Python数据分析与可视化实践 pdf下载

Python 数据分析与可视化实践基于 Python 语言，结合实际的数据集，介绍如何对数据进行可视化分析。Python 数据分析与可视化实践主要包含 3 个 部分。第一部分为 Python 数据可视化基础篇：主要介绍 Python 基础内容、Numpy 和 Pandas 数据操作， 以及 Matplotlib 数据可视化内容；第二部分为 Python 数据可视化提高篇：主要介绍 Python 的 Seaborn、 plotnine、Networkx、igraph、plotly、Bokeh、pyecharts 库中的数据可视化功能；第三部分为 Python 数据 可视化分析实战篇：通过 4 个完整的数据可视化分析案例，详细地介绍了 Python 中数据分析、机器学习 与可视化相结合的应用等内容。 本书为读者提供了 Notebook 形式的源程序和使用的数据集，方便读者对程序的使用和运行。本书适 合有一定数据分析或统计分析基础的读者阅读，可作为 Python 数据分析、机器学习、数据可视化的入门 及实践教材，也可供数据分析与可视化相关专业的师生，以及对数据分析与可视化感兴趣的 Python 用户

第一部分Python数据可视化基础篇

第1章Python快速入门2

11 安装Python 2

111 安装Anaconda 2

112 安装Python库 5

12 Python的基础知识 5

121 列表 6

122 元组 8

123 字典 9

124 集合 10

125 字符串 11

13 Python的语法结构 12

131 条件判断语句 12

132 循环语句 13

133 try/except语句 14

14 Python函数 15

141 函数 15

142 lambda函数 16

15 数据可视化分析 16

151 什么是好的数据可视化 16

152 数据可视化图像的基本类型 17

153 数据可视化分析基本流程 18

154 Python进行数据可视化分析的优势 18

16 本章小结 19

第2章　Numpy与Pandas的数据操作和可视化20

21 Numpy数据操作 21

211 生成数组的方式 21

212 数组的基础操作 23

213 Numpy的常用函数 27

22 Pandas数据的生成和读取 34

221 序列和数据表的生成 34

222 数据索引 36

223 数据读取 38

23 Pandas数据操作 39

231 数据表的合并 39

232 数据表的转换 40

233 数据表的聚合和分组计算 42

234 处理时间数据 43

24 Pandas数据可视化 44

241 Pandas的数据可视化函数 45

242 Pandas数据可视化实战 45

25 本章小结 50

第3章　Matplotlib数据可视化51

31 Matplotlib的两种数据可视化方式 52

311 类似Matlab风格的数据可视化方式 52

312 面向对象风格的数据可视化方式 53

313 设置正确显示中文的方法 55

32 Matplotlib的图表组成元素 57

321 plot函数的使用 58

322 设置坐标系取值范围和类型 60

323 设置坐标轴刻度标签 62

324 设置网格线和参考线 63

325 添加注释和文本、使用公式、设置图例 64

33 Matplotlib可视化子图 66

331 pltaxes函数设置子图位置 66

332 pltsubplot函数创建网格子图 67

333 pltsubplots函数创建网格子图 70

334 pltGridSpec函数对网格进行更复杂排列 71

34 Matplotlib可视化函数 72

341 类别比较图形可视化函数 72

342 数据关系图形可视化函数 78

343 数据分布图形可视化函数 80

344 其他图形可视化函数 83

35 Matplotlib可视化三维图像 88

351 三维点图和三维线图 88

352 三维等高线图 90

353 三维曲面图和曲线图 90

36 本章小结 91

第二部分Python数据可视化提高篇

第4章　Python经典的静态数据可视化库93

41 Seaborn数据可视化 93

411 关系型数据可视化函数 95

412 分布型数据可视化函数 101

413 分类型数据可视化函数 105

414 热力图数据可视化函数 108

415 网格数据可视化 110

42 plotnine数据可视化 110

421 几何图层 111

422 图表美化 116

423 位置调整 118

424 图像分面与子图 120

43 本章小结 124

第5章　网络图可视化125

51 网络图的形式 125

52 Networkx网络图可视化 126

521 Networkx生成网络图 126

522 Networkx设置节点和边 132

523 Networkx设置布局方式 135

524 Networkx可视化复杂网络图 138

53 igraph网络图可视化 143

531 igraph生成并可视化网络图 143

