第1章　初识Python与Jupyter 1
1.1　Python概要 2
1.1.1　为什么要学习Python 2
1.1.2　Python中常用的库 2
1.2　Python的版本之争 4
1.3　安装Anaconda 5
1.3.1　Linux环境下的Anaconda安装 5
1.3.2　conda命令的使用 6
1.3.3　Windows环境下的Anaconda安装 7
1.4　运行Python 11
1.4.1　验证Python 11
1.4.2　Python版本的Hello World 12
1.4.3　Python的脚本文件 13
1.4.4　代码缩进 15
1.4.5　代码注释 17
1.5　Python中的内置函数 17
1.6　文学化编程—Jupyter 20
1.6.1　Jupyter的由来 20
1.6.2　Jupyter的安装 21
1.6.3　Jupyter的使用 23
1.6.4　Markdown编辑器 26
1.7　Jupyter中的魔法函数 31
1.7.1　%lsmagic函数 31
1.7.2　%matplotlib inline函数 32
1.7.3　%timeit函数 32
1.7.4　%%writefile函数 33
1.7.5　其他常用的魔法函数 34
1.7.6　在Jupyter中执行shell命令 35
1.8　本章小结 35
1.9　思考与提高 36
第2章　数据类型与程序控制结构 40
2.1　为什么需要不同的数据类型 41
2.2　Python中的基本数据类型 42
2.2.1　数值型（Number） 42
2.2.2　布尔类型（Boolean） 45
2.2.3　字符串型（String） 45
2.2.4　列表（List） 49
2.2.5　元组（Tuple） 59
2.2.6　字典（Dictionary） 62
2.2.7　集合（Set） 65
2.3　程序控制结构 67
2.3.1　回顾那段难忘的历史 67
2.3.2 顺序结构 69
2.3.3 选择结构 70
2.3.4 循环结构 74
2.4　高效的推导式 80
2.4.1　列表推导式 80
2.4.2　字典推导式 83
2.4.3　集合推导式 83
2.5　本章小结 84
2.6　思考与提高 84
第3章　自建Python模块与第三方模块 90
3.1　导入Python标准库 91
3.2　编写自己的模块 93
3.3　模块的搜索路径 97
3.4　创建模块包 100
3.5　常用的内建模块 103
3.5.1 collection模块 103
3.5.2　datetime模块 110
3.5.3　json模块 115
3.5.4　random模块 118
3.6　本章小结 121
3.7　思考与提高 122
第4章　Python函数 124
4.1　Python中的函数 125
4.1.1　函数的定义 125
4.1.2　函数返回多个值 127
4.1.3 函数文档的构建 128
4.2　函数参数的“花式”传递 132
4.2.1　关键字参数 132
4.2.2　可变参数 133
4.2.3　默认参数 136
4.2.4　参数序列的打包与解包 138
4.2.5　传值还是传引用 142
4.3　函数的递归 146
4.3.1 感性认识递归 146
4.3.2 思维与递归思维 148
4.3.3 递归调用的函数 149
4.4　函数式编程的高阶函数 151
4.4.1　lambda表达式 152
4.4.2 filter()函数 153
4.4.3 map()函数 155
4.4.4 reduce()函数 157
4.4.5 sorted()函数 158
4.5 本章小结 159
4.6 思考与提高 160
第5章　Python高级特性 165
5.1　面向对象程序设计 166
5.1.1　面向过程与面向对象之辩 166
5.1.2 类的定义与使用 169
5.1.3 类的继承 173
5.2　生成器与迭代器 176
5.2.1 生成器 176
5.2.2 迭代器 183
5.3 文件操作 187
5.3.1 打开文件 187
5.3.2 读取一行与读取全部行 191
5.3.3 写入文件 193
5.4　异常处理 193
5.4.1 感性认识程序中的异常 194
5.4.2 异常处理的三步走 195
5.5 错误调试 197
5.5.1 利用print()输出观察变量 197
5.5.2 assert断言 198
5.6　本章小结 201
5.7　思考与提高 202
第6章　NumPy向量计算 204
6.1　为何需要NumPy 205
6.2　如何导入NumPy 205
6.3 生成NumPy数组 206
6.3.1　利用序列生成 206
6.3.2　利用特定函数生成 207
6.3.3 Numpy数组的其他常用函数 209
6.4　N维数组的属性 212
6.5 NumPy数组中的运算 215
6.5.1 向量运算 216
6.5.2 算术运算 216
6.5.3 逐元素运算与张量点乘运算 218
6.6　爱因斯坦求和约定 222
6.6.1　不一样的标记法 222
6.6.2　NumPy中的einsum()方法 224
6.7 NumPy中的“轴”方向 231
6.8 操作数组元素 234
6.8.1 通过索引访问数组元素 234
6.8.2 NumPy中的切片访问 236
6.8.3 二维数组的转置与展平 238
6.9 NumPy中的广播 239
6.10 NumPy数组的高级索引 242
6.10.1 “花式”索引 242
6.10.2 布尔索引 247
6.11 数组的堆叠操作 249
6.11.1 水平方向堆叠hstack() 250
6.11.2 垂直方向堆叠vstack() 251
6.11.3 深度方向堆叠hstack() 252
6.11.4 列堆叠与行堆叠 255
6.11.5 数组的分割操作 257
6.12 NumPy中的随机数模块 264
6.13 本章小结 266
