reklama - zainteresowany?

Python w analizie danych. Przetwarzanie danych za pomoc - Helion

Python w analizie danych. Przetwarzanie danych za pomoc
ebook
Autor: Wes McKinney
Tytuł oryginału: Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter, 3rd Edition
Tłumaczenie: Andrzej Watrak
ISBN: 978-83-8322-324-7
stron: 504, Format: ebook
Data wydania: 2023-03-01
Ksi─Ögarnia: Helion

Cena ksi─ů┼╝ki: 65,45 z┼é (poprzednio: 116,88 z┼é)
Oszczędzasz: 44% (-51,43 zł)

Dodaj do koszyka Python w analizie danych. Przetwarzanie danych za pomoc

Tagi: Analiza danych | IT w ekonomii | Python - Programowanie

Wprawny analityk danych potrafi z nich uzyska

Dodaj do koszyka Python w analizie danych. Przetwarzanie danych za pomoc

 

Osoby które kupowały "Python w analizie danych. Przetwarzanie danych za pomoc", wybierały także:

  • NLP. Kurs video. Analiza danych tekstowych w j
  • Web scraping. Kurs video. Zautomatyzowane pozyskiwanie danych z sieci
  • Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego
  • Microsoft Excel. Kurs video. Wykresy i wizualizacja danych
  • Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych

Dodaj do koszyka Python w analizie danych. Przetwarzanie danych za pomoc

Spis tre┼Ťci

Python w analizie danych. Przetwarzanie danych za pomoc─ů pakiet├│w pandas i NumPy oraz ┼Ťrodowiska Jupyter. Wydanie III eBook -- spis tre┼Ťci

Przedmowa

1. Wst─Öp

  • 1.1. O czym jest ta ksi─ů┼╝ka?
    • Jakie rodzaje danych?
  • 1.2. Dlaczego warto korzysta─ç z Pythona w celu przeprowadzenia analizy danych?
    • Python jako spoiwo
    • Rozwi─ůzywanie problemu "dwuj─Özyczno┼Ťci"
    • Dlaczego nie Python?
  • 1.3. Podstawowe biblioteki Pythona
    • NumPy
    • pandas
    • Matplotlib
    • IPython i Jupyter
    • SciPy
    • Scikit-learn
    • statsmodels
    • Inne pakiety
  • 1.4. Instalacja i konfiguracja
    • Windows
    • GNU, Linux
    • macOS
    • Instalacja niezb─Ödnych pakietów
    • Zintegrowane ┼Ťrodowiska programistyczne i edytory tekstowe
  • 1.5. Spo┼éeczno┼Ť─ç i konferencje
  • 1.6. Nawigacja po ksi─ů┼╝ce
    • Przyk┼éady kodu
    • Przyk┼éadowe dane
    • Konwencje importowania

2. Podstawy Pythona oraz obsługi narzędzi IPython i Jupyter

  • 2.1. Interpreter Pythona
  • 2.2. Podstawy interpretera IPython
    • Uruchamianie pow┼éoki IPython
    • Uruchamianie notatnika Jupyter Notebook
    • Uzupe┼énianie polece┼ä
    • Introspekcja
  • 2.3. Podstawy Pythona
    • Semantyka j─Özyka Python
    • Skalarne typy danych
    • Przep┼éyw sterowania
  • 2.4. Podsumowanie

3. Wbudowane struktury danych, funkcje i pliki

  • 3.1. Struktury danych i sekwencje
    • Krotka
    • Lista
    • S┼éownik
    • Zbiór
    • Wbudowane funkcje obs┼éuguj─ůce sekwencje
    • Lista, s┼éownik i zbiór - sk┼éadanie
  • 3.2. Funkcje
    • Przestrzenie nazw, zakres i funkcje lokalne
    • Zwracanie wielu warto┼Ťci
    • Funkcje s─ů obiektami
    • Funkcje anonimowe (lambda)
    • Generatory
    • B┼é─Ödy i obs┼éuga wyj─ůtków
  • 3.3. Pliki i system operacyjny
    • Bajty i kodowanie Unicode w plikach
  • 3.4. Podsumowanie

