Python Data Science. Niezb - Helion

Autor: Jake VanderPlas
Tytuł oryginału: Python Data Science Handbook: Essential Tools for Working with Data, 2nd Edition
Tłumaczenie: Filip Kami
ISBN: 978-83-289-0068-4
stron: 557, Format: 165x235, okładka: mi
Data wydania: 2023-07-01
Księgarnia: Helion

Cena książki: 77,40 zł (poprzednio: 129,00 zł)
Oszczędzasz: 40% (-51,60 zł)

Osoby, które kupiły tę książkę, wybierały także »

Tagi: Python - Programowanie

Python udost

Osoby które kupowały "Python Data Science. Niezb", wybierały także:

GraphQL. Kurs video. Buduj nowoczesne API w Pythonie 169,00 zł, (50,70 zł -70%)
Receptura na Python. Kurs Video. 54 praktyczne porady dla programist 199,00 zł, (59,70 zł -70%)
Podstawy Pythona z Minecraftem. Kurs video. Piszemy pierwsze skrypty 149,00 zł, (44,70 zł -70%)
Twórz gry w Pythonie. Kurs video. Poznaj bibliotekę PyGame 249,00 zł, (74,70 zł -70%)
Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego 199,00 zł, (59,70 zł -70%)

Spis treści

Python Data Science. Niezbędne narzędzia do pracy z danymi. Wydanie II -- spis treści

Wprowadzenie

Część I. Jupyter - coś więcej niż zwykły Python

1. Wprowadzenie do IPythona oraz Jupytera
- Uruchamianie powłoki IPythona
- Uruchamianie Jupyter Notebook
- IPython - pomoc i dokumentacja
  - Dostęp do dokumentacji za pomocą ?
  - Dostęp do kodu źródłowego za pomocą ??
  - Przeglądanie zawartości modułów za pomocą autouzupełniania z tabulatorem
- Skróty klawiaturowe w powłoce IPython
  - Skróty do nawigacji
  - Skróty do wprowadzania tekstu
  - Skróty związane z historią poleceń
  - Pozostałe skróty
2. Funkcje interaktywne
- Magiczne polecenia IPythona
  - Uruchamianie zewnętrznego kodu za pomocą %run
  - Pomiar czasu wykonania za pomocą %timeit
  - Pomoc dotycząca magicznych poleceń ?, %magic i %lsmagic
- Historia wejścia i wyjścia
  - Obiekty In i Out IPythona
  - Symbol podkreślenia i poprzednie wyjścia
  - Wyłączanie wyjścia
  - Inne magiczne polecenia
- Polecenia IPythona i powłoki
  - Krótkie wprowadzenie do powłoki
  - Polecenia powłoki w IPythonie
  - Przekazywanie wartości do i z powłoki
  - Magiczne polecenia związane z powłoką
3. Debugowanie i profilowanie
- Błędy i debugowanie
  - Kontrolowanie wyjątków za pomocą %xmode
  - Debugowanie - gdy lektura śladu nie wystarcza
- Profilowanie kodu i pomiary czasu jego wykonania
  - Pomiar czasu wykonania fragmentu kodu za pomocą %timeit i %time
  - Profilowanie całych skryptów za pomocą %prun
  - Profilowanie linia po linii za pomocą %lprun
  - Profilowanie pamięci za pomocą %memit i %mprun
- Więcej materiałów na temat IPythona
  - Materiały dostępne w sieci
  - Książki

