本書首先介紹如何在最新版Python（3.6）中安裝基本的數(shù)據科學工具箱；接著，引導你進入數(shù)據改寫和預處理階段，在其中闡述用于數(shù)據分析、探索或處理的數(shù)據加載、變換和修復等關鍵的數(shù)據科學活動；最后，通過介紹主要的機器學習算法、圖分析技術、所有可視化工具和部署工具來對數(shù)據科學進行概述，其中可視化工具更易于向數(shù)據科學專家或商業(yè)用戶展示數(shù)據處理結果。
“千里之行，始于足下�！�
—老子（公元前604年—公元前531年）
數(shù)據科學屬于一門相對較新的知識領域，它成功融合了線性代數(shù)、統(tǒng)計建模、可視化、計算語言學、圖形分析、機器學習、商業(yè)智能、數(shù)據存儲和檢索等眾多學科。
Python編程語言在過去十年已經征服了科學界，現(xiàn)在是數(shù)據科學實踐者不可或缺的工具，也是每一個有抱負的數(shù)據科學家的工具。Python為數(shù)據分析、機器學習和算法求解提供了快速、可靠、跨平臺、成熟的開發(fā)環(huán)境。無論之前在數(shù)據科學應用中阻止你掌握Python的原因是什么，我們將通過簡單的分步化解和示例導向的方法幫你解決，以便你在演示數(shù)據集和實際數(shù)據集上使用直接有效的Python工具。
作為第3版，本書對第2版的內容進行了更新和擴展。以新的Jupyter Notebook和JupyterLab界面（結合可互換的內核，一個真正的多語言數(shù)據科學）為基礎，本書包含了Numpy、pandas和Scikit-learn等庫的所有主要更新。此外，本書還提供了不少新內容，包括新的梯度提升機器（GBM）算法（XGBoost、LightGBM和CatBoost)、深度學習（通過提供基于Tensorflow的Keras解決方案）、漂亮的數(shù)據可視化（主要使用seaborn）和Web部署（使用bottle）等。
本書首先介紹了如何在新版Python 3.6中安裝基本的數(shù)據科學工具箱，本書采用單源方法（這意味著本書代碼也可以在Python 2.7上重用）。接著，將引導你進入完整的數(shù)據改寫和預處理階段，主要闡述用于數(shù)據分析、探索或處理的數(shù)據加載、變換、修復等關鍵數(shù)據科學活動。后，本書將完成數(shù)據科學精要的概述，介紹主要的機器學習算法、圖分析技術、所有可視化工具和部署工具，其中可視化工具更易于向數(shù)據科學專家或商業(yè)用戶展示數(shù)據處理結果。
讀者對象
如果你有志于成為數(shù)據科學家，并擁有一些數(shù)據分析和Python方面的基礎知識，本書將助你在數(shù)據科學領域快速入門。對于有R語言或MATLAB/GNU Octave編程經驗的數(shù)據分析人員，本書也可以作為一個全面的參考書，提高他們在數(shù)據操作和機器學習方面的技能。
本書內容
第1章介紹Jupyter Notebook，演示怎樣使用教程中的數(shù)據。
第2章介紹所有關鍵的數(shù)據操作和轉換技術，重點介紹數(shù)據改寫的佳實踐。
第3章討論所有可能改進數(shù)據科學項目結果的操作，使讀者能夠進行數(shù)據操作。
第4章介紹Scikit-learn庫中重要的機器學習算法。向讀者展示具體的實踐應用，以及為了使每種學習技術獲得佳效果，應重點檢查什么和調整哪些參數(shù)。
第5章為你提供基礎和中圖形表示技術，這對復雜數(shù)據結構和機器學習所得結果的表示和視覺理解是必不可少的。
第6章向讀者提供處理社交關系和交互數(shù)據實用而有效的技術。
第7章演示了如何從零開始構建卷積神經網絡，介紹了行業(yè)內增強深度學習模型的所有工具，解釋了遷移學習的工作原理，以及如何使用遞歸神經網絡進行文本分類和時間序列預測。
第8章介紹了一種處理數(shù)據的新方法—水平縮放大數(shù)據。這意味著要運行安裝了Hadoop和Spark框架的機器集群。
附錄包括一些Python示例和說明，重點介紹Python語言的主要特點，這些都是從事數(shù)據科學工作必須了解的。
閱讀準備
為了充分利用本書，讀者需要具備以下知識：
熟悉基本的Python語法和數(shù)據結構（比如，列表和字典）。
具有數(shù)據分析基礎知識，特別是關于描述性統(tǒng)計方面的知識。
通過閱讀本書，也可以幫你培養(yǎng)這兩方面的技能，盡管本書沒有過多地介紹其中的細節(jié)，而只提供了一些基本的技術，數(shù)據科學家為了成功運行其項目必須了解這些技術。
你還需要做好以下準備：
一臺裝有Windows、MacOS或Linux操作的計算機，至少8GB的內存（如果你的計算機內存只有4 GB，還是可以運行本書大部分示例的）。
