Python数据分析PDF电子书下载

查看更多关于的内容

1 编程和数据科学——一个新的工具集 1

什么是数据科学 1

数据科学会长期存在吗？ 2

为什么数据科学正在兴起？ 3

数据科学与开发人员有什么关系？ 4

将这些概念付诸实践 5

深入研究一个具体的示例 6

数据管道蓝图 7

数据科学家应该具备什么技能？ 9

IBM Watson Deep QA 10

回到Twitter带＃标签的情感分析项目 13

从构建第一条企业级数据管道中汲取的经验教训 15

数据科学策略 16

Jupyter Notebook是我们的战略核心 18

为什么Notebook这么流行？ 19

本章小结 21

2 Python和Jupyter Notebook为数据分析提供动力 23

为什么选择Python？ 23

PixieDust入门 27

SampleData——一个用于加载数据的简单API 31

用pixiedust_rosie整理数据 36

Display——一个简单的交互式数据可视化API 42

过滤 50

用PixieApp消除开发人员和数据科学家之间的壁垒 52

操作化数据科学分析的体系结构 55

本章小结 59

3 使用Python库加速数据分析 60

PixieApp深度剖析 61

路由 62

生成路由请求 65

GitHub项目跟踪示例程序 67

在表格中显示搜索结果 70

使用pd_entity属性调用PixieDust display（）API 78

使用pd_script调用任意Python代码 85

用pd_refresh让应用程序更具响应性 90

创建可重用的小部件 93

本章小结 94

4 用PixieApp工具发布数据分析结果 95

Kubernetes概述 96

安装和配置PixieGateway服务器 97

PixieGateway服务器配置 101

PixieGateway体系结构 105

发布应用程序 108

PixieApp URL中的编码状态 112

通过将图表发布为网页来共享它们 114

PixieGateway管理控制台 118

Python控制台 120

显示PixieApp的预热和运行代码 121

本章小结 121

5 Python和PixieDust最佳实践与高级概念 122

使用@captureOutput装饰器集成第三方Python库的输出 123

使用@captureOutput创建词云图像 123

增加模块化和代码重用 126

使用pd_widget创建小部件 128

PixieDust中的流式数据支持 130

向PixieApp添加流处理功能 134

添加带有PixieApp事件的仪表盘下钻功能 136

扩展PixieDust可视化 141

调试 148

使用pdb调试Jupyter Notebook 148

使用PixieDebugger进行可视化调试 152

使用PixieDebugger调试PixieApp路由 154

使用PixieDust日志记录排除问题 157

客户端调试 159

在Python笔记本中运行Node.js 161

本章小结 165

6 分析案例：人工智能与TensorFlow图像识别 167

什么是机器学习？ 168

什么是深度学习？ 169

开始使用TensorFlow 172

用DNNClassifier进行简单分类 176

图像识别示例应用程序 187

第1部分——加载预训练的MobileNet模型 188

第2部分——为我们的图像识别示例应用程序创建一个PixieApp 196

第3部分——集成TensorBoard图形可视化 200

第4部分——使用自定义训练数据重新训练模型 206

本章小结 217

7 分析案例：自然语言处理、大数据与Twitter情感分析 218

ApacheSpark入门 218

Apache Spark体系结构 219

将Notebook配置为使用Spark 220

“Twitter情感分析”应用程序 222

第1部分——以Spark Structured Streaming获取数据 223

数据管道的体系结构图 224

Twitter的身份验证 224

创建Twitter流 226

创建Spark Streaming DataFrame 229

创建和运行结构化查询 232

监控活动流式查询 234

从Parquet文件创建批量DataFrame 236

第2部分——用情感和提取的最相关实体来丰富数据 238

IBM Watson Natural Language Undersanding服务入门 239

第3部分——创建实时仪表盘 246

将分析重构为它们自己的方法 246

创建PixieApp 249

第4部分——使用Apache Kafka和IBM Streams Designer添加可伸缩性 258

将原始推文流到Kafka 259

使用Streaming Analytics服务丰富推文数据 263

使用Kafka输入源创建Spark Streaming DataFrame 270

本章小结 273

8 分析案例：预测——金融时间序列分析与预测 274

NumPy入门 275

创建NumPy数组 278

ndarray运算 280

NumPy数组的选择操作 282

广播 284

时间序列的统计探索 286

虚拟投资 293

自相关函数（ACF）和偏自相关函数（PACF） 294

将它们与StockExplorer PixieApp放在一起 297

BaseSubApp——所有子PixieApp的基类 302

StockExploreSubApp——第一个子PixieApp 304

MovingAverageSubApp——第二个子PixieApp 306

AutoCorrelationsubApp——第三个子PixieApp 309

ARIMA模型在时间序列预测中的应用 312

建立MSFT股票时间序列的ARIMA模型 314

StockExplorer PixieApp第2部分——使用ARIMA模型添加时间序列预测 323

本章小结 336

9 分析案例：图形算法——美国国内航班数据分析 338

图形概述 338

图形表示 340

图形算法 341

图形和大数据 344

networkx图形库入门 345

创建图形 345

可视化图形 347

第1部分——将美国国内航班数据加载到图中 348

图的中心性 357

第2部分——创建USFlightsAnalysis PixieApp 366

第3部分——向USFlightsAnalysis PixieApp添加数据探索功能 376

第4部分——创建预测航班延误的ARIMA模型 386

本章小结 399

10 数据分析的未来与拓展技能的途径 400

前瞻性思考——人工智能与数据科学的未来展望 401

参考资料 403

附录 PixieApp快速参考 405

注释 405

自定义HTML属性 408

方法 413

查看更多关于的内容