第1章　Python数据分析基础  1

　　1.1　认识数据分析  1

　　1.2　数据分析的应用场景  2

　　1.3　数据分析常用统计学知识  5

　　1.4　数据分析方法  5

　　1.5　数据分析流程  10

　　1.6　数据分析的工具  12

　　1.7　Python的 Anaconda发行版的下载与配置  12

　　1.8　Pycharm安装与 Anaconda相关联  18

　　1.9　JupyterNotebook的基本功能介绍  22

　　小　结  28

第2章　NumPy数值计算基础 31

　　2.1　NumPy模块介绍  31

　　2.2　NumPy数组对象ndarray 34

　　2.3　NumPy矩阵与通用函数  54

　　2.4　利用 NumPy进行统计分析  61

　　小　结  76

第3章　pandas数据分析基础  79

　　3.1　Series数据及常用操作  79

　　3.2　DataFrame数据及常用操作  87

　　3.3　pandas的索引  98

　　3.4　层级索引 104

　　3.5　pandas数据结构之间的运算  111

　　3.6　pandas函数的应用  114

　　3.7　pandas可视化  122

　　3.8　pandas可视化简单应用小示例———2018年幸福大数据　　　 　  127

　    小　结  131

第4章　外部数据的读取与存储  132

　　4.1　文本数据的读取与存储  132

　　4.2　JSON和Excel数据的读取与存储 140

　　4.3　数据库的读取与存储  146

　　小　结  151

第5章　数据清洗与整理  153

　　5.1　数据清洗 153

　　5.2　数据合并和重塑  170

　　5.3　标准化数据 178

　　5.4　字符串处理 182

　　5.5　综合示例-泰坦尼克号的生还者数据  188

　　小　结  196

第6章　数据分组与聚合  198

　　6.1　数据分组 198

　　6.2　聚合运算 (聚合、过滤和变换)  202

　　6.3　数据透视表 215

　　6.4　综合实例 220

　　小　结  227

第7章　数据可视化基础  229

　　7.1　Matplotlib模块介绍 229

　　7.2　利用散点图和折线图分析特征间的关系  236

　　7.3　利用直方图、饼图和箱线图分析特征内部数据　  239

　　7.4　seaborn数据可视化  251

　　小　结  265

第8章　利用机器学习sklearn构建模型与实现  267

　　8.1　认识机器学习  267

　　8.2　sklearn库的简介、安装  269

　　8.3　使用sklearn转换器处理数据的方法  270

　　8.4　构建并评价聚类模型  273

        8.5　构建并评价分类模型  278

　　8.6　构建并评价回归模型  280

　　8.7　神经网络 282

　　8.8　支持向量机 286

　　8.9　综合示例 287

　　小　结  300

第9章　客户价值分析  301

　　9.1　K-means算法  301

　　9.2　使用K-means算法进行客户分类  306

　　小　结  311

第10章　在线产品数据分析  312

　　10.1　案例背景  312

　　10.2　案例目标及实现思路  312

　　10.3　具体分析过程  313

　　小　结  328

第11章　文本情感分析  329

　　11.1　情感分析基本概述  329

　　11.2　情感分析的应用  331

　　11.3　文本情感分析方法  332

　　小　结  351

参考答案  352

参考文献  356