Część II. Wprowadzenie do NumPy

4. Zrozumieć typy danych w Pythonie
- Typ całkowitoliczbowy w Pythonie to coś więcej niż zwykły int
- Lista w Pythonie to coś więcej niż zwykła lista
- Tablice o stałym typie w Pythonie
- Tworzenie tablic z list
- Tworzenie tablic od podstaw
- Standardowe typy danych NumPy
5. Podstawy pracy z tablicami NumPy
- Atrybuty tablicy NumPy
- Indeksowanie tablicy - dostęp do pojedynczych elementów
- Slicing, czyli sposób na dostęp do podtablic
  - Jednowymiarowe podtablice
  - Wielowymiarowe podtablice
  - Podtablice jako widoki bez kopiowania
  - Kopiowanie tablic
- Zmiana kształtu tablic
- Konkatenacja i dzielenie tablic
  - Konkatenacja tablic
  - Dzielenie tablic
6. Obliczenia z użyciem tablic NumPy - funkcje uniwersalne
- Powolność pętli
- Wprowadzenie do funkcji uniwersalnych
- Przegląd funkcji uniwersalnych dostępnych w NumPy
  - Arytmetyka tablicowa
  - Wartość bezwzględna
  - Funkcje trygonometryczne
  - Potęgi i logarytmy
  - Funkcje uniwersalne do zastosowań specjalnych
- Zaawansowane możliwości funkcji uniwersalnych
  - Określanie miejsca zapisu danych wyjściowych
  - Agregacje
  - Metoda outer
- Więcej materiałów na temat funkcji uniwersalnych
7. Agregacje - minimum, maksimum i wszystko pomiędzy nimi
- Sumowanie wartości w tablicy
- Minimum i maksimum
  - Agregacja w wielu wymiarach
  - Inne funkcje agregujące
- Przykład: jaki jest średni wzrost prezydenta USA?
8. Obliczenia na tablicach - broadcasting
- Co to jest broadcasting?
- Zasady broadcastingu
  - Pierwszy przykład
  - Drugi przykład
  - Trzeci przykład
- Broadcasting w praktyce
  - Centrowanie wartości w tablicy
  - Rysowanie wykresów funkcji dwuwymiarowych
9. Porównania, maski i logika boolowska
- Przykład: sprawdzanie, przez ile dni padało
- Operatory porównania jako funkcje uniwersalne
- Praca z tablicami wartości logicznych
  - Zliczanie wpisów
  - Operatory logiczne
- Tablice wartości logicznych jako maski
- Słowa kluczowe and i or kontra operatory &/|
10. Fancy indexing
- Jak działa fancy indexing?
- Łączenie różnych metod indeksowania
- Przykład: wybieranie losowych punktów
- Modyfikowanie wartości za pomocą fancy indexingu
- Przykład: podział danych na kubełki
11. Sortowanie tablic
- Szybkie sortowanie w NumPy - np.sort i np.argsort
- Sortowanie wzdłuż wierszy lub kolumn
- Sortowanie częściowe - partycjonowanie
- Przykład: metoda k najbliższych sąsiadów
12. Dane ustrukturyzowane - ustrukturyzowane tablice NumPy
- Tworzenie ustrukturyzowanych tablic
- Bardziej zaawansowane typy złożone
- Tablice rekordów - ustrukturyzowane tablice z niespodzianką
- W stronę Pandas

