本書全面講解Python數(shù)據(jù)分析的相關(guān)知識(shí)和技術(shù)，內(nèi)容包括Python數(shù)據(jù)分析概述、NumPy數(shù)值計(jì)算、Matplotlib數(shù)據(jù)可視化、Pandas數(shù)據(jù)分析、數(shù)據(jù)預(yù)處理、Sklearn機(jī)器學(xué)習(xí)?！ ”緯耘囵B(yǎng)學(xué)生編程能力和數(shù)據(jù)分析能力為目標(biāo)，注重技術(shù)應(yīng)用能力的培養(yǎng)?！ ”緯鴥?nèi)容充實(shí)、結(jié)構(gòu)合理、實(shí)用性強(qiáng)，具有明確的應(yīng)用能力培養(yǎng)目標(biāo)，易于接受和理解，學(xué)完本書后，可以具備數(shù)據(jù)分析的基本能力?！ ”緯m合
電子書
內(nèi)容簡(jiǎn)介
全書共12章，主要內(nèi)容包括：商業(yè)數(shù)據(jù)分析概論、Python商業(yè)數(shù)據(jù)存取、Python商業(yè)數(shù)據(jù)圖形繪制與可視化、Python描述性統(tǒng)計(jì)、Python參數(shù)估計(jì)、Python參數(shù)假設(shè)檢驗(yàn)、Python相關(guān)分析、Python一元線性回歸分析、Python多元線性回歸分析、Python時(shí)間序列分析、Python量化金融數(shù)據(jù)分析、Python機(jī)器學(xué)習(xí)。
章節(jié)目錄
- A-fy
- B-bq
- C-qy
- 前言
- D-ml
- 目錄
- 01
- 商業(yè)數(shù)據(jù)分析概論
- 第1章
- 1.1 商業(yè)數(shù)據(jù)分析的概念及其應(yīng)用
- 1.2 商業(yè)數(shù)據(jù)類型
- 1．橫截面數(shù)據(jù)
- 2．時(shí)間序列數(shù)據(jù)
- 3．面板數(shù)據(jù)
- 1.3 商業(yè)數(shù)據(jù)來(lái)源
- 1．專業(yè)性網(wǎng)站
- 2．專業(yè)數(shù)據(jù)公司和信息公司
- 3．抽樣調(diào)查
- 1.4 商業(yè)數(shù)據(jù)分析工具簡(jiǎn)介
- 1．Python數(shù)據(jù)分析工具簡(jiǎn)介
- 2．R數(shù)據(jù)分析工具簡(jiǎn)介
- 3．Stata數(shù)據(jù)分析工具簡(jiǎn)介
- 4．MATLAB數(shù)據(jù)分析工具簡(jiǎn)介
- 5．EViews數(shù)據(jù)分析工具簡(jiǎn)介
- 6．SAS數(shù)據(jù)分析工具簡(jiǎn)介
- 7．SPSS數(shù)據(jù)分析工具簡(jiǎn)介
- 1.5 Python的下載和安裝
- 1．下載安裝Python
- 2．安裝Anaconda
- 3．商業(yè)數(shù)據(jù)分析工具Python的安裝步驟
- 1.6 Python的啟動(dòng)和退出
- 1．Python的啟動(dòng)
- 2．Python的退出
- 1.7 Python商業(yè)數(shù)據(jù)分析相關(guān)的程序包
- 1．Statsmodels程序包
- 2．Scikit-Learn程序包
- 3．Keras程序包
- 1.8 Python商業(yè)數(shù)據(jù)分析快速入門
- 1．?dāng)?shù)據(jù)導(dǎo)入
- 2．?dāng)?shù)據(jù)變換
- 3．統(tǒng)計(jì)描述
- 4．假設(shè)檢驗(yàn)
- 5．可視化
- 6．創(chuàng)建自定義函數(shù)
