- promocja
Jak analizować dane z biblioteką Pandas. Praktyczne wprowadzenie. Wydanie 2 - ebook
Format ebooka:
EPUB
Format
EPUB
czytaj
na czytniku
czytaj
na tablecie
czytaj
na smartfonie
Jeden z najpopularniejszych formatów e-booków na świecie.
Niezwykle wygodny i przyjazny czytelnikom - w przeciwieństwie do formatu
PDF umożliwia skalowanie czcionki, dzięki czemu możliwe jest dopasowanie
jej wielkości do kroju i rozmiarów ekranu. Więcej informacji znajdziesz
w dziale Pomoc.
Multiformat
E-booki w Virtualo.pl dostępne są w opcji multiformatu.
Oznacza to, że po dokonaniu zakupu, e-book pojawi się na Twoim koncie we wszystkich formatach dostępnych aktualnie dla danego tytułu.
Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu.
Format
PDF
czytaj
na laptopie
czytaj
na tablecie
Format e-booków, który możesz odczytywać na tablecie oraz
laptopie. Pliki PDF są odczytywane również przez czytniki i smartfony,
jednakze względu na komfort czytania i brak możliwości skalowania
czcionki, czytanie plików PDF na tych urządzeniach może być męczące dla
oczu. Więcej informacji znajdziesz w dziale Pomoc.
Multiformat
E-booki w Virtualo.pl dostępne są w opcji multiformatu.
Oznacza to, że po dokonaniu zakupu, e-book pojawi się na Twoim koncie we wszystkich formatach dostępnych aktualnie dla danego tytułu.
Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu.
Format
MOBI
czytaj
na czytniku
czytaj
na tablecie
czytaj
na smartfonie
Jeden z najczęściej wybieranych formatów wśród czytelników
e-booków. Możesz go odczytać na czytniku Kindle oraz na smartfonach i
tabletach po zainstalowaniu specjalnej aplikacji. Więcej informacji
znajdziesz w dziale Pomoc.
Multiformat
E-booki w Virtualo.pl dostępne są w opcji multiformatu.
Oznacza to, że po dokonaniu zakupu, e-book pojawi się na Twoim koncie we wszystkich formatach dostępnych aktualnie dla danego tytułu.
Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu.
Multiformat
E-booki sprzedawane w księgarni Virtualo.pl dostępne są w opcji
multiformatu - kupujesz treść, nie format. Po dodaniu e-booka do koszyka
i dokonaniu płatności, e-book pojawi się na Twoim koncie w Mojej
Bibliotece we wszystkich formatach dostępnych aktualnie dla danego
tytułu. Informacja o dostępności poszczególnych formatów znajduje się na
karcie produktu przy okładce. Uwaga: audiobooki nie są objęte opcją
multiformatu.
czytaj
na laptopie
Pliki PDF zabezpieczone watermarkiem możesz odczytać na dowolnym
laptopie po zainstalowaniu czytnika dokumentów PDF. Najpowszechniejszym
programem, który umożliwi odczytanie pliku PDF na laptopie, jest Adobe
Reader. W zależności od potrzeb, możesz zainstalować również inny
program - e-booki PDF pod względem sposobu odczytywania nie różnią
niczym od powszechnie stosowanych dokumentów PDF, które odczytujemy
każdego dnia.
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu
w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale
Pomoc.
czytaj
na tablecie
Aby odczytywać e-booki na swoim tablecie musisz zainstalować specjalną
aplikację. W zależności od formatu e-booka oraz systemu operacyjnego,
który jest zainstalowany na Twoim urządzeniu może to być np. Bluefire
dla EPUBa lub aplikacja Kindle dla formatu MOBI.
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu
w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale
Pomoc.
czytaj
na czytniku
Czytanie na e-czytniku z ekranem e-ink jest bardzo wygodne i nie męczy
wzroku. Pliki przystosowane do odczytywania na czytnikach to przede
wszystkim EPUB (ten format możesz odczytać m.in. na czytnikach
PocketBook) i MOBI (ten fromat możesz odczytać m.in. na czytnikach Kindle).
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu
w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale
Pomoc.
czytaj
na smartfonie
Aby odczytywać e-booki na swoim smartfonie musisz zainstalować specjalną
aplikację. W zależności od formatu e-booka oraz systemu operacyjnego,
który jest zainstalowany na Twoim urządzeniu może to być np. iBooks dla
EPUBa lub aplikacja Kindle dla formatu MOBI.