Część III. Przekształcanie danych za pomocą Pandas

13. Wprowadzenie do obiektów Pandas
- Obiekt typu Series
  - Obiekty typu Series jako uogólnienie tablic NumPy
  - Obiekt typu Series jako szczególny rodzaj słownika
  - Tworzenie obiektów typu Series
- Obiekt typu DataFrame
  - Ramka danych jako uogólnienie tablicy NumPy
  - Ramka danych jako szczególny rodzaj słownika
  - Tworzenie obiektów typu DataFrame
- Obiekt typu Index
  - Indeks jako niemutowalna tablica
  - Indeks jako uporządkowany zbiór
14. Indeksowanie i wybieranie
- Wybór danych z obiektów typu Series
  - Obiekt typu Series jako słownik
  - Obiekt typu Series jako jednowymiarowa tablica
  - Indeksatory: loc i iloc
- Wybór danych z obiektów typu DataFrame
  - Obiekt typu DataFrame jako słownik
  - Obiekt typu DataFrame jako dwuwymiarowa tablica
  - Inne konwencje związane z indeksowaniem
15. Operacje na danych w Pandas
- Funkcje uniwersalne - zachowanie indeksu
- Funkcje uniwersalne - dopasowanie indeksu
  - Dopasowanie indeksu w obiektach typu Series
  - Dopasowanie indeksu w obiektach typu DataFrame
- Funkcje uniwersalne - operacje pomiędzy ramkami danych a obiektami typu Series
16. Obsługa brakujących danych
- Kompromisy w konwencjach dotyczących brakujących danych
- Brakujące dane w Pandas
  - None jako rodzaj wartownika
  - NaN - brakujące dane liczbowe
  - NaN i None w Pandas
- Nullowalne typy danych w Pandas
- Praca z wartościami typu null
  - Wykrywanie wartości typu null
  - Usuwanie wartości typu null
  - Uzupełnianie braków
17. Indeksowanie hierarchiczne
- Wielokrotnie indeksowane obiekty typu Series
  - Zły sposób
  - Lepszy sposób - MultiIndex z Pandas
  - MultiIndex jako dodatkowy wymiar
- MultiIndex - metody tworzenia
  - Tworzenie indeksu hierarchicznego z użyciem jawnego konstruktora
  - Nazwy poziomów indeksu hierarchicznego
  - MultiIndex dla kolumn
- MultiIndex - indeksowanie i slicing
  - Obiekty typu Series z wielokrotnymi indeksami
  - Obiekty typu DataFrame z wielokrotnymi indeksami
- MultiIndex - zmiana kolejności
  - Posortowane i nieposortowane indeksy
  - Metody stack i unstack
  - Ustawianie i resetowanie indeksu
18. Łączenie zbiorów danych - concat i append
- Przypomnienie: konkatenacja tablic NumPy
- Prosta konkatenacja za pomocą pd.concat
  - Zduplikowane indeksy
  - Konkatenacja za pomocą złączeń
  - Metoda append
19. Łączenie zbiorów danych - merge i join
- Algebra relacji
- Rodzaje złączeń
  - Złączenia jeden-do-jednego
  - Złączenia wiele-do-jednego
  - Złączenia wiele-do-wielu
- Określanie klucza, na podstawie którego ma być wykonane złączenie
  - Słowo kluczowe on
  - Słowa kluczowe left_on i right_on
  - Słowa kluczowe left_index i right_index
- Wykorzystanie arytmetyki zbiorów w złączeniach
- Nakładające się nazwy kolumn - słowo kluczowe suffixes
- Przykład: dane dotyczące stanów USA
20. Agregacja i grupowanie
- Dane na temat planet
- Prosta agregacja w Pandas
- Grupowanie - podziel, zastosuj funkcję, połącz
  - Podziel, zastosuj funkcję, połącz
  - Obiekt GroupBy
  - Agregacja, filtrowanie, transformacja, wywoływanie funkcji
  - Określanie sposobu podziału
  - Przykład grupowania
21. Tabele przestawne
- Dane na potrzeby przykładu
- Ręczne tworzenie tabel przestawnych
- Składnia tabel przestawnych
  - Wielopoziomowe tabele przestawne
  - Dodatkowe opcje tabel przestawnych
- Przykład: dane dotyczące liczby urodzeń
22. Zwektoryzowane operacje na łańcuchach znaków
- Wprowadzenie do pracy z łańcuchami znaków w Pandas
- Metody pracujące na łańcuchach znaków w Pandas
  - Metody podobne do metod znanych z Pythona
  - Metody wykorzystujące wyrażenia regularne
  - Różne metody
- Przykład: baza przepisów
  - Prosty system rekomendacji przepisów
  - Jak można rozwinąć ten projekt?
23. Praca z szeregami czasowymi
- Daty i godziny w Pythonie
  - Daty i godziny w Pythonie - datetime i dateutil
  - Typowane tablice znaczników czasu - datetime64 z NumPy
  - Daty i godziny w Pandas - najlepsze elementy z obu światów
- Szeregi czasowe w Pandas - indeksowanie według czasu
- Struktury danych do przechowywania szeregów czasowych w Pandas
- Regularne sekwencje dat - pd.date_range
- Częstotliwości i przesunięcia
- Ponowne próbkowanie, przesuwanie i okna
  - Ponowne próbkowanie i zmiana częstotliwości
  - Przesunięcia w czasie
  - Ruchome okna
- Przykład: wizualizacja danych o liczbie rowerów w Seattle
  - Wizualizacja danych
  - Zagłębianie się w dane
24. Wysoka wydajność w Pandas - eval i query
- Dlaczego warto zastosować query i eval - wyrażenia złożone
- Wydajne operacje z użyciem pandas.eval
- Operacje na kolumnach z użyciem DataFrame.eval
  - Przypisanie w DataFrame.eval
  - Zmienne lokalne w DataFrame.eval
- Metoda DataFrame.query
- Wydajność - kiedy warto korzystać z tych funkcji
- Materiały dodatkowe