- 練 習(xí) 題
- 02
- Python商業(yè)數(shù)據(jù)存取
- 第2章
- 2.1 應(yīng)用Python的Pandas包讀取csv格式的本地?cái)?shù)據(jù)
- 2.2 應(yīng)用Python的Pandas包讀取Excel文件格式的本地?cái)?shù)據(jù)
- 2.3 挖地兔Tushare財(cái)經(jīng)網(wǎng)站數(shù)據(jù)存取
- 1．保存為csv格式文件
- 2．讀取csv數(shù)據(jù)文件
- 3．保存為Excel文件
- 4．讀取Excel數(shù)據(jù)文件
- 5．讀取挖地兔財(cái)經(jīng)網(wǎng)站數(shù)據(jù)到內(nèi)存
- 2.4 應(yīng)用Pandas的DataReader包獲取國(guó)外財(cái)經(jīng)網(wǎng)站數(shù)據(jù)
- 1．國(guó)外財(cái)經(jīng)網(wǎng)站數(shù)據(jù)源
- 2．DataReader方法介紹
- 3．Pandas_datareader.data讀取雅虎財(cái)經(jīng)網(wǎng)站的數(shù)據(jù)
- 2.5 應(yīng)用Python的Pandas包進(jìn)行商業(yè)數(shù)據(jù)分析的分組和聚合
- 1．分組、聚合的基本原理
- 2．groupby()函數(shù)
- 3．聚合函數(shù)
- 4．a(chǎn)pply()函數(shù)應(yīng)用
- 練 習(xí) 題
- 03
- Python商業(yè)數(shù)據(jù)圖形繪制與可視化
- 第3章
- 3.1 Python-Matplotlib繪圖基礎(chǔ)
- 3.2 Python直方圖的繪制
- 1．給圖形增加標(biāo)題
- 2．給坐標(biāo)軸增加數(shù)值標(biāo)簽
- 3.3 Python散點(diǎn)圖的繪制
- 3.4 Python氣泡圖的繪制
- 3.5 Python箱圖的繪制
- 3.6 Python餅圖的繪制
- 1．簡(jiǎn)單餅圖的繪制
- 2．復(fù)雜餅圖的繪制
- 3.7 Python條形圖的繪制
- 1．簡(jiǎn)單條形圖的繪制
- 2．復(fù)雜條形圖（又叫“堆積柱形圖”）的繪制
- 3.8 Python折線圖的繪制
- 3.9 Python曲線標(biāo)繪圖的繪制
- 3.10 Python連線標(biāo)繪圖的繪制
- 3.11 Python 3D圖的繪制
- 練 習(xí) 題
- 04
- Python描述性統(tǒng)計(jì)
- 第4章
- 4.1 Python描述性統(tǒng)計(jì)工具
- 4.2 Python數(shù)據(jù)集中趨勢(shì)的度量
- 1．算術(shù)平均值
- 2．加權(quán)算術(shù)平均值
- 3．中位數(shù)
- 4．眾數(shù)
- 5．幾何平均值
- 6．調(diào)和平均值
- 7．點(diǎn)估計(jì)的欺騙性
- 4.3 Python數(shù)據(jù)離散狀況的度量
- 1．范圍（Range）
- 2．平均絕對(duì)偏差（MAD）
- 3．方差和標(biāo)準(zhǔn)差
- 4．下偏方差和下偏標(biāo)準(zhǔn)差
- 5．目標(biāo)下偏方差
- 4.4 Python峰度、偏度與正態(tài)性檢驗(yàn)
- 1．偏度
- 2．峰度
- 3．使用Jarque-Bera的正態(tài)檢驗(yàn)
- 4.5 Python異常數(shù)據(jù)處理
- 1．固定比例法
- 2．均值標(biāo)準(zhǔn)差法
- 3．MAD法
- 4．Boxplot法
- 5．異常數(shù)據(jù)的影響和識(shí)別