6.14 思考与提高 267
第7章　Pandas数据分析 271
7.1 Pandas简介 272
7.2 Pandas的安装 272
7.3 Series类型数据 273
7.3.1 Series的创建 273
7.3.2 Series中的数据访问 277
7.3.3 Series中的向量化操作与布尔索引 280
7.3.4 Series中的切片操作 283
7.3.5 Series中的缺失值 284
7.3.6 Series中的删除与添加操作 286
7.3.7 Series中的name属性 288
7.4 DataFrame 类型数据 289
7.4.1 构建DataFrame 289
7.4.2 访问DataFrame中的列与行 293
7.4.3 DataFrame中的删除操作 298
7.4.4 DataFrame中的“轴”方向 301
7.4.5 DataFrame中的添加操作 303
7.5 基于Pandas的文件读取与分析 310
7.5.1 利用Pandas读取文件 311
7.5.2 DataFrame中的常用属性 312
7.5.3 DataFrame中的常用方法 314
7.5.4 DataFrame的条件过滤 318
7.5.5 DataFrame的切片操作 320
7.5.6 DataFrame的排序操作 323
7.5.7 Pandas的聚合和分组运算 325
7.5.8 DataFrame的透视表 334
7.5.9 DataFrame的类SQL操作 339
7.5.10 DataFrame中的数据清洗方法 341
7.6 泰坦尼克幸存者数据预处理 342
7.6.1 数据集简介 342
7.6.2 数据集的拼接 344
7.6.3 缺失值的处理 350
7.7 本章小结 353
7.8 思考与提高 353
第8章　Matplotlib与Seaborn可视化分析 365
8.1 Matplotlib与图形绘制 366
8.2 绘制简单图形 366
8.3 pyplot的高级功能 371
8.3.1 添加图例与注释 371
8.3.2 设置图形标题及坐标轴 374
8.3.3 添加网格线 378
8.3.4 绘制多个子图 380
8.3.5 Axes与Subplot的区别 382
8.4 散点图 388
8.5 条形图与直方图 392
8.5.1 垂直条形图 392
8.5.2 水平条形图 394
8.5.3 并列条形图 395
8.5.4 叠加条形图 400
8.5.5 直方图 402
8.6 饼图 407
8.7 箱形图 409
8.8 误差条 411
8.9 绘制三维图形 413
8.10 与Pandas协作绘图—以谷歌流感趋势数据为例 416
8.10.1 谷歌流感趋势数据描述 416
8.10.2 导入数据与数据预处理 417
8.10.3 绘制时序曲线图 421
8.10.4 选择合适的数据可视化表达 423
8.10.5 基于条件判断的图形绘制 427
8.10.6 绘制多个子图 430
8.11 惊艳的Seaborn 431
8.11.1 pairplot（对图） 432
8.11.2 heatmap（热力图） 434
8.11.3 boxplot（箱形图） 436
8.11.4 violin plot（小提琴图） 442
8.11.5 Density Plot（密度图） 446
8.12 本章小结 450
8.13 思考与提高 450
第9章　机器学习初步 459
9.1 机器学习定义 460
9.1.1　什么是机器学习 460
9.1.2 机器学习的三个步骤 461
9.1.3 传统编程与机器学习的差别 464
9.1.4 为什么机器学习不容易 465
9.2　监督学习 467
9.2.1　感性认识监督学习 467
9.2.2　监督学习的形式化描述 468
9.2.3 损失函数 470
9.3　非监督学习 471
9.4　半监督学习 473
9.5 机器学习的哲学视角 474
9.6 模型性能评估 476
9.6.1 经验误差与测试误差 476
9.6.2 过拟合与欠拟合 477
9.6.3 模型选择与数据拟合 479
9.7 性能度量 480
9.7.1　二分类的混淆矩阵 480
9.7.2 查全率、查准率与F1分数 481
9.7.3 P-R曲线 484
9.7.4 ROC曲线 485
9.7.5 AUC 489
9.8　本章小结 489
9.9　思考与提高 490
第10章　sklearn与经典机器学习算法 492
10.1 机器学习的利器—sklearn 493
10.1.1 sklearn简介 494
10.1.2 sklearn的安装 496
10.2 线性回归 497
10.2.1　线性回归的概念 497
10.2.2 使用sklearn实现波士顿房价预测 499
10.3　k-近邻算法 516
10.3.1 算法简介 516
10.3.2　k值的选取 518
10.3.3　特征数据的归一化 519
10.3.4　邻居距离的度量 521
10.3.5 分类原则的制定 522
10.3.6　基于sklearn的k-近邻算法实战 522
10.4 Logistic回归 527
10.4.1 为什么需要Logistic回归 527
10.4.2 Logistic源头初探 529
10.4.3 Logistic回归实战 532
10.5 神经网络学习算法 536
10.5.1 人工神经网络的定义 537
10.5.2 神经网络中的“学习”本质 537
10.5.3 神经网络结构的设计 540
10.5.4 利用sklearn搭建多层神经网络 541
10.6 非监督学习的代表—k均值聚类 550
10.6.1 聚类的基本概念 551
10.6.2 簇的划分 552
10.6.3 k均值聚类算法核心 552
10.6.4 k均值聚类算法优缺点 554
10.6.5 基于sklearn的k均值聚类算法实战 555
10.7 本章小结 561
10.8 思考与提高 562