Część IV. Wizualizacja z użyciem Matplotlib

25. Wskazówki dotyczące korzystania z Matplotlib
- Importowanie Matplotlib
- Ustawianie stylów
- Czy trzeba używać show()? Jak wyświetlić wygenerowane wykresy?
  - Rysowanie z poziomu skryptu
  - Rysowanie z poziomu IPythona
  - Rysowanie z poziomu notatnika Jupytera
  - Zapisywanie rysunków do pliku
  - Dwa interfejsy w cenie jednego
26. Proste wykresy liniowe
- Dostosowywanie wykresu - kolory i style linii
- Dostosowywanie wykresu - granice osi
- Etykietowanie wykresów
- Pułapki Matplotlib
27. Proste wykresy punktowe
- Tworzenie wykresów punktowych za pomocą plt.plot
- Tworzenie wykresów punktowych za pomocą plt.scatter
- plot a scatter - uwaga na temat wydajności
- Wizualizacja niepewności
  - Słupki błędów
  - Błędy ciągłe
28. Wykresy gęstości i wykresy konturowe
- Wizualizacja trójwymiarowych funkcji
- Histogramy, kubełki i gęstości
- Dwuwymiarowe histogramy i podział danych na kubełki
  - plt.hist2d - dwuwymiarowy histogram
  - plt.hexbin - podział na sześciokątne kubełki
  - Jądrowy estymator gęstości
29. Dostosowywanie legend
- Wybór elementów do legendy
- Legenda opisująca rozmiary punktów
- Wiele legend
30. Dostosowywanie pasków kolorów
- Dostosowywanie pasków kolorów
  - Wybór mapy kolorów
  - Granice kolorów i wartości spoza zakresu
  - Dyskretne paski kolorów
- Przykład: odręcznie zapisane cyfry
31. Podwykresy
- plt.axes - manualne tworzenie podwykresów
- plt.subplot - proste siatki podwykresów
- plt.subplots - cała siatka za jednym zamachem
- plt.GridSpec - bardziej skomplikowane układy
32. Tekst i adnotacje
- Przykład: wpływ świąt na liczbę urodzeń w Stanach Zjednoczonych
- Transformacje i położenie tekstu
- Strzałki i adnotacje
33. Dostosowywanie znaczników osi
- Główne i dodatkowe podziałki
- Ukrywanie podziałek lub ich etykiet
- Zmniejszenie lub zwiększenie liczby podziałek
- Inne możliwości formatowania podziałek
- Lokalizatory i formatery - podsumowanie
34. Dostosowywanie wykresów - konfiguracja i style
- Ręczne dostosowywanie wykresów
- Zmiana ustawień domyślnych - rcParams
- Arkusze stylów
  - Styl domyślny
  - Styl FiveThiryEight
  - Styl ggplot
  - Styl z książki Bayesian Methods for Hackers
  - Ciemne tło
  - Rysunki w skali szarości
  - Styl Seaborn
35. Wykresy w przestrzeni trójwymiarowej
- Trójwymiarowe punkty i krzywe
- Trójwymiarowe wykresy konturowe
- Wykresy typu wireframe i wykresy powierzchniowe
- Triangulacja powierzchni
- Przykład: wizualizacja wstęgi Möbiusa
36. Wizualizacje z użyciem pakietu Seaborn
- Przegląd możliwości pakietu Seaborn
  - Histogramy, jądrowy estymator gęstości i wykresy gęstości
  - Wykresy typu pairplot
  - Grupy histogramów
- Wykresy typu catplot
  - Wspólne rozkłady prawdopodobieństwa
  - Wykresy słupkowe
- Przykład: eksploracja danych na temat czasu ukończenia maratonu
- Materiały dodatkowe
- Inne biblioteki do wizualizacji danych w Pythonie

