1.1 数据与大数据 1
1.2　数据分析　2
1.3　数据可视化　3
1.3.1　数据可视化的目标　3
1.3.2　数据可视化的作用　4
1.3.3　数据可视化的优势　5
1.4　数据分析流程　5
1.5　Python数据分析与可视化　6
1.5.1　为什么选择Python做数据分析　6
1.5.2　Python数据分析与可视化常用类库　7
1.6　Jupyter Notebook的安装和使用　8
1.6.1　Jupyter Notebook的安装　8
1.6.2　Jupyter Notebook的使用　9
1.7　PyCharm的安装和使用　11
习题　13
实验一　熟悉Python开发环境　13
2.1　Python语言简介　15
2.2　Python语言基本语法　16
2.2.1　Python基础数据类型　16
2.2.2　Python数据结构　17
2.2.3　Python控制语句　26
2.2.4　Python函数与模块　31
2.3　Python面向对象程序设计　36
2.3.1　定义和使用类　36
2.3.2　构造函数　37
2.3.3　析构函数　38
2.3.4　实例属性和类属性　38
2.3.5　私有成员与公有成员　39
2.3.6　方法　40
2.3.7　类的继承　41
2.4　Python图形用户界面设计　43
2.4.1　创建Windows窗口　43
2.4.2　几何布局管理器　44
2.4.3　Tkinter组件　47
2.4.4　Python事件处理　58
2.4.5　图形用户界面设计应用案例　62
2.5　操作常用文件　65
2.5.1　操作CSV文件　65
2.5.2　操作Excel文件　67
2.5.3　操作JSON文件　70
2.6　Python的第三方库　72
习题　73
实验二　基于Tkinter的GUI程序开发　74
3.1　NumPy数组的使用　81
3.1.1　NumPy数组说明　81
3.1.2　NumPy数组中的元素访问　85
3.1.3　NumPy数组的运算　86
3.1.4　NumPy数组的形状操作　89
3.2　NumPy中的矩阵对象　91
3.3　NumPy中的数据统计分析　92
3.3.1　排序　92
3.3.2　数据去重与数据重复　94
习题　96
实验三　NumPy数据分析应用　97


4.1　Pandas　102
4.1.1　Series　102
4.1.2　DataFrame　105
4.2　Pandas统计　112
4.2.1　基本统计　112
4.2.2　分组统计　113
4.3　Pandas排序和排名　114
4.3.1　Series的排序　114
4.3.2　DataFrame的排序　115
4.3.3　Series和DataFrame的排名　116
4.4　Pandas筛选和过滤　118
4.4.1　筛选　118
4.4.2　按筛选条件进行汇总　120
4.4.3　过滤　121
4.5　Pandas数据透视表和交叉表　122
4.5.1　数据透视表　122
4.5.2　交叉表　125
4.6　Pandas数据导入导出　126
4.6.1　导入CSV文件　126
4.6.2　导入其他格式文件　127
4.6.3　导出Excel文件　127
4.6.4　导出CSV文件　128
4.6.5　读取和写入数据库　128
4.7　Pandas日期处理　129
4.8　Pandas数据运算　133
4.8.1　简单算术运算　133
4.8.2　应用函数运算　134
4.9　Pandas数据分析应用案例——学生成绩统计分析　136
习题　140
实验四　Pandas数据分析应用　141

5.1　HTTP与网络爬虫相关知识　145
5.2　urllib库　146
5.2.1　urllib库简介　146
5.2.2　urllib库的基本使用　147
5.3　BeautifulSoup库　155
5.3.1　BeautifulSoup库概述　155
5.3.2　BeautifulSoup库的四大对象　156
5.3.3　BeautifulSoup库解析文档树　158
5.4　requests库　161
5.4.1　requests库的使用　161
5.4.2　requests库的应用案例　165
5.5　动态网页爬虫　168
5.5.1　AJAX动态网页爬取　168
5.5.2　动态网页爬虫——爬取今日头条新闻　171
5.6　Selenium实现AJAX动态加载　172
5.6.1　安装Selenium　172
5.6.2　Selenium详细用法　174
5.6.3　Selenium应用案例　177
5.6.4　Selenium处理滚动条　179
5.6.5　Selenium动态加载——爬取今日头条新闻　180
5.7　爬虫应用案例——Python爬取新浪国内新闻　181
5.8　爬虫应用案例——Python爬取豆瓣电影TOP 250　184
习题　187
实验五　Python爬取网页信息　187
6.1　数据处理　192
6.1.1　数据清理　192
6.1.2　数据集成　195
6.1.3　数据变换与数据离散化　195
6.2　Pandas数据清理　196
6.2.1　处理缺失值　197
6.2.2　处理重复值　201
6.2.3　处理格式错误　202
6.2.4　处理错误数据　202
6.2.5　处理异常值　203
6.3　Pandas数据集成　204
6.3.1　SQL合并/连接　204
6.3.2　字段合并　206
6.3.3　记录合并　206
6.4　Pandas数据变换与数据离散化　211
6.4.1　简单函数变换　211
6.4.2　数据标准化　212
6.4.3　数据离散化　213
6.5　Pandas数据分析　214
6.5.1　描述性分析　214
6.5.2　分布分析　215
6.5.3　相关分析　217
习题　218
实验六　数据处理与数据分析　218
7.1　机器学习基础　225
7.1.1　机器学习概念　225
7.1.2　机器学习分类　225
7.1.3　机器学习流程　226
7.1.4　机器学习库sklearn的安装　227
7.2　机器学习库sklearn的应用　228
7.2.1　sklearn常用数据集　229
7.2.2　聚类　230
7.2.3　分类　232
7.2.4　回归　233
7.2.5　主成分分析　235
7.2.6　鸢尾花相关的分类、预测及降维　236
习题　240
实验七　sklearn机器学习应用　240



8.1　Matplotlib绘图可视化　244
8.1.1　Matplotlib.pyplot模块——快速绘图　244
8.1.2　绘制直方图、条形图、散点图、饼图　250
8.1.3　交互式标注　254
8.2　seaborn绘图可视化　254
8.2.1　seaborn安装和内置数据集　254
8.2.2　seaborn设置背景与边框　255
8.2.3　seaborn绘制散点图　256
8.2.4　seaborn绘制折线图　258
8.2.5　seaborn绘制直方图　260
8.2.6　seaborn绘制条形图　263
8.2.7　seaborn绘制线性回归模型　263
8.2.8　seaborn绘制箱线图　264
8.3　pyecharts绘图可视化　267
8.3.1　安装pyecharts　267
8.3.2　体验图表　268
8.3.3　常用图表　271
8.4　Pandas数据分析应用案例——天气数据分析和展示　277
8.4.1　爬取数据　277
8.4.2　Pandas处理分析数据　279
8.4.3　数据可视化展示　279
8.5　数据可视化应用案例——学生成绩分布条形图展示　281
8.5.1　程序设计的思路　282
8.5.2　程序设计的步骤　282
习题　284
实验八　数据可视化　284
9.1　股票数据量化分析的背景与功能　291
9.2　程序设计的思路　291
9.3　程序设计的步骤　292
10.1　销售业客户价值数据分析的意义　305
10.2　程序设计的思路　305
10.3　程序设计的步骤　306
参考文献　320