376页笔记，Python数据分析技能全拆解-技术圈

数据分析相关工作受到越来越多的青睐。python作为数据分析编程语言的首选有着无可比拟的自身优势：

1).语法简洁，适合初学者入门

2).拥有一系列成熟的库及工具

3).强大的通用编程能力

4).方便对接其他语言

学会数据分析可洞察业务、市场规律，依赖数据做出超前的商业决策，职场收益长久，越老越吃香，外部影响较小，职业稳定。随着越来越多知名企业依赖数据做出关键决策，对数据分析人才的需求与日俱增。

这份资料从基础到实战，教你如何用python做数据分析。详解如何用Python对数据进行处理和清洗。从Python基础知识、数据结构到数据加载存储、数据清晰和准备、数据加工、绘图和可视化、数据汇总以及一些常用算法，一一为你拆解。融入了数据分析必备的库及工具的使用教程。内容非常详细，代码清晰可复制。案例丰富，非常适合python数据分析学习。

python数据分析最新版，采用python3.6版本。

资料目录

CHAPTER 1：预备知识

1.1 这本书是关于什么的

1.2 为什么使用Python做数据分析

1.3 一些重要的Python库

1.4 安装和设置

1.5 （社区和讨论组）+ 私货

1.6 本书导航

Chapter 2: Python语言基础，Ipython和Jupyter Notebooks

2.1 python解释器

2.2 IPython基础

2.3 Python语言基础

Chapter 3: 内建数据结构，函数和文件

3.1 数据结构与序列

3.2 函数

3.3 文件以及操作系统

Chapter 4: NumPy基础：数组和向量化计算

4.1 ndarray: 多维数组对象

4.2 通用函数：快速点对点数组函数

4.3 数组导向编程

4.4 通过数组来进行文件的输入和输出

4.5 线性代数

4.6 伪随机数生成

4.7 例子：随机漫步

Chapter 5: 开始使用pandas

5.1 pandas的数据结构

5.2 主要功能

5.3 汇总和描述性统计

Chapter 6: 数据加载，存储，文件格式

6.1 以文本格式读取和写入数据

6.2 二进制数据格式

6.3 网络相关的API交互

6.4 与数据库的交互

Chapter 7: 数据清洗和准备

7.1 处理缺失数据

7.2 数据变换

7.3 字符串处理

Chapter 8: 数据加工：加入, 结合, 变型

8.1 分层索引

8.2 合并数据集

8.3 整形和旋转

Chapter 9: 绘图和可视化

9.1 简单的matplotlib API入门

9.2 用pandas和seaborn绘图

9.3 其他一些Python可视化工具

Chapter 10: 数据汇总和组操作

10.1 分组机制

10.2 数据聚合

10.3 应用：通用的分割-应用-合并

10.4 数据透视表和交叉表

Chapter 11: 时间序列

11.1 日期和时间数据类型及其工具

11.2 时间序列基础

11.3 日期范围，频度，和位移

11.4 时区处理

11.5 周期和周期运算

11.6 重采样和频度转换

11.7 移动窗口函数

Chapter 12: 高级pandas用法

12.1 类别数据

12.2 高级GroupBy用法

12.3 方法链接的技巧

Chapter 13: Python中建模库的介绍

13.1 pandas与建模代码间的交互

13.2 利用Patsy创建模型描述

13.3 statsmodels简介

13.4 scikit-learn简介

Chapter 14: 数据分析实例

14.1 USA.gov数据集

14.2 MovieLens 1M数据集

14.3 1880年至2010年美国婴儿姓名

14.4 美国农业部食品数据库

14.5 2012联邦选举委员会数据库

扫描下方二维码