目　录
第1章 医学数据分析及Python安装　1
1.1　医学数据分析概述　1
1.1.1　医学数据的特点　1
1.1.2　常用数据分析工具　2
1.1.3　医学数据分析的基本流程　4
1.2　搭建Python开发环境　5
1.2.1　Python开发环境安装　5
1.2.2　Anaconda集成开发环境　6
1.2.3　Python程序的运行　8
1.3　Python库　9
1.3.1　Python标准库　9
1.3.2　Python第三方库　10
本章小结　11
本章习题　11
第2章 Python基础　13
2.1　Python编码规范　13
2.1.1　代码布局与缩进　13
2.1.2　注释　14
2.1.3　命名规则　14
2.2　Python内置数据类型　14
2.2.1　整数类型、浮点数类型、复数类型　14
2.2.2　列表、元组、字典、集合　16
2.2.3　字符串　21
2.3　Python运算符和表达式　24
2.3.1　算术运算符　24
2.3.2　关系运算符　25
2.3.3　逻辑运算符　26
2.3.4　特殊运算符　26
2.4　Python流程控制结构　27
2.4.1　顺序结构　28
2.4.2　选择结构　28
2.4.3　循环结构　29
2.5　Python函数　30
2.5.1　函数的定义　31
2.5.2　函数的调用　31
2.5.3　函数的参数　31
2.5.4　函数的递归与嵌套　33
2.5.5　Lambda匿名函数　34
2.5.6 常用内置函数　35
实训1　Python基础编程实践　38
本章小结　40
本章习题　40
本章上机练习　42
第3章 文件操作　43
3.1　文件操作基础　43
3.1.1　文件操作常用方法　43
3.1.2　with语句　48
3.2　CSV文件读写　49
3.2.1　CSV文件读取　49
3.2.2　CSV文件写入　49
3.3　JSON文件读写　50
3.4　Word、Excel文件读写　51
3.4.1　Word文件读写　51
3.4.2　Excel文件读写　53
实训2　文件操作案例　56
本章小结　59
本章习题　60
本章上机练习　61
第4章 使用NumPy进行矩阵运算　63
4.1　NumPy概述　63
4.1.1　为什么要学习NumPy　63
4.1.2　NumPy的核心优势　64
4.2　NumPy数组对象　64
4.2.1　创建数组　65
4.2.2　生成随机数　65
4.2.3　数组基本操作　67
4.2.4　变换数组形状　68
4.2.5　常用计算和统计函数　69
4.3　NumPy矩阵及常用操作　71
4.3.1　创建矩阵　71
4.3.2　矩阵基本操作　71
4.3.3　计算矩阵的相关系数、方差、协方差、标准差　72
实训3　NumPy数据操作案例　73
本章小结　76
本章习题　76
本章上机练习　77
第5章 使用pandas进行数据预
处理及统计分析　79
5.1　pandas基本数据类型及数据结构　79
5.1.1　pandas基本数据类型　79
5.1.2　Series　80
5.1.3　DataFrame　82
5.2 DataFrame的基本操作　82
5.2.1　查看DataFrame属性　82
5.2.2　在DataFrame中查看、修改、增加、删除数据　84
5.3　使用pandas进行数据读写、预处理及统计分析　87
5.3.1　读写不同数据源的数据　87
5.3.2　数据异常值的处理　89
5.3.3　数据缺失值的处理　91
5.3.4　数据重复值的处理　96
5.3.5　数据分组和聚合　100
5.3.6　数据交叉分析　103
实训4　pandas数据分析案例　104
本章小结　106
本章习题　106
本章上机练习　107
第6章 使用Matplotlib进行数据可视化分析　109
6.1　Matplotlib基本概念及功能　109
6.2　绘制折线图　111
6.3　绘制散点图　114
6.4　绘制柱状图和直方图　115
6.5　绘制饼状图　118
6.6　绘制雷达图　119
6.7　绘制气泡图　120
6.8　绘制热力图　121
6.9　绘制三维曲线（面）图　123
6.10　绘制词云图　125
6.11　绘制图矩阵　126
实训5　数据可视化分析案例　128
本章小结　131
本章习题　131
本章上机练习　133
第7章 机器学习基础及医学应用　134
7.1　机器学习基本概念　134
7.2　scikit-learn库简介及常用API　135
7.2.1 scikit-learn库常用API　135
7.2.2　加载数据集案例实践　137
7.3　线性回归　138
7.3.1　线性回归的基本原理　138
7.3.2　线性回归案例实践　139
7.4　KNN算法　142
7.4.1　KNN算法原理　142
7.4.2　KNN算法案例实践　143
7.5　逻辑回归　144
7.5.1　逻辑回归简介　144
7.5.2　逻辑回归基本原理　145
7.5.3　逻辑回归案例实践　146
7.6　朴素贝叶斯　148
7.6.1　朴素贝叶斯分类器简介　148
7.6.2　朴素贝叶斯算法原理　148
7.6.3　朴素贝叶斯案例实践　149
7.7　决策树与随机森林　151
7.7.1　决策树介绍　151
7.7.2　随机森林介绍　152
7.7.3　决策树与随机森林案例实践　152
7.8　支持向量机算法　157
7.8.1　支持向量机算法原理　157
7.8.2　支持向量机案例实践　159
7.9　关联规则算法　161
7.9.1　关联规则算法原理　161
7.9.2　Apriori算法　163
7.9.3　关联规则算法案例实践　163
7.10　K-means算法　165
7.10.1　K-means算法原理　165
7.10.2　K-means算法案例实践　167
本章小结　170
本章习题　170
本章上机练习　172
第8章 模型评估及优化　173
8.1　模型评估　173
8.1.1　模型评估的概念　173
8.1.2　模型评估指标　173
8.1.3　留出法模型评估　175
8.1.4　交叉验证法模型评估　176
8.2　模型优化及网格搜索　178
8.2.1　模型优化的概念　178
8.2.2　网格搜索法　179
实训6　逻辑回归分析案例　181
实训7　决策树预测分析案例　184
本章小结　186
本章习题　187
本章上机练习　187
第9章 综合案例　188
9.1　案例准备　188
9.1.1　案例任务　188
9.1.2　工具库　188
9.1.3　数据集　188
9.1.4　案例目的　189
9.2　案例步骤　189
9.2.1　导入相关库　190
9.2.2　本地数据集加载　191
9.2.3　描述性统计分析　191
9.2.4　数据处理　193
9.2.5　模型训练　194
9.2.6　模型评估　195
本章小结　197
本章上机练习　197
参考文献　198