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu
w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale
Pomoc.
Jak analizować dane z biblioteką Pandas. Praktyczne wprowadzenie. Wydanie 2 - ebook
Wprawny analityk potrafi się posługiwać zbiorami danych o wysokiej dynamice i różnorodności. Działanie to ułatwia biblioteka open source Pandas, która pozwala, przy użyciu języka Python, zrealizować niemal każde zadanie wymagające analizy danych. Pandas może pomóc w zapewnieniu wiarygodności danych, wizualizowaniu ich pod kątem efektywnego podejmowania decyzji i analizowaniu wielu zbiorów danych.
Oto drugie, zaktualizowane i uzupełnione wydanie przewodnika po bibliotece Pandas. Dzięki tej przystępnej książce nauczysz się w pełni korzystać z możliwości oferowanych przez bibliotekę, nawet jeśli dopiero zaczynasz przygodę z analizą danych w Pythonie. Naukę rozpoczniesz z użyciem rzeczywistego zbioru danych, aby wkrótce rozwiązywać złożone problemy danologii, takie jak obsługa brakujących danych, stosowanie regularyzacji czy też używanie metod nienadzorowanego uczenia maszynowego do odnajdywania podstawowej struktury w zbiorze danych. Pracę z poszczególnymi zagadnieniami ułatwia to, że zostały one zilustrowane prostymi, ale praktycznymi przykładami.
W książce:
- importowanie i eksportowanie danych, przygotowywanie ich zbiorów
- tworzenie wykresów za pomocą bibliotek matplotlib, seaborn i Pandas
- konwersja typów danych
- skalowanie operacji przetwarzania danych
- zaawansowane możliwości biblioteki Pandas powiązane z datami i czasem
- dopasowywanie modeli liniowych przy użyciu bibliotek statsmodels i scikit-learn
Analizuj zbiory danych i odkrywaj ukrytą w nich wiedzę!
Spis treści
Słowo wstępne do wydania drugiego
Słowo wstępne do wydania pierwszego
Przedmowa
Podziękowania
O autorze
Zmiany w wydaniu drugim
Część I. Wprowadzenie
- Rozdział 1. Typ danych DataFrame biblioteki Pandas - podstawy
- 1.1. Wprowadzenie
- Cele rozdziału
- 1.2. Ładowanie pierwszego zbioru danych
- 1.3. Sprawdzanie kolumn, wierszy i komórek
- 1.3.1. Wybieranie i określanie podzbioru kolumn na podstawie nazwy
- 1.3.2. Określanie podzbioru wierszy
- 1.3.3. Określanie podzbioru wierszy za pomocą numeru wiersza: atrybut .iloc[\
- 1.3.4. Użycie kombinacji
- 1.3.5. Określanie podzbioru wierszy i kolumn
- 1.4. Obliczenia grupowane i agregowane
- 1.4.1. Średnie grupowane
- 1.4.2. Liczebności grupowane
- 1.5. Podstawowy wykres
- Podsumowanie
- Rozdział 2. Struktury danych biblioteki Pandas - podstawy
- Cele rozdziału
- 2.1. Tworzenie własnych danych
- 2.1.1. Tworzenie obiektu Series
- 2.1.2. Tworzenie obiektu DataFrame
- 2.2. Obiekty Series
- 2.2.1. Obiekt Series przypomina typ ndarray
- 2.2.2. Określanie podzbioru wartości boolowskich: obiekt Series
- 2.2.3. Operacje są automatycznie wyrównywane i wektoryzowane (rozgłaszanie)
- 2.3. Obiekt DataFrame
- 2.3.1. Części obiektu DataFrame
- 2.3.2. Określanie podzbioru wartości boolowskich: obiekty DataFrame
- 2.3.3. Operacje są automatycznie wyrównywane i wektoryzowane (rozgłaszanie)
- 2.4. Wprowadzanie zmian w obiektach Series i DataFrame
- 2.4.1. Dodawanie dodatkowych kolumn
- 2.4.2. Bezpośrednie modyfikowanie kolumny
- 2.4.3. Modyfikowanie kolumn za pomocą metody .assign()
- 2.4.4. Usuwanie wartości
- 2.5. Eksportowanie i importowanie danych
- 2.5.1. "Peklowanie"
- 2.5.2. Format danych CSV
- 2.5.3. Excel
- 2.5.4. Format Feather
- 2.5.5. Projekt Arrow
- 2.5.6. Słownik
- 2.5.7. Format JSON
- 2.5.8. Inne typy danych wyjściowych
- Podsumowanie
- Rozdział 3. Tworzenie wykresów - podstawy
- Cele rozdziału
- 3.1. Dlaczego warto wizualizować dane?