Część V. Uczenie maszynowe

37. Czym jest uczenie maszynowe?
- Rodzaje uczenia maszynowego
- Przykłady problemów uczenia maszynowego
  - Klasyfikacja, czyli przewidywanie dyskretnych etykiet
  - Regresja, czyli przewidywanie ciągłych etykiet
  - Klasteryzacja, czyli ustalanie etykiet w oparciu o nieetykietowane dane
  - Redukcja wymiarowości - wnioskowanie o strukturze danych pozbawionych etykiet
- Podsumowanie
38. Wprowadzenie do Scikit-Learn
- Reprezentacja danych w Scikit-Learn
  - Macierz cech
  - Tablica wartości docelowych
- API Estimator
  - Podstawy korzystania z API
  - Przykład uczenia nadzorowanego: prosta regresja liniowa
  - Przykład uczenia nadzorowanego: klasyfikacja irysów
  - Przykład uczenia nienadzorowanego: redukcja wymiarowości w zbiorze Iris
  - Przykład uczenia nienadzorowanego: klasteryzacja irysów
- Zastosowanie: eksploracja zbioru odręcznie zapisanych cyfr
  - Wczytywanie i wizualizacja danych
  - Przykład uczenia nienadzorowanego: redukcja wymiarowości
  - Klasyfikacja cyfr
- Podsumowanie
39. Hiperparametry i walidacja modelu
- Walidacja modelu
  - Niewłaściwy sposób walidacji modelu
  - Właściwy sposób walidacji modelu, czyli podział danych na zbiór uczący i testowy
  - Walidacja modelu za pomocą walidacji krzyżowej
- Wybór najlepszego modelu
  - Kompromis pomiędzy obciążeniem a wariancją
  - Krzywe walidacji w Scikit-Learn
- Krzywe uczenia
- Walidacja w praktyce - wyszukiwanie w siatce
- Podsumowanie
40. Inżynieria cech
- Cechy o charakterze kategorialnym
- Cechy tekstowe
- Konwersja obrazów na cechy
- Cechy pochodne
- Imputacja brakujących danych
- Potoki przetwarzania w inżynierii cech
41. Dogłębne spojrzenie - naiwny klasyfikator Bayesa
- Klasyfikacja bayesowska
- Naiwny gaussowski klasyfikator Bayesa
- Naiwny wielomianowy klasyfikator Bayesa
  - Przykład: klasyfikacja tekstu
- Kiedy korzystać z naiwnego klasyfikatora Bayesa
42. Dogłębne spojrzenie - regresja liniowa
- Prosta regresja liniowa
- Regresja funkcjami bazowymi
  - Wielomianowe funkcje bazowe
  - Gaussowskie funkcje bazowe
- Regularyzacja
  - Regresja grzbietowa (regularyzacja L)
  - Regresja lasso (regularyzacja L)
- Przykład: przewidywanie ruchu rowerowego
43. Dogłębne spojrzenie - maszyny wektorów nośnych
- Motywacje dla maszyn wektorów nośnych
- Maszyny wektorów nośnych - maksymalizacja marginesu
  - Dopasowywanie maszyny wektorów nośnych
  - Maszyny wektorów nośnych z nieliniowymi granicami - jądrowy SVM
  - Dostrajanie SVM - zmiękczanie marginesów
- Przykład: rozpoznawanie twarzy
