岭回归464 9.5.3　Lasso回归466 9.5.4　决策树回归468 9.5.5　随机森林回归471 9.5.6　多层感知机回归473 9.6　模型选择476 9.6.1　数据集划分476 9.6.2　交叉验证478 9.6.3　自动调参479 9.6.4　模型评估481 小结486 课后习题487