4. Podstawy biblioteki NumPy: obs┼éuga tablic i wektorów

  • 4.1. NumPy ndarray - wielowymiarowy obiekt tablicowy
    • Tworzenie tablic ndarray
    • Typ danych tablic ndarray
    • Dzia┼éania matematyczne z tablicami NumPy
    • Podstawy indeksowania i przechwytywania cz─Ö┼Ťci
    • Indeksowanie i warto┼Ťci logiczne
    • Indeksowanie specjalne
    • Transponowanie tablic i zamiana osi
  • 4.2. Generowanie liczb pseudolosowych
  • 4.3. Funkcje uniwersalne - szybkie funkcje wykonywane na poszczególnych elementach tablicy
  • 4.4. Programowanie z u┼╝yciem tablic
    • Logiczne operacje warunkowe jako operacje tablicowe
    • Metody matematyczne i statystyczne
    • Metody tablic logicznych
    • Sortowanie
    • Warto┼Ťci unikalne i operacje logiczne
  • 4.5. Tablice i operacje na plikach
  • 4.6. Algebra liniowa
  • 4.7. Przyk┼éad: b┼é─ůdzenie losowe
    • Jednoczesne symulowanie wielu b┼é─ůdze┼ä losowych
  • 4.8. Podsumowanie

5. Rozpoczynamy prac─Ö z bibliotek─ů pandas

  • 5.1. Wprowadzenie do struktur danych biblioteki pandas
    • Obiekt Series
    • Obiekt DataFrame
    • Obiekty index
  • 5.2. Podstawowe funkcjonalno┼Ťci
    • Uaktualnianie indeksu
    • Odrzucanie elementów osi
    • Indeksowanie, wybieranie i filtrowanie
    • Dzia┼éania arytmetyczne i wyrównywanie danych
    • Funkcje apply i map
    • Sortowanie i tworzenie rankingów
    • Indeksy osi ze zduplikowanymi etykietami
  • 5.3. Podsumowywanie i generowanie statystyk opisowych
    • Wspó┼éczynnik korelacji i kowariancja
    • Unikalne warto┼Ťci, ich liczba i przynale┼╝no┼Ť─ç
  • 5.4. Podsumowanie

6. Odczyt i zapis danych, formaty plików

  • 6.1. Odczyt i zapis danych w formacie tekstowym
    • Wczytywanie cz─Ö┼Ťci pliku tekstowego
    • Zapis danych w formacie tekstowym
    • Praca z plikami danych rozgraniczonych
    • Dane w formacie JSON
    • XML i HTML - web scraping
  • 6.2. Formaty danych binarnych
    • Wczytywanie plików programu Microsoft Excel
    • Obs┼éuga formatu HDF5
  • 6.3. Obs┼éuga interfejsów sieciowych
  • 6.4. Obs┼éuga baz danych
  • 6.5. Podsumowanie

7. Czyszczenie i przygotowywanie danych

  • 7.1. Obs┼éuga brakuj─ůcych danych
    • Filtrowanie brakuj─ůcych danych
    • Wype┼énianie brakuj─ůcych danych
  • 7.2. Przekszta┼écanie danych
    • Usuwanie duplikatów
    • Przekszta┼écanie danych przy u┼╝yciu funkcji lub mapowania
    • Zast─Öpowanie warto┼Ťci
    • Zmiana nazw indeksów osi
    • Dyskretyzacja i podzia┼é na koszyki
    • Wykrywanie i filtrowanie elementów odstaj─ůcych
    • Permutacje i próbkowanie losowe
    • Przetwarzanie wska┼║ników i zmiennych zast─Öpczych
  • 7.3. Rozszerzone typy danych
  • 7.4. Operacje przeprowadzane na ┼éa┼äcuchach
    • Metody obiektu typu string
    • Wyra┼╝enia regularne
    • Funkcje tekstowe w pakiecie pandas
  • 7.5. Dane kategoryczne
    • Kontekst i motywacja
    • Rozszerzony typ Categorical w bibliotece pandas
    • Obliczenia na obiektach typu Categorical
    • Metody obiektu kategorycznego
  • 7.6. Podsumowanie

8. Przetwarzanie danych - operacje ┼é─ůczenia, wi─ůzania i przekszta┼écania

  • 8.1. Indeksowanie hierarchiczne
    • Zmiana kolejno┼Ťci i sortowanie poziomów
    • Parametry statystyki opisowej z uwzgl─Ödnieniem poziomu
    • Indeksowanie z kolumnami ramki danych
  • 8.2. ┼ü─ůczenie zbiorów danych
    • ┼ü─ůczenie ramek danych w stylu ┼é─ůczenia elementów baz danych
    • ┼ü─ůczenie przy u┼╝yciu indeksu
    • Konkatenacja wzd┼éu┼╝ osi
    • ┼ü─ůczenie cz─Ö┼Ťciowo nak┼éadaj─ůcych si─Ö danych
  • 8.3. Zmiana kszta┼étu i operacje osiowe
    • Przekszta┼écenia z indeksowaniem hierarchicznym
    • Przekszta┼écanie z formatu "d┼éugiego" na "szeroki"
    • Przekszta┼écanie z formatu "szerokiego" na "d┼éugi"
  • 8.4. Podsumowanie