- 3.2. Podstawy obsługi biblioteki matplotlib
- 3.2.1. Obiekty rysunków i podwykresy z osiami
- 3.2.2. Anatomia rysunku
- 3.3. Tworzenie graficznych wizualizacji danych statystycznych za pomocą biblioteki matplotlib
- 3.3.1. Jednozmienność (pojedyncza zmienna)
- 3.3.2. Dwuzmienność (dwie zmienne)
- 3.3.3. Dane wielozmienne
- 3.4. Biblioteka seaborn
- 3.4.1. Jednozmienność
- 3.4.2. Dane dwuzmienne
- 3.4.3. Dane wielozmienne
- 3.4.4. Aspekty
- 3.4.5. Style i kompozycje biblioteki seaborn
- 3.4.6. Jak korzystać z dokumentacji biblioteki seaborn?
- 3.4.7. Interfejs biblioteki seaborn następnej generacji
- 3.5. Metoda tworzenia wykresów za pomocą biblioteki Pandas
- 3.5.1. Histogram
- 3.5.2. Wykres gęstości
- 3.5.3. Wykres punktowy
- 3.5.4. Wykres przedziałów sześciokątnych (hexbin)
- 3.5.5. Wykres pudełkowy
- Podsumowanie
- Rozdział 4. Dane uporządkowane
- Cele rozdziału
- Uwaga dotycząca niniejszego rozdziału
- 4.1. Kolumny zawierają wartości, a nie zmienne
- 4.1.1. Utrwalenie jednej kolumny
- 4.1.2. Utrwalenie wielu kolumn
- 4.2. Kolumny zawierają wiele zmiennych
- 4.2.1. Osobne dzielenie i dodawanie kolumn
- 4.2.2. Dzielenie i łączenie kolumn w jednym kroku
- 4.3. Zmienne znajdują się w wierszach i kolumnach
- Podsumowanie
- Cele rozdziału
- Rozdział 5. Zastosowanie funkcji
- Cele rozdziału
- Uwaga dotycząca niniejszego rozdziału
- 5.1. Elementarz funkcji
- 5.2. Zastosowanie funkcji (podstawy)
- 5.2.1. Zastosowanie funkcji względem obiektu Series
- 5.2.2. Zastosowanie funkcji względem obiektu DataFrame
- 5.3. Funkcje wektoryzowane
- 5.3.1. Wektoryzacja za pomocą biblioteki NumPy
- 5.3.2. Wektoryzacja za pomocą biblioteki Numba
- 5.4. Funkcje lambda (funkcje anonimowe)
- Podsumowanie
- Cele rozdziału
Część II. Przetwarzanie danych
- Rozdział 6. Łączenie danych
- Cele rozdziału
- 6.1. Łączenie zbiorów danych
- 6.2. Konkatenacja
- 6.2.1. Części przeglądowe obiektu DataFrame
- 6.2.2. Dodawanie wierszy
- 6.2.3. Dodawanie kolumn
- 6.2.4. Konkatenacja z różnymi indeksami
- 6.3. Jednostki obserwacyjne w obrębie wielu tabel
- 6.3.1. Ładowanie wielu plików za pomocą pętli
- 6.3.2. Ładowanie wielu plików przy użyciu listy składanej
- 6.4. Scalanie wielu zbiorów danych
- 6.4.1. Scalanie typu "jedna z jedną"
- 6.4.2. Scalanie typu "wiele z jedną"
- 6.4.3. Scalanie typu "wiele z wieloma"
- 6.4.4. Sprawdzanie wyników pracy za pomocą asercji
- Podsumowanie
- Rozdział 7. Normalizacja danych
- Cele rozdziału
- 7.1. Wiele jednostek obserwacyjnych w tabeli (normalizacja)
- Podsumowanie
- Rozdział 8. Operacje grupowania: dzielenie, stosowanie i łączenie
- Cele rozdziału
- 8.1. Agregacja
- 8.1.1. Podstawowa agregacja danych grupowanych z jedną zmienną
- 8.1.2. Wbudowane metody agregacji
- 8.1.3. Funkcje agregacji
- 8.1.4. Użycie wielu funkcji jednocześnie
- 8.1.5. Zastosowanie słownika w metodzie .agg() lub .aggregate()
- 8.2. Transformacja
- 8.2.1. Przykład wyniku standardowego z
- 8.2.2. Przykład z brakującymi wartościami
- 8.3. Filtrowanie
- 8.4. Obiekt pandas.core.groupby.DataFrameGroupBy
- 8.4.1. Grupy
- 8.4.2. Obliczenia w ramach grupowania obejmujące wiele zmiennych
- 8.4.3. Wybieranie grupy
- 8.4.4. Iteracja w obrębie grup
- 8.4.5. Wiele grup
- 8.4.6. "Spłaszczanie" wyników (.reset_index())
- 8.5. Zastosowanie obiektu MultiIndex
- Podsumowanie
Część III. Typy danych
- Rozdział 9. Brakujące dane
- Cele rozdziału
- 9.1. Czym jest wartość NaN?