- Podsumowanie
44. Dogłębne spojrzenie - drzewa decyzyjne i lasy losowe
- Motywacje dla lasów losowych - drzewa decyzyjne
  - Tworzenie drzewa decyzyjnego
  - Drzewa decyzyjne i nadmierne dopasowanie
- Zespoły estymatorów - lasy losowe
- Regresja z użyciem lasów losowych
- Przykład: wykorzystanie lasu losowego do klasyfikacji cyfr
- Podsumowanie
45. Dogłębne spojrzenie - analiza głównych składowych
- Wprowadzenie do analizy głównych składowych
  - PCA jako metoda redukcji wymiarowości
  - Wykorzystanie PCA do wizualizacji - odręcznie zapisane cyfry
  - Co reprezentują składowe?
  - Wybór liczby składowych
- PCA jako metoda filtrowania szumów
- Przykład: rozpoznawanie twarzy
- Podsumowanie
46. Dogłębne spojrzenie - manifold learning
- Manifold learning - słowo "hello"
- Skalowanie wielowymiarowe
  - Skalowanie wielowymiarowe jako metoda manifold learningu
  - Osadzenia nieliniowe - gdy zawodzi skalowanie wielowymiarowe
- Rozmaitości nieliniowe - lokalnie liniowe osadzanie
- Kilka przemyśleń na temat metod manifold learningu
- Przykład: mapowanie izometryczne w zbiorze zdjęć twarzy
- Przykład: wizualizacja struktury w liczbach
47. Dogłębne spojrzenie - klasteryzacja za pomocą algorytmu k-średnich
- Wprowadzenie do algorytmu k-średnich
- Estymacja-maksymalizacja
- Przykłady
  - Przykład 1. Algorytm k-średnich w zbiorze digits
  - Przykład 2. Algorytm k-średnich w kompresji kolorów
48. Dogłębne spojrzenie - modele mieszanin rozkładów Gaussa
- Motywacje dla modeli mieszanin rozkładów Gaussa - słabości algorytmu k-średnich
- Uogólnienie algorytmu EM - modele mieszanin rozkładów Gaussa
- Wybór rodzaju kowariancji
- Modele mieszanin rozkładów Gaussa jako narzędzie do szacowania gęstości
- Przykład: wykorzystanie GMM do generowania nowych danych
49. Dogłębne spojrzenie - jądrowy estymator gęstości
- Motywacje dla jądrowego estymatora gęstości - histogramy
- Jądrowy estymator gęstości w praktyce
- Wybór parametru wygładzania za pomocą walidacji krzyżowej
- Przykład: nie tak naiwny klasyfikator Bayesa
  - Anatomia niestandardowego estymatora
  - Korzystanie z naszego niestandardowego estymatora
50. Zastosowanie - potok przetwarzania do wykrywania twarzy
- Cechy HOG
- HOG w akcji - prosty detektor twarzy
  - 1. Stwórz zbiór "pozytywnych" próbek
  - 2. Stwórz zbiór "negatywnych" próbek
  - 3. Połącz zbiory i wyodrębnij cechy HOG
  - 4. Wytrenuj maszynę wektorów nośnych
  - 5. Znajdź twarze na nowym zdjęciu
- Zastrzeżenia i ulepszenia
- Materiały dodatkowe na temat uczenia maszynowego