- 練 習(xí) 題
- 05
- Python參數(shù)估計(jì)
- 第5章
- 5.1 參數(shù)估計(jì)與置信區(qū)間的含義
- 5.2 Python點(diǎn)估計(jì)
- 5.3 Python單正態(tài)總體均值區(qū)間估計(jì)
- 1．方差(0 = ( 已知時(shí)( 的置信區(qū)間
- 2．方差 未知時(shí) 的置信區(qū)間
- 5.4 Python單正態(tài)總體方差區(qū)間估計(jì)
- 5.5 Python雙正態(tài)總體均值差區(qū)間估計(jì)
- 1．兩方差已知時(shí)兩均值差的置信區(qū)間
- 2．兩方差都未知時(shí)兩均值差的置信區(qū)間
- 5.6 Python雙正態(tài)總體方差比區(qū)間估計(jì)
- 練 習(xí) 題
- 06
- Python參數(shù)假設(shè)檢驗(yàn)
- 第6章
- 6.1 參數(shù)假設(shè)檢驗(yàn)的基本理論
- 1．假設(shè)檢驗(yàn)的概念
- 2．第一類錯(cuò)誤和第二類錯(cuò)誤
- 3．決策規(guī)則
- 4．單個(gè)總體均值的假設(shè)檢驗(yàn)
- 5．兩個(gè)獨(dú)立總體均值的假設(shè)檢驗(yàn)
- 6．成對(duì)比較檢驗(yàn)
- 7．單個(gè)總體方差的假設(shè)檢驗(yàn)
- 8．兩個(gè)總體方差的假設(shè)檢驗(yàn)
- 6.2 Python單個(gè)樣本t檢驗(yàn)
- 6.3 Python兩個(gè)獨(dú)立樣本t檢驗(yàn)
- 6.4 Python配對(duì)樣本t檢驗(yàn)
- 6.5 Python單樣本方差假設(shè)檢驗(yàn)
- 6.6 Python雙樣本方差假設(shè)檢驗(yàn)
- 練 習(xí) 題
- 07
- Python相關(guān)分析
- 第7章
- 7.1 相關(guān)系數(shù)的概念及其相關(guān)性度量
- 1．相關(guān)系數(shù)的概念
- 2．相關(guān)性度量
- 7.2 使用模擬數(shù)據(jù)計(jì)算變量之間的相關(guān)系數(shù)
- 7.3 使用本地?cái)?shù)據(jù)計(jì)算變量之間的相關(guān)系數(shù)
- 7.4 使用網(wǎng)上數(shù)據(jù)計(jì)算變量之間的相關(guān)系數(shù)
- 7.5 通過(guò)相關(guān)系數(shù)熱力圖觀察股票相關(guān)性
- 練 習(xí) 題
- 08
- Python一元線性回歸分析
- 第8章
- 8.1 一元線性回歸分析基本理論
- 1．一元線性回歸分析模型
- 2．一元線性回歸的假設(shè)
- 3．方差分析
- 4．決定系數(shù)
- 5．估計(jì)的標(biāo)準(zhǔn)誤差
- 6．回歸系數(shù)的假設(shè)檢驗(yàn)
- 7．回歸系數(shù)的置信區(qū)間
- 8.2 應(yīng)用Python的Statsmodels工具進(jìn)行一元線性回歸分析
- 1．對(duì)數(shù)據(jù)進(jìn)行描述性分析
- 2．對(duì)數(shù)據(jù)進(jìn)行相關(guān)分析
- 3．一元線性回歸分析的Python的Statsmodels工具應(yīng)用
- 8.3 應(yīng)用Python的Scikit-Learn工具進(jìn)行一元線性回歸分析
- 練 習(xí) 題
- 09
- Python多元線性回歸分析
- 第9章
- 9.1 多元線性回歸分析基本理論
- 1．多元線性回歸模型
- 2．方差分析
- 3．決定系數(shù)
- 4．估計(jì)的標(biāo)準(zhǔn)誤差