如果加速第7章中的計算，好安裝一個GPU。
安裝Python 3.6，通過Anaconda來安裝（http://www.anaconda.com/download/）。
下載示例代碼及彩色圖像
本書的示例代碼及彩圖，可以從http://www.packtpub.com通過個人賬號下載，也可以訪問華章圖書官網http://www.hzbook.com，通過注冊并登錄個人賬號下載。
譯者序
前言
作者簡介
審閱者簡介
第1章 新手上路1
1.1 數(shù)據科學與Python簡介1
1.2 Python的安裝2
1.2.1 Python 2還是Python 33
1.2.2 分步安裝4
1.2.3 安裝必要的工具包4
1.2.4 工具包升級6
1.3 科學計算發(fā)行版6
1.3.1 Anaconda7
1.3.2 使用conda安裝工具包7
1.3.3 Enthought Canopy8
1.3.4 WinPython8
1.4 虛擬環(huán)境8
1.5 核心工具包一瞥11
1.6 Jupyter簡介18
1.6.1 快速安裝與初次使用21
1.6.2 Jupyter魔術命令22
1.6.3 直接從Jupyter Notebook安裝軟件包23
1.6.4 查看新的JupyterLab環(huán)境24
1.6.5 Jupyter Notebook怎樣幫助數(shù)據科學家24
1.6.6 Jupyter的替代版本29
1.7 本書使用的數(shù)據集和代碼30
1.7.1 Scikit-learn小規(guī)模數(shù)據集30
1.7.2 MLdata.org和其他公共資源庫32
1.7.3 LIBSVM Data樣本33
1.7.4 直接從CSV或文本文件加載數(shù)據33
1.7.5 Scikit-learn樣本生成器35
1.8 小結36
第2章 數(shù)據改寫37
2.1 數(shù)據科學過程37
2.2 使用pandas進行數(shù)據加載與預處理39
2.2.1 數(shù)據快捷加載39
2.2.2 處理問題數(shù)據41
2.2.3 處理大數(shù)據集43
2.2.4 訪問其他的數(shù)據格式46
2.2.5 合并數(shù)據48
2.2.6 數(shù)據預處理51
2.2.7 數(shù)據選擇55
2.3 使用分類數(shù)據和文本數(shù)據57
2.3.1 特殊的數(shù)據類型—文本59
2.3.2 使用Beautiful Soup抓取網頁64
2.4 使用Numpy進行數(shù)據處理65
2.4.1 NmuPy中的N維數(shù)組65
2.4.2 NmuPy ndarray對象基礎66
2.5 創(chuàng)建Numpy數(shù)組68
2.5.1 從列表到一維數(shù)組68
2.5.2 控制內存大小69
2.5.3 異構列表70
2.5.4 從列表到多維數(shù)組70
2.5.5 改變數(shù)組大小71
2.5.6 利用NumPy函數(shù)生成數(shù)組73
2.5.7 直接從文件中獲得數(shù)組73
2.5.8 從pandas提取數(shù)據74
2.6 NumPy快速操作和計算75
2.6.1 矩陣運算77
2.6.2 NumPy數(shù)組切片和索引78
2.6.3 NumPy數(shù)組堆疊80
2.6.4 使用稀疏數(shù)組81
2.7 小結83
第3章 數(shù)據科學流程84
3.1 EDA簡介84
3.2 創(chuàng)建新特征87
3.3 維數(shù)約簡89
3.3.1 協(xié)方差矩陣89
3.3.2 主成分分析90
3.3.3 一種用于大數(shù)據的PCA變型—RandomizedPCA93
3.3.4 潛在因素分析94
3.3.5 線性判別分析94
3.3.6 潛在語義分析95
3.3.7 獨立成分分析95
3.3.8 核主成分分析96
3.3.9 T-分布鄰域嵌入算法97
3.3.10 受限波爾茲曼機98
3.4 異常檢測和處理99
3.4.1 單變量異常檢測99
3.4.2 EllipticEnvelope101
3.4.3 OneClassSVM104
3.5 驗證指標106
3.5.1 多標號分類107
3.5.2 二值分類109
3.5.3 回歸110
3.6 測試和驗證110
3.7 交叉驗證113
3.7.1 使用交叉驗證迭代器115
3.7.2 采樣和自舉方法116
3.8 超參數(shù)優(yōu)化118
3.8.1 建立自定義評分函數(shù)120
3.8.2 減少網格搜索時間121
3.9 特征選擇123
3.9.1 基于方差的特征選擇123
3.9.2 單變量選擇124
3.9.3 遞歸消除125
3.9.4 穩(wěn)定性選擇與基于L1的選擇126
3.10 將所有操作包裝成工作流程127