532 igraph设置节点和边 145

533 igraph设置节点的布局方式 148

534 igraph可视化特定的路线 149

54 本章小结 152

第6章　plotly交互式数据可视化153

61 plotly简介 154

62 plotly数值型变量数据可视化 154

621 单个数值型变量数据可视化 154

622 两个数值型变量数据可视化 156

623 三个数值型变量数据可视化 159

624 多个连续数值型变量数据可视化 163

63 plotly分类型变量数据可视化 167

631 单个分类型变量数据可视化 167

632 多个分类型变量数据可视化 168

64 plotly数值型和分类型变量数据可视化 171

641 单个数值型和单个分类型变量数据可视化 171

642 多个数值型和单个分类型变量数据可视化 173

643 单个数值型和多个分类型变量数据可视化 177

65 plotly其他类型数据可视化 180

651 可交互网络图可视化 180

652 时序数据可视化 185

66 本章小结 186

第7章　Python其他交互式数据可视化库187

71 Bokeh交互式数据可视化 187

711 Bokeh的简介与设置 187

712 Bokeh数据可视化 188

72 pyecharts交互式数据可视化 196

721 pyecharts的简介与设置 196

722 pyecharts数据可视化 198

73 本章小结 211

第三部分Python数据可视化分析实战篇

第8章　足球运动员数据可视化分析213

81 数据清洗与预处理 214

82 数据探索性可视化分析 218

821 可视化分析足球运动员年龄与价值之间的关系 219

822 可视化分析足球运动员年龄和综合评分之间的关系 224

823 可视化分析联盟和俱乐部的足球运动员信息 225

824 可视化分析多个变量之间的关系 231

825 与球场位置相关的数据可视化分析 233

83 数据降维可视化分析 238

831 主成分降维 238

832 可视化主成分得分 240

84 数据聚类可视化分析 242

841 寻找合适的聚类数目 242

842 K均值聚类可视化 243

843 利用主成分特征进行聚类分析 244

85 本章小结 247

第9章　抗乳腺癌候选药物可视化分析248

91 数据特征探索性可视化分析 251

911 药物的性质特征探索性可视化分析 252

912 药物的生物活性探索性可视化分析 254

913 药代动力学性质和安全性探索性可视化分析 257

92 数据特征选择 257

921 根据回归互信息筛选特征 257

922 通过随机森林回归模型选择特征 259

93 回归模型预测生物活性 260

931 建立多元线性回归模型 262

932 建立支持向量机回归模型 267

933 建立GBDT回归模型 268

94 分类模型预测药代动力学性质和安全性 269

941 心脏毒性预测 270

942 遗传毒性预测 273

95 本章小结 277

第10章　时序数据的异常值检测和预测278

101 时序数据探索性可视化分析 279

1011 时序数据的分布情况可视化分析 280

1012 时序数据的波动情况可视化分析 281

102 异常值检测 284

1021 ADTK检测单列时序数据的异常值 284

1022 ADTK检测多列时序数据的异常值 287

1023 Prophet检测单列时序数据的异常值 289

1024 基于VAR模型检测多列时序数据的异常值 291

103 异常值预测 297

1031 Prophet算法检测数据中的异常值 297

1032 提取异常值数据特征 299

1033 异常值预测分类模型 301

1034 数据平衡后建立分类模型 303

104 趋势预测 305

1041 单变量预测的SARIMA模型 306

1042 单变量预测的Prophet模型 308

1043 多变量预测的VAR模型 310

105 本章小结 312

第11章　中药材鉴别数据可视化分析313

111 无监督学习算法鉴别中药材类别 314

1111 数据特征探索性可视化分析 315

1112 使用数据原始的特征进行聚类 317

1113 使用数据降维后的特征进行聚类 320

112 有监督学习算法鉴别中药材产地 324

1121 不同产地的中药材特征可视化分析 325

1122 利用选择的特征进行分类 325

113 半监督学习算法鉴别中药材类别 330

1131 数据预处理和可视化分析 330

1132 数据主成分降维 332

1133 使用标签传播算法进行分类 334

1134 半监督学习分类——利用SelfTrainingClassier 336

114 本章小结 338

Python是目前热门的编程语言。它的优点是免费和开源。随着Python的不断发展，它已经在数据分析与数据可视化领域受到了众多学者和企业的关注，并且提供了很多丰富的库。本书重点研究如何使用Python中的库，与数据分析、数据可视化相结合，以便分析实际场景中的数据，挖掘数据中的信息。