- 5．回歸系數(shù)的t檢驗(yàn)和置信區(qū)間
- 6．回歸系數(shù)的F檢驗(yàn)
- 7．虛擬變量
- 9.2 Python多元線性回歸數(shù)據(jù)分析
- 1．對(duì)數(shù)據(jù)進(jìn)行描述性分析
- 2．用數(shù)組對(duì)數(shù)據(jù)做相關(guān)分析
- 3．用數(shù)據(jù)框?qū)?shù)據(jù)做相關(guān)分析
- 4．多元回歸分析的Python的Statsmodels工具應(yīng)用
- 9.3 用Scikit-Learn工具進(jìn)行多元回歸分析
- 1．使用Pandas來(lái)讀取數(shù)據(jù)
- 2．線性回歸模型
- 3．回歸問(wèn)題的評(píng)價(jià)測(cè)度
- 4．特征選擇
- 9.4 Python穩(wěn)健線性回歸分析
- 9.5 Python邏輯回歸分析
- 1．相關(guān)理論
- 2．Python應(yīng)用
- 9.6 Python廣義線性回歸分析
- 1．相關(guān)理論
- 2．Python應(yīng)用
- 9.7 違背回歸分析假設(shè)的計(jì)量檢驗(yàn)
- 1．多元線性回歸假設(shè)
- 2．異方差性
- 3．序列相關(guān)性（自相關(guān)性）
- 4．多重共線性
- 5．總結(jié)
- 9.8 Python自相關(guān)性診斷與消除
- 9.9 Python異方差診斷與消除
- 1．Spearman等級(jí)相關(guān)系數(shù)檢驗(yàn)
- 2．懷特（White）檢驗(yàn)
- 3．消除異方差的方法
- 4．異方差診斷的Python應(yīng)用
- 5．異方差消除的Python應(yīng)用
- 9.10 Python多重共線性的診斷與消除
- 1．多重共線性的基本理論
- 2．消除多重共線性的方法
- 3．多重共線性診斷的Python應(yīng)用
- 4．多重共線性消除的Python應(yīng)用
- 練 習(xí) 題
- 10
- Python時(shí)間序列分析
- 第10章
- 10.1 時(shí)間序列基礎(chǔ)
- 1．線性趨勢(shì)模型（Linear Trend Modal）
- 2．對(duì)數(shù)線性趨勢(shì)模型（Log-Linear Trend Modal）
- 3．自回歸模型（Autoregressive Model）
- 4．自回歸模型的問(wèn)題：平穩(wěn)的時(shí)間序列數(shù)據(jù)
- 5．隨機(jī)游走模型（Rardom Walk）
- 6．自回歸條件異方差模型
- 7．時(shí)間序列分析的邏輯關(guān)系
- 8．回歸中的時(shí)間序列問(wèn)題
- 10.2 時(shí)間序列的相關(guān)概念及其Python應(yīng)用
- 1．時(shí)間序列的概念及其特征
- 2．時(shí)間序列的特征
- 3．平穩(wěn)性
- 4．相關(guān)系數(shù)
- 5．自相關(guān)函數(shù)
- 6．白噪聲序列和線性時(shí)間序列
- 10.3 自回歸模型
- 1．AR模型的特征根及平穩(wěn)性檢驗(yàn)
- 2．AR模型的定階
- 3．AR模型的檢驗(yàn)
- 4．?dāng)M合優(yōu)度及預(yù)測(cè)
- 10.4 移動(dòng)平均模型
- 1．MA模型的性質(zhì)
- 2．MA模型的定階
- 3．MA模型的建立和預(yù)測(cè)
- 10.5 自回歸移動(dòng)平均模型
- 1．ARMA模型的定階
- 2．ARMA模型的建立及預(yù)測(cè)
- 10.6 差分自回歸移動(dòng)平均模型