3.10.1 特征組合和轉換鏈接128
3.10.2 構建自定義轉換函數(shù)130
3.11 小結131
第4章 機器學習132
4.1 準備工具和數(shù)據集132
4.2 線性和邏輯回歸134
4.3 樸素貝葉斯136
4.4 K近鄰137
4.5 非線性算法139
4.5.1 基于SVM的分類算法140
4.5.2 基于SVM的回歸算法141
4.5.3 調整SVM（優(yōu)化）142
4.6 組合策略144
4.6.1 基于隨機樣本的粘貼策略144
4.6.2 基于弱分類器的Bagging策略144
4.6.3 隨機子空間和隨機分片145
4.6.4 隨機森林和Extra-Trees145
4.6.5 從組合估計概率147
4.6.6 模型序列—AdaBoost148
4.6.7 梯度樹提升149
4.6.8 XGBoost150
4.6.9 LightGBM152
4.6.10 CatBoost155
4.7 處理大數(shù)據158
4.7.1 作為范例創(chuàng)建一些大數(shù)據集158
4.7.2 對容量的可擴展性159
4.7.3 保持速度161
4.7.4 處理多樣性162
4.7.5 隨機梯度下降概述163
4.8 自然語言處理一瞥164
4.8.1 詞語分詞164
4.8.2 詞干提取165
4.8.3 詞性標注166
4.8.4 命名實體識別166
4.8.5 停止詞167
4.8.6 一個完整的數(shù)據科學例子—文本分類168
4.9 無監(jiān)督學習概覽169
4.9.1 K均值算法169
4.9.2 基于密度的聚類技術—DBSCAN172
4.9.3 隱含狄利克雷分布173
4.10 小結177
第5章 可視化、發(fā)現(xiàn)和結果178
5.1 matplotlib基礎介紹178
5.1.1 曲線繪圖179
5.1.2 繪制分塊圖180
5.1.3 數(shù)據中的關系散點圖181
5.1.4 直方圖182
5.1.5 柱狀圖183
5.1.6 圖像可視化184
5.1.7 pandas的幾個圖形示例186
5.1.8 通過平行坐標發(fā)現(xiàn)模式191
5.2 封裝matplotlib命令191
5.2.1 Seaborn簡介192
5.2.2 增強EDA性能196
5.3數(shù)據學習表示200
5.3.1 學習曲線201
5.3.2 確認曲線202
5.3.3 隨機森林的特征重要性203
5.3.4 GBT部分依賴關系圖形205
5.3.5 創(chuàng)建MA-AAS預測服務器205
5.4 小結209
第6章 社交網絡分析210
6.1 圖論簡介210
6.2 圖的算法215
6.2.1 節(jié)點中心性的類型216
6.2.2 網絡劃分218
6.3 圖的裝載、輸出和采樣221
6.4 小結223
第7章 深度學習進階224
7.1 走近深度學習224
7.2 使用CNN進行圖像分類226
7.3 使用預訓練模型234
7.4 處理時間序列237
7.5 小結239
第8章 基于Spark的大數(shù)據分析240
8.1 從獨立機器到大量節(jié)點240
8.1.1 理解為什么需要分布式框架241
8.1.2 Hadoop生態(tài)241
8.2 PySpark入門245
8.2.1 設置本地Spark實例245
8.2.2 彈性分布式數(shù)據集實驗247
8.3 跨集群節(jié)點共享變量252
8.3.1 只讀廣播變量252
8.3.2 只寫累加器變量252
8.3.3 同時使用廣播和累加器變量—示例253
8.4 Spark數(shù)據預處理255
8.4.1 CSV文件和Spark數(shù)據框255
8.4.2 處理缺失數(shù)據257
8.4.3 在內存中分組和創(chuàng)建表257
8.4.4 將預處理后的數(shù)據框或RDD寫入磁盤259
8.4.5 Spark數(shù)據框的用法260
8.5 基于Spark的機器學習261
8.5.1 在KDD99數(shù)據集上運行Spark261
8.5.2 讀取數(shù)據集261
8.5.3 特征工程263
8.5.4 訓練學習器266
8.5.5 學習器性能評價267
8.5.6 機器學習管道的強大功能267
8.5.7 手動調參269
8.5.8 交叉驗證271
8.5.9后的清理272
8.6 小結272
附錄 增強Python基礎274
數(shù)據科學導論
Python語言
（原書第3版）
[意] 阿爾貝托·博斯凱蒂（Alberto Boschetti）
盧卡·馬薩羅（Luca Massaron） 著
于俊偉 譯
Python Data Science Essentials
Third Edition
書單推薦
