Python数据可视化
(2017年机械工业出版社出版的图书)
编辑
锁定
讨论
上传视频
《Python数据可视化》是2017年机械工业出版社出版的图书,作者是科斯·拉曼。
书 名
Python数据可视化
作 者
科斯·拉曼
译 者
[印度] 科斯·拉曼(Kirthi Raman) 著出版社
机械工业出版社
出版时间
2017年04月
定 价
69 元
ISBN
978-7-111-56090-6
Python数据可视化内容简介
编辑
[1]
书由资深数据工程师撰写,融合其多年实践经验,既详细讲解了分析和可视化的方法,又给出了不用领域的实际应用案例,为深入理解并灵活应用Python进行数据可视化提供实用指南。
本书开篇首先探讨数据框架,解释了数据转换为信息,最终转换为知识的过程。随后,举例讲解用流行的Python库实现可视化的过程。你将学到如何使用NumPy、SciPy、IPython、matplotlib、pandas、patsy和scikit-learn,了解这些工具如何用不同方法可视化生成结果。接下来的内容不仅展示了诸如交互式绘图、数值、线形图解法和非线性回归、聚类和分类等先进技术,而且有助于你理解数据可视化的美学特征和最佳案例。本书最后还给出一些有趣的案例,比如社会网络、现实生活中的有向图举例、适合这些问题的数据结构,以及网络分析。
全面讲解Python在不同应用领域的可视化方法
涵盖Python的各种绘图选项,包含大量实际应用案例
随着海量信息的增长,需要处理的数据越来越多。这些数据包含着许多掌控当代成功命脉的看法与见解。能够发现数据、清洗数据,并使用正确的工具实现可视化至关重要。本书讲解了用Python软件包实现数据可视化的一些不同方法,并给出很多不同领域的案例,比如,数值计算、财务模型、统计机器学习,以及遗传学与网络等。[2]
Python数据可视化图书目录
编辑
译者序
前 言
第1章 数据可视化概念框架 1
1.1 数据、信息、知识和观点 2
1.1.1 数据 2
1.1.2 信息 2
1.1.3 知识 3
1.1.4 数据分析和观点 3
1.2 数据转换 4
1.2.1 数据转换为信息 4
1.2.2 信息转换为知识 7
1.2.3 知识转换为观点 7
1.3 数据可视化历史 8
1.4 可视化如何帮助决策 10
1.4.1 可视化适用于哪里 11
1.4.2 如今的数据可视化 12
1.5 可视化图像 15
1.5.1 条形图和饼图 19
1.5.2 箱线图 22
1.5.3 散点图和气泡图 23
1.5.4 核密度估计图 26
1.6 总结 29
第2章 数据分析与可视化 30
2.1 为什么可视化需要规划 31
2.2 Ebola案例 31
2.3 体育案例 37
2.4 用数据编写有趣的故事 47
2.4.1 为什么故事如此重要 47
2.4.2 以读者驱动为导向的故事 47
2.4.3 以作者驱动为导向的故事 53
2.5 感知与表达方法 55
2.6 一些最好的可视化实践 57
2.6.1 比较和排名 57
2.6.2 相关性 58
2.6.3 分布 59
2.6.4 位置定位或地理数据 61
2.6.5 局部到整体的关系 61
2.6.6 随时间的变化趋势 62
2.7 Python中的可视化工具 62
2.8 交互式可视化 64
2.8.1 事件监听器 64
2.8.2 布局设计 65
2.9 总结 67
第3章 开始使用Python IDE 69
3.1 Python中的IDE工具 70
3.1.1 Python 3.x和Python 2.7 70
3.1.2 交互式工具类型 70
3.1.3 Python IDE类型 72
3.2 Anaconda可视化绘图 83
3.2.1 表面三维图 83
3.2.2 方形图 85
3.3 交互式可视化软件包 89
3.3.1 Bokeh 89
3.3.2 VisPy 90
3.4 总结 91
第4章 数值计算和交互式绘图 92
4.1 NumPy、SciPy和MKL函数 93
4.1.1 NumPy 93
4.1.2 SciPy 99
4.1.3 MKL函数 105
4.1.4 Python的性能 106
4.2 标量选择 106
4.3 切片 107
4.4 数组索引 108
4.4.1 数值索引 108
4.4.2 逻辑索引 109
4.5 其他数据结构 110
4.5.1 栈 110
4.5.2 元组 111
4.5.3 集合 112
4.5.4 队列 113
4.5.5 字典 114
4.5.6 字典的矩阵表示 115
4.5.7 Trie树 120
4.6 利用matplotlib进行可视化 121
4.6.1 词云 122
4.6.2 安装词云 122
4.6.3 词云的输入 124
4.6.4 绘制股票价格图 129
4.7 体育运动中的可视化案例 136
4.8 总结 140
第5章 金融和统计模型 141
5.1 确定性模型 142
5.2 随机性模型 150
5.2.1 蒙特卡洛模拟 150
5.2.2 投资组合估值 168
5.2.3 模拟模型 170
5.2.4 几何布朗运动模拟 170
5.2.5 基于扩散模拟 173
5.3 阈值模型 175
5.4 统计与机器学习综述 179
5.4.1 k-最近邻算法 179
5.4.2 广义线性模型 181
5.5 创建动画和交互图 184
5.6 总结 188
第6章 统计与机器学习 189
6.1 分类方法 190
6.1.1 理解线性回归 191
6.1.2 线性回归 193
6.1.3 决策树 196
6.1.4 贝叶斯理论 199
6.1.5 朴素贝叶斯分类器 200
6.1.6 用TextBlob构建朴素贝叶斯分类器 202
6.1.7 用词云观察积极情绪 206
6.2 k-最近邻 208
6.3 逻辑斯谛回归 211
6.4 支持向量机 214
6.5 主成分分析 216
6.6 k-均值聚类 220
6.7 总结 223
第7章 生物信息学、遗传学和网络模型 224
7.1 有向图和多重图 225
7.1.1 存储图表数据 225
7.1.2 图表展示 227
7.2 图的聚集系数 235
7.3 社交网络分析 238
7.4 平面图测试 240
7.5 有向无环图测试 242
7.6 最大流量和最小切割 244
7.7 遗传编程示例 245
7.8 随机区组模型 247
7.9 总结 250
第8章 高级可视化 252
8.1 计算机模拟 253
8.1.1 Python的random包 253
8.1.2 SciPy的random函数 254
8.1.3 模拟示例 255
8.1.4 信号处理 258
8.1.5 动画制作 261
8.1.6 利用HTML5进行可视化 263
8.1.7 Julia和Python有什么区别 267
8.1.8 用D3.js进行可视化 267
8.1.9 仪表盘 268
8.2 总结 269
附录 继续探索可视化 270[2]
词条图册
更多图册
参考资料
1.
Python数据可视化
.当当网[引用日期2020-03-30]
2.
基本信息
.。[引用日期2017-04-07]