- 1．單位根檢驗(yàn)
- 2．ARIMA模型階次的確定
- 3．ARIMA模型的建立及預(yù)測(cè)
- 10.7 自回歸條件異方差模型的建立及預(yù)測(cè)
- 1．波動(dòng)率的特征
- 2．自回歸條件異方差模型的基本原理
- 3．ARCH模型的建立
- 10.8 廣義自回歸條件異方差模型的建立與波動(dòng)率預(yù)測(cè)
- 1．GARCH模型的建立
- 2．GARCH模型的波動(dòng)率預(yù)測(cè)
- 練 習(xí) 題
- 11
- Python量化金融數(shù)據(jù)分析
- 第11章
- 11.1 Python金融數(shù)據(jù)描述性統(tǒng)計(jì)
- 1．程序包準(zhǔn)備
- 2．選擇股票代號(hào)獲取股票數(shù)據(jù)
- 3．查看數(shù)據(jù)和清理數(shù)據(jù)
- 4．股票數(shù)據(jù)的可視化
- 5．不同時(shí)間序列數(shù)據(jù)集的不同統(tǒng)計(jì)數(shù)值
- 6．通過(guò)分位數(shù)qq圖檢查代碼的數(shù)據(jù)
- 7．正態(tài)性檢驗(yàn)
- 11.2 Python在戰(zhàn)勝股票市場(chǎng)策略可視化中的應(yīng)用
- 1．使用Pandas_datareader導(dǎo)入數(shù)據(jù)
- 2．收益率
- 3．原始輸出總和
- 4．創(chuàng)建一幅日收益率柱狀圖
- 5．Pandas投資組合相關(guān)性的年度線性圖
- 6．各資產(chǎn)收益率的累積和
- 7．Pandas組合相關(guān)性的百分比變化
- 8．標(biāo)準(zhǔn)普爾500指數(shù)的累積收益率圖
- 9．戰(zhàn)勝股票市場(chǎng)的數(shù)據(jù)展示
- 11.3 Python在資產(chǎn)組合均值方差模型中的應(yīng)用
- 1．資產(chǎn)組合的可行集
- 2．有效邊界與有效組合
- 3．標(biāo)準(zhǔn)均值方差模型的求解
- 4．標(biāo)準(zhǔn)均值方差模型的Python計(jì)算
- 11.4 Python繪制投資組合有效邊界
- 11.5 Python繪制尋找Markowitz最優(yōu)投資組合
- 1．Markowitz最優(yōu)投資組合基本理論
- 2．投資組合優(yōu)化的Python應(yīng)用
- 11.6 Python實(shí)現(xiàn)量化投資統(tǒng)計(jì)套利協(xié)整配對(duì)交易策略
- 1．協(xié)整基本知識(shí)
- 2．平穩(wěn)性檢驗(yàn)及其實(shí)例
- 3．基于Bigquant平臺(tái)統(tǒng)計(jì)套利的協(xié)整配對(duì)交易策略
- 4．基于Python環(huán)境的配對(duì)交易策略
- 練 習(xí) 題
- 12
- Python機(jī)器學(xué)習(xí)
- 第12章
- 12.1 機(jī)器學(xué)習(xí)算法分類
- 1．監(jiān)督式學(xué)習(xí)算法
- 2．非監(jiān)督式學(xué)習(xí)算法
- 3．強(qiáng)化學(xué)習(xí)算法
- 12.2 常見(jiàn)的機(jī)器學(xué)習(xí)算法及其Python代碼
- 1．線性回歸算法
- 2．邏輯回歸算法
- 3．決策樹(shù)算法
- 4．支持向量機(jī)分類算法
- 5．樸素貝葉斯分類算法
- 6．K-最近鄰算法
- 7．K-均值算法
- 8．隨機(jī)森林算法
- 9．降維算法
- 10．Gradient Boosting和Ada Boosting算法
- 12.3 Python實(shí)現(xiàn)K-最近鄰算法銀行貸款分類