9. Wykresy i wizualizacja danych

  • 9.1. Podstawy obs┼éugi interfejsu pakietu matplotlib
    • Obiekty figure i wykresy sk┼éadowe
    • Kolory, oznaczenia i style linii
    • Punkty, etykiety i legendy
    • Adnotacje i rysunki
    • Zapisywanie wykresów w postaci plików
    • Konfiguracja pakietu matplotlib
  • 9.2. Generowanie wykresów za pomoc─ů pakietów pandas i seaborn
    • Wykresy liniowe
    • Wykresy s┼éupkowe
    • Histogramy i wykresy g─Östo┼Ťci
    • Wykresy punktowe
    • Wykresy panelowe i dane kategoryczne
  • 9.3. Inne narz─Ödzia przeznaczone do wizualizacji danych w Pythonie
  • 9.4. Podsumowanie

10. Agregacja danych i operacje wykonywane na grupach

  • 10.1. Mechanika interfejsu groupby
    • Iteracja po grupach
    • Wybieranie kolumny lub podzbioru kolumn
    • Grupowanie przy u┼╝yciu s┼éowników i serii
    • Grupowanie przy u┼╝yciu funkcji
    • Grupowanie przy u┼╝yciu poziomów indeksu
  • 10.2. Agregacja danych
    • Przetwarzanie kolumna po kolumnie i stosowanie wielu funkcji
    • Zwracanie zagregowanych danych bez indeksów wierszy
  • 10.3. Metoda apply - ogólne zastosowanie techniki dziel-zastosuj-po┼é─ůcz
    • Usuwanie kluczy grup
    • Kwantyle i analiza koszykowa
    • Przyk┼éad: wype┼énianie brakuj─ůcych warto┼Ťci przy u┼╝yciu warto┼Ťci charakterystycznych dla grupy
    • Przyk┼éad: losowe generowanie próbek i permutacja
    • Przyk┼éad: ┼Ťrednie wa┼╝one grup i wspó┼éczynnik korelacji
    • Przyk┼éad: regresja liniowa grup
  • 10.4. Transformacje grup i "nieobudowane" operacje grupowania
  • 10.5. Tabele przestawne i krzy┼╝owe
    • Tabele krzy┼╝owe
  • 10.6. Podsumowanie

11. Szeregi czasowe

  • 11.1. Typy danych i narz─Ödzia przeznaczone do obs┼éugi daty i czasu
    • Konwersja pomi─Ödzy obiektami string i datetime
  • 11.2. Podstawy szeregów czasowych
    • Indeksowanie i wybieranie
    • Szeregi czasowe z duplikatami indeksów
  • 11.3. Zakresy dat, cz─Östotliwo┼Ťci i przesuni─Öcia
    • Generowanie zakresów dat
    • Cz─Östotliwo┼Ťci i przesuni─Öcia daty
    • Przesuwanie daty
  • 11.4. Obs┼éuga strefy czasowej
    • Lokalizacja i konwersja stref czasowych
    • Operacje z udzia┼éem obiektów Timestamp o wyznaczonej strefie czasowej
    • Operacje pomi─Ödzy ró┼╝nymi strefami czasowymi
  • 11.5. Okresy i przeprowadzanie na nich operacji matematycznych
    • Konwersja cz─Östotliwo┼Ťci ┼éa┼äcuchów
    • Kwartalne cz─Östotliwo┼Ťci okresów
    • Konwersja znaczników czasu na okresy (i z powrotem)
    • Tworzenie obiektów PeriodIndex na podstawie tablic
  • 11.6. Zmiana rozdzielczo┼Ťci i konwersja cz─Östotliwo┼Ťci
    • Zmniejszanie cz─Östotliwo┼Ťci
    • Zwi─Ökszanie rozdzielczo┼Ťci i interpolacja
    • Zmiana rozdzielczo┼Ťci z okresami
    • Grupowa zmiana cz─Östotliwo┼Ťci
  • 11.7. Funkcje ruchomego okna
    • Funkcje wa┼╝one wyk┼éadniczo
    • Binarne funkcje ruchomego okna
    • Funkcje ruchomego okna definiowane przez u┼╝ytkownika
  • 11.8. Podsumowanie

12. Wprowadzenie do bibliotek modeluj─ůcych

  • 12.1. ┼ü─ůczenie pandas z kodem modelu
  • 12.2. Tworzenie opisów modeli przy u┼╝yciu biblioteki Patsy
    • Przekszta┼écenia danych za pomoc─ů formu┼é Patsy
    • Patsy i dane kategoryczne
  • 12.3. Wprowadzenie do biblioteki statsmodels
    • Szacowanie modeli liniowych
    • Szacowanie procesów szeregów czasowych
  • 12.4. Wprowadzenie do pakietu scikit-learn
  • 12.5. Podsumowanie