本书分为3部分11章。其中，第1～3章是Python数据可视化基础篇，介绍了Python的使用，以及Numpy、Pandas、Matplotlib的使用；第4～7章是Python数据可视化提高篇，以经典的Python可视化库为基础，介绍了Python的Seaborn、plotnine、Networkx、igraph、plotly、Bokeh、pyecharts库中的数据可视化功能的应用；第8～11章是Python数据可视化分析实战篇，介绍了4个完整的数据可视化分析案例。

本书尽可能做到内容全面与循序渐进，其中程序代码通过Jupyter Notebook展示，并通过经典案例的可视化分析，使没有Python基础知识的读者也能看懂本书的内容。

第1章为Python快速入门。本章从通过Anaconda安装Python开始，介绍了Python的基础内容，以及Python中的控制语句与函数等的使用，最后介绍了数据可视化分析的基本流程、图表的类型等。

第2章为Numpy与Pandas的数据操作和可视化。本章介绍了Numpy和Pandas的使用，包括数据生成、读取、操作、变换等，以及Pandas中的数据可视化函数的使用。

第3章为Matplotlib数据可视化。本章介绍了Matplotlib的数据可视化功能，包括Matplotlib的数据可视化方式、Matplotlib的图表组成元素、可视化子图方式、库中常用的数据可视化函数，以及可视化三维图像等。

第4章为Python经典的静态数据可视化库。本章主要介绍了Python中两个经典数据可视化库——Seaborn与plotnine，并将这两个库中的函数与实际数据相结合，展示这两个库的数据可视化功能。

第5章为网络图可视化。本章主要介绍了Python中两个经典网络图可视化库——Networkx与igraph，主要内容包括如何设置网络图中的节点、边，以及网络图的布局等，并针对网络图中信息挖掘，介绍如何计算网络图中的最短路径，以及路径的可视化。

第6章为plotly交互式数据可视化。本章主要介绍了交互式数据可视化库——plotly，并根据不同类型可视化图像，介绍了plotly中的相关函数的使用。

第7章为Python其他交互式数据可视化库。本章主要介绍了Python中两个交互式数据可视化库——Bokeh和pyecharts，并介绍了如何使用这两个库中相关函数获得可交互的图表。

第8章为足球运动员数据可视化分析。本章使用了一个具体的数据集进行一个完整的数据可视化分析流程，主要内容包括数据获取、数据清洗与预处理、数据探索性可视化分析、数据建模可视化分析等。

第9章为抗乳腺癌候选药物可视化分析。本章使用了一个抗乳腺癌候选药物可视化分析案例，主要内容包括特征选择与可视化、回归分析与可视化、二分类模型与可视化。

第10章为时序数据的异常值检测和预测。本章主要介绍了一个真实的时序数据应用案例，主要内容包括时序数据的可视化分析、异常值检验与预测等。

第11章为中药材鉴别数据可视化分析。本章介绍了一个中药材鉴别数据可视化分析案例，主要内容包括使用聚类算法对数据进行无监督学习，使用分类算法对数据进行有监督学习，将数据主成分降维与标签传播算法相结合对数据进行半监督学习。

由于作者水平有限，编写时间仓促，书中难免存在疏漏和错误，敬请读者不吝赐教。

海南省自然科学基金资助（supported by Hainan Provincial Natural Science Foundation of China）项目批准号：822RC713

扫描以下二维码获取本书视频及附赠资源。

参考文献

...

程序与数据

...

配套PPT

...

配套视频

作者

2024年10月