- 1．準(zhǔn)備工作
- 2．讀取并查看數(shù)據(jù)表
- 3．繪制散點(diǎn)圖觀察分類
- 4．建立分類模型
- 5．使用測(cè)試集對(duì)模型進(jìn)行測(cè)試
- 12.4 Python實(shí)現(xiàn)各種機(jī)器學(xué)習(xí)算法
- 1．載入數(shù)據(jù)
- 2．分類
- 3．支持向量機(jī)
- 4．聚類
- 5．用主成分分析（PCA）降維
- 6．線性模型：從回歸到稀疏
- 7．交叉驗(yàn)證估計(jì)器
- 12.5 Python實(shí)現(xiàn)K-最近鄰算法分類
- 1．人工生成數(shù)據(jù)的K-最近鄰算法分類Python應(yīng)用
- 2．實(shí)際數(shù)據(jù)的K-最近鄰算法分類Python應(yīng)用
- 練 習(xí) 題
展開(kāi)全部
Python商業(yè)數(shù)據(jù)分析是2020年由人民郵電出版社出版,作者編著。
溫馨提示：
1.本電子書已獲得正版授權(quán)，由出版社通過(guò)知傳鏈發(fā)行。
2.該電子書為虛擬物品，付費(fèi)之后概不接收任何理由退款。電子書內(nèi)容僅支持在線閱讀，不支持下載。
3.您在本站購(gòu)買的閱讀使用權(quán)僅限于您本人閱讀使用，您不得/不能給任何第三方使用，由此造成的一切相關(guān)后果本平臺(tái)保留向您追償索賠的權(quán)利！版權(quán)所有，后果自負(fù)！
得書感謝您對(duì)《Python商業(yè)數(shù)據(jù)分析》關(guān)注和支持，如本書內(nèi)容有不良信息或侵權(quán)等情形的，請(qǐng)聯(lián)系本網(wǎng)站。
電子書
電子書
本書緊跟數(shù)據(jù)分析的最新發(fā)展趨勢(shì)，基于Python的數(shù)據(jù)分析平臺(tái)和工具，介紹數(shù)據(jù)分析的相關(guān)知識(shí)與技能。本書共7個(gè)項(xiàng)目，分為3部分：基礎(chǔ)部分、數(shù)據(jù)分析部分、機(jī)器學(xué)習(xí)實(shí)戰(zhàn)部分?；A(chǔ)部分包括項(xiàng)目一和項(xiàng)目二，介紹數(shù)據(jù)分析環(huán)境的搭建，以及NumPy的理論和實(shí)踐知識(shí)；數(shù)據(jù)分析部分包括項(xiàng)目三~項(xiàng)目六，結(jié)合案例介紹數(shù)據(jù)檢查、數(shù)據(jù)呈現(xiàn)、數(shù)據(jù)多維化等，涵蓋真實(shí)數(shù)據(jù)分析工作的完整流程；機(jī)器學(xué)習(xí)實(shí)戰(zhàn)部分只包括項(xiàng)目七，利用一
電子書
本書面向大數(shù)據(jù)應(yīng)用型人才，以任務(wù)為導(dǎo)向，系統(tǒng)地介紹Python數(shù)據(jù)分析與挖掘的常用技術(shù)與真實(shí)案例。全書共7章，第1、2章介紹Python數(shù)據(jù)分析的常用模塊及其應(yīng)用，涵蓋NumPy數(shù)值計(jì)算模塊、pandas數(shù)據(jù)分析模塊，較為系統(tǒng)地闡述Python數(shù)據(jù)分析的方法；第3、4章介紹輕量級(jí)的數(shù)據(jù)交換格式JSON和連接MySQL數(shù)據(jù)庫(kù)的pymysql模塊，并以此進(jìn)行數(shù)據(jù)綜合案例的分析；第5章介紹Matplot
電子書
