第 一部分　Python和统计学
第 1章　为什么学习统计学　2
第 2章　Python　4
2．1　开始　4
2．1．1　惯例　4
2．1．2　发行版和包　5
2．1．3　安装Python　7
2．1．4　安装R和rpy2　8
2．1．5　个性化IPython/Jupyter　9
2．1．6　Python资源　12
2．1．7　第 一个Python程序　13
2．2　Python数据结构　14
2．2．1　Python数据类型　14
2．2．2　索引和切片　16
2．2．3　向量和数组　17
2．3　IPython/Jupyter：一个交互式的Python编程环境　18
2．3．1　Qt控制台的第 一个会话　19
2．3．2　Notebook和rpy2　21
2．3．3　IPython小贴士　23
2．4　开发Python程序　24
2．4．1　将交互式命令转化为一个Python程序　24
2．4．2　函数、模块和包　26
2．4．3　Python小贴士　30
2．4．4　代码版本控制　31
2．5　Pandas：用于统计学的数据结构　31
2．5．1　数据处理　31
2．5．2　分组（Grouping）　33
2．6　Statsmodels：统计建模的工具　34
2．7　Seaborn：数据可视化　35
2．8　一般惯例　36
2．9　练习　36
第3章　数据输入　38
3．1　从文本文件中输入　38
3．1．1　目视检查　38
3．1．2　读入ASCII数据到Python中　38
3．2　从MS Excel中导入　42
3．3　从其他格式导入数据　43
第4章　统计数据的展示　45
4．1　数据类型　45
4．1．1　分类数据　45
4．1．2　数值型　46
4．2　在Python中作图　46
4．2．1　函数式和面向对象式的绘图方法　47
4．2．2　交互式绘图　48
4．3　展示统计学数据集　52
4．3．1　单变量数据　53
4．3．2　二元变量和多元变量绘图　59
4．4　练习　61
第二部分　分布和假设检验
第5章　背景　63
5．1　总体和样本　63
5．2　概率分布　64
5．2．1　离散分布　64
5．2．2　连续分布　65
5．2．3　期望值和方差　65
5．3　自由度　66
5．4　研究设计　66
5．4．1　术语　67
5．4．2　概述　67
5．4．3　研究类型　68
5．4．4　实验设计　69
5．4．5　个人建议　72
5．4．6　临床研究计划　73
第6章　单变量的分布　74
6．1　分布的特征描述　74
6．1．1　分布中心　74
6．1．2　量化变异度　76
6．1．3　分布形状的参数描述　79
6．1．4　概率密度的重要展示　81
6．2　离散分布　82
6．2．1　伯努利分布　82
6．2．2　二项分布　83
6．2．3　泊松分布　85
6．3　正态分布　86
6．3．1　正态分布的例子　88
6．3．2　中心极限定理　88
6．3．3　分布和假设检验　89
6．4　来自正态分布的连续型分布　90
6．4．1　t分布　90
6．4．2　卡方分布　92
6．4．3　F分布　94
6．5　其他连续型分布　95
6．5．1　对数正态分布　96
6．5．2　韦伯分布　96
6．5．3　指数分布　97
6．5．4　均匀分布　98
6．6　练习　98
第7章　假设检验　100
7．1　典型分析步骤　100
7．1．1　数据筛选和离群值　100
7．1．2　正态性检验　101
7．1．3　转换　104
7．2　假设概念、错误、p值和样本量　104
7．2．1　一个例子　104
7．2．2　推广和应用　105
7．2．3　p值的解释　106
7．2．4　错误的类型　107
7．2．5　样本量　108
7．3　灵敏度和特异度　110
7．4　受试者操作特征（ROC）曲线　113
第8章　数值型数据的均值检验　114
8．1　样本均值的分布　114
8．1．1　单样本均值的t检验　114
8．1．2　Wilcoxon符号秩和检验　116
8．2　两组之间的比较　117
8．2．1　配对t检验　117
8．2．2　独立组别之间的t检验　118
8．2．3　两组之间的非参数比较：Mann-Whitney检验　118
8．2．4　统计学假设检验与统计学建模　118
8．3　多组比较　120
8．3．1　方差分析（ANOVA）　120
8．3．2　多重比较　123
8．3．3　Kruskal–Wallis检验　125
8．3．4　两因素方差分析　126
8．3．5　三因素方差分析　126
8．4　总结：选择正确的检验方法进行组间比较　127
8．4．1　典型的检验　127
8．4．2　假设的例子　128
8．5　练习　129
第9章　分类数据的检验　131
9．1　单个率　131
9．1．1　置信区间　131
9．1．2　解释　132
9．1．3　例子　132
9．2　频数表　133
9．2．1　单因素卡方检验　133
9．2．2　卡方列联表检验　134
9．2．3　Fisher精确检验　136
9．2．4　McNemar检验　139
9．2．5　Cochran's Q检验　140
9．3　练习　141
第 10章　生存时间分析　144
10．1　生存分布　144
10．2　生存概率　145
10．2．1　删失　145
10．2．2　Kaplan–Meier生存曲线　146
10．3　在两组间比较生存曲线　148
第三部分　统计建模
第 11章　线性回归模型　150
11．1　线性相关　150
11．1．1　相关系数　150
11．1．2　秩相关　151
11．2　一般线性回归模型　152
11．2．1　例子1：简单线性回归　153
11．2．2　例子2：二次方拟合　153
11．2．3　决定系数　154
11．3　Patsy：公式的语言　155
11．4　用Python进行线性回归分析　158
11．4．1　例子1：拟合带置信区间的直线　158
11．4．2　例子2：嘈杂的二次多项式　159
11．5　线性回归模型的结果　162
11．5．1　例子：英国的烟草和酒精　162
11．5．2　带有截距的回归的定义　165
11．5．3　R2值　165
11．5．4　调整后的R2值　165
11．5．5　模型的系数和它们的解释　168
11．5．6　残差分析　171
11．5．7　异常值　174
11．5．8　用Sklearn进行回归　175
11．5．9　结论　176
11．6　线性回归模型的假设　177
11．7　线性回归模型结果的解释　180
11．8　Bootstrapping　180
11．9　练习　181
第 12章　多元数据分析　182
12．1　可视化多元相关　182
12．1．1　散点图矩阵　182
12．1．2　相关性矩阵　182
12．2　多重线性回归　184
第 13章　离散数据的检验　185
13．1　等级资料的组间比较　185
13．2　Logistic回归　186
13．3　广义线性模型　188
13．3．1　指数族分布　189
13．3．2　线性预测器和连接函数　189
13．4　有序Logistic回归　189
13．4．1　问题定义　189
13．4．2　优化　191
13．4．3　代码　191
13．4．4　性能　191
第 14章　贝叶斯统计学　193
14．1　贝叶斯学派与频率学派的解释　193
14．2　计算机时代的贝叶斯方法　195
14．3　例子：用马尔可夫链蒙特卡洛模拟分析挑战者号灾难　195
14．4　总结　198
参考答案　199
术语表　219
参考文献　223