13. Przykłady analizy danych

  • 13.1. Dane USA.gov serwisu Bitly
    • Liczenie stref czasowych w czystym Pythonie
    • Liczenie stref czasowych przy u┼╝yciu pakietu pandas
  • 13.2. Zbiór danych MovieLens 1M
    • Wyznaczenie rozbie┼╝no┼Ťci ocen
  • 13.3. Imiona nadawane dzieciom w USA w latach 1880 - 2010
    • Analiza trendów imion
  • 13.4. Baza danych USDA Food
  • 13.5. Baza danych 2012 Federal Election Commission
    • Statystyki datków z podzia┼éem na wykonywany zawód i pracodawc─Ö
    • Podzia┼é kwot datków na koszyki
    • Statystyki datków z podzia┼éem na poszczególne stany
  • 13.6. Podsumowanie

A. Zaawansowane zagadnienia zwi─ůzane z bibliotek─ů NumPy

  • A.1. Szczegó┼éy budowy obiektu ndarray
    • Hierarchia typów danych NumPy
  • A.2. Zaawansowane operacje tablicowe
    • Zmiana wymiarów tablic
    • Kolejno┼Ťci charakterystyczne dla j─Özyków C i Fortran
    • ┼ü─ůczenie i dzielenie tablic
    • Powtarzanie elementów - funkcje tile i repeat
    • Alternatywy indeksowania specjalnego - metody take i put
  • A.3. Rozg┼éaszanie
    • Rozg┼éaszanie wzd┼éu┼╝ innych osi
    • Przypisywanie warto┼Ťci elementom tablicy poprzez rozg┼éaszanie
  • A.4. Zaawansowane zastosowania funkcji uniwersalnych
    • Metody instancji funkcji uniwersalnych
    • Pisanie nowych funkcji uniwersalnych w Pythonie
  • A.5. Tablice o z┼éo┼╝onej strukturze
    • Zagnie┼╝d┼╝one typy danych i pola wielowymiarowe
    • Do czego przydaj─ů si─Ö tablice o z┼éo┼╝onej strukturze?
  • A.6. Jeszcze co┼Ť o sortowaniu
    • Sortowanie po┼Ťrednie - metody argsort i lexsort
    • Alternatywne algorytmy sortowania
    • Cz─Ö┼Ťciowe sortowanie tablic
    • Wyszukiwanie elementów w posortowanej tablicy za pomoc─ů metody numpy.searchsorted
  • A.7. Pisanie szybkich funkcji NumPy za pomoc─ů pakietu Numba
    • Tworzenie obiektów numpy.ufunc za pomoc─ů pakietu Numba
  • A.8. Zaawansowane tablicowe operacje wej┼Ťcia i wyj┼Ťcia
    • Pliki mapowane w pami─Öci
    • HDF5 i inne mo┼╝liwo┼Ťci zapisu tablic
  • A.9. Jak zachowa─ç wysok─ů wydajno┼Ť─ç?
    • Dlaczego warto korzysta─ç z s─ůsiaduj─ůcych ze sob─ů obszarów pami─Öci?

B. Dodatkowe informacje dotycz─ůce systemu IPython

  • B.1. Skróty klawiaturowe
  • B.2. Magiczne polecenia
    • Polecenie %run
    • Uruchamianie kodu zapisanego w schowku
  • B.3. Korzystanie z historii polece┼ä
    • Przeszukiwanie i korzystanie z historii polece┼ä
    • Zmienne wej┼Ťciowe i wyj┼Ťciowe
  • B.4. Interakcja z systemem operacyjnym
    • Polecenia pow┼éoki systemowej i aliasy
    • System tworzenia skrótów do katalogów
  • B.5. Narz─Ödzia programistyczne
    • Interaktywny debuger
    • Pomiar czasu - funkcje %time i %timeit
    • Podstawowe profilowanie - funkcje %prun i %run-p
    • Profilowanie funkcji linia po linii
  • B.6. Wskazówki dotycz─ůce produktywnego tworzenia kodu w ┼Ťrodowisku IPython
    • Prze┼éadowywanie modu┼éów
    • Wskazówki dotycz─ůce projektowania kodu
  • B.7. Zaawansowane funkcje ┼Ťrodowiska IPython
    • Profile i konfiguracja
  • B.8. Podsumowanie

Dodaj do koszyka Python w analizie danych. Przetwarzanie danych za pomoc

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2024 CATALIST agencja interaktywna, znaki firmowe nale┼╝─ů do wydawnictwa Helion S.A.