本書主要介紹如何使用Python處理Excel數(shù)據(jù)。本書內(nèi)容分為三大部分：第一部分主要介紹數(shù)據(jù)分析的概念和Python基礎(chǔ)；第二部分通過(guò)蜂蜜電商數(shù)據(jù)分析案例詳細(xì)介紹數(shù)據(jù)分析的技術(shù)要點(diǎn)，包括讀寫Excel文件所需的xlwings庫(kù)和openpyxl庫(kù)、數(shù)據(jù)分析的pandas核心庫(kù)，以及數(shù)據(jù)可視化常用的Matplotlib庫(kù)和Seaborn庫(kù)；第三部分包括個(gè)人消費(fèi)貸款數(shù)據(jù)分析和螺螄粉連鎖店銷售數(shù)據(jù)分析
電子書
隨著云計(jì)算、大數(shù)據(jù)等的快速發(fā)展，越來(lái)越多的組織用信息化手段進(jìn)行流程管理。如何提升流程執(zhí)行的智能化程度、動(dòng)態(tài)性和柔性，以提高對(duì)非標(biāo)準(zhǔn)業(yè)務(wù)的管理效率，是流程管理面臨的一個(gè)重要問(wèn)題。本書基于流程管理系統(tǒng)積累的日志，提出了3種流程管理的工作流活動(dòng)推薦方法，分別為基于用戶類別近鄰的活動(dòng)推薦方法、基于Pearson相關(guān)系數(shù)的活動(dòng)推薦方法和基于協(xié)同過(guò)濾的活動(dòng)推薦方法，并介紹了一種流程信息的可視化算法，實(shí)現(xiàn)了一個(gè)
電子書
隨著企業(yè)數(shù)字化轉(zhuǎn)型不斷深化，企業(yè)對(duì)數(shù)據(jù)庫(kù)工程師的需求越來(lái)越大。本書結(jié)合實(shí)際工作場(chǎng)景，將企業(yè)數(shù)據(jù)庫(kù)運(yùn)維的相關(guān)工作分為10個(gè)項(xiàng)目，內(nèi)容包括了解數(shù)據(jù)庫(kù)運(yùn)維工作，安裝和配置MySQL，管理MySQL權(quán)限與安全，分析MySQL日志，備份與恢復(fù)MySQL，監(jiān)控、測(cè)試并優(yōu)化MySQL性能，MySQL復(fù)制，搭建及運(yùn)維MySQLCluster，結(jié)合Redis的MySQL運(yùn)維，數(shù)據(jù)庫(kù)自動(dòng)化運(yùn)維。本書配套教學(xué)PPT、題
電子書
《Python程序設(shè)計(jì)——編程基礎(chǔ)、Web開(kāi)發(fā)及數(shù)據(jù)分析》系統(tǒng)講述了Python程序設(shè)計(jì)的基礎(chǔ)知識(shí)。全書共15章，內(nèi)容包括：Python概述、Python基本語(yǔ)法、Python的基本流程控制、Python的四種典型序列結(jié)構(gòu)、Python函數(shù)、Python文件和數(shù)據(jù)庫(kù)操作、面向?qū)ο蟪绦蛟O(shè)計(jì)、模塊和包、字符串操作與正則表達(dá)式的使用、錯(cuò)誤及異常處理、GUI編程、網(wǎng)絡(luò)和多線程編程、基于Flask框架的We
電子書
本書是從實(shí)踐出發(fā)，同時(shí)結(jié)合一線教師的實(shí)踐教學(xué)經(jīng)驗(yàn)，以示例為主線，把可視化需要的Python基礎(chǔ)語(yǔ)法，Numpy和pandas包中數(shù)據(jù)結(jié)構(gòu)及讀取Excel/CSV文件操作、無(wú)效數(shù)據(jù)處理操作，Matplotlib和pandas包的不同種類圖形繪制框架代碼等內(nèi)容都融入到示例中，通過(guò)示例，循序漸進(jìn)、淺顯易懂地講解可視化分析所需要的知識(shí)點(diǎn)。 本書適合Python可視化初學(xué)者使用，也可作為相關(guān)機(jī)構(gòu)的培訓(xùn)用書