- 9.2. Skąd biorą się brakujące wartości?
- 9.2.1. Ładowanie danych
- 9.2.2. Scalone dane
- 9.2.3. Wartości wprowadzane przez użytkownika
- 9.2.4. Ponowne indeksowanie
- 9.3. Zajmowanie się brakującymi danymi
- 9.3.1. Znajdowanie brakujących danych i określanie ich ilości
- 9.3.2. Oczyszczanie danych z brakującymi wartościami
- 9.3.3. Obliczenia uwzględniające brakujące dane
- 9.4. Brakująca wartość NA wbudowana w bibliotece Pandas
- Podsumowanie
- Rozdział 10. Typy danych
- Cele rozdziału
- 10.1. Typy danych
- 10.2. Przekształcanie typów
- 10.2.1. Konwersja do postaci obiektów łańcuchów
- 10.2.2. Przekształcanie w wartości liczbowe
- 10.3. Dane kategorialne
- 10.3.1. Przekształcanie w kategorię
- 10.3.2. Przetwarzanie danych kategorialnych
- Podsumowanie
- Rozdział 11. Łańcuchy i dane tekstowe
- Wprowadzenie
- Cele rozdziału
- 11.1. Łańcuchy
- 11.1.1. Określanie podzbioru i dzielenie łańcuchów
- 11.1.2. Uzyskanie ostatniego znaku łańcucha
- 11.2. Metody łańcuchowe
- 11.3. Dodatkowe metody łańcuchowe
- 11.3.1. Metoda join
- 11.3.2. Metoda splitlines
- 11.4. Formatowanie łańcuchów (f-łańcuchy)
- 11.4.1. Formatowanie liczb
- 11.5. Wyrażenia regularne
- 11.5.1. Dopasowanie wzorca
- 11.5.2. Pamiętaj, jakich używasz wzorców wyrażeń regularnych
- 11.5.3. Znajdowanie wzorca
- 11.5.4. Zastępowanie wzorca
- 11.5.5. Kompilowanie wzorca
- 11.6. Biblioteka regex
- Podsumowanie
- Rozdział 12. Daty i godziny
- Cele rozdziału
- 12.1. Obiekt datetime języka Python
- 12.2. Przekształcanie do postaci ramki danych
- 12.3. Ładowanie danych zawierających daty
- 12.4. Wyodrębnianie składników daty
- 12.5. Obliczenia obejmujące daty i obiekty timedelta
- 12.6. Metody obiektu datetime
- 12.7. Uzyskiwanie danych notowań giełdowych
- 12.8. Określanie podzbioru danych na podstawie dat
- 12.8.1. Obiekt DatetimeIndex
- 12.8.2. Obiekt TimedeltaIndex
- 12.9. Zakresy dat
- 12.9.1. Częstotliwości
- 12.9.2. Przesunięcia
- 12.10. Wartości przesuwające
- 12.11. Ponowne próbkowanie
- 12.12. Strefy czasowe
- 12.13. Biblioteka Arrow do lepszej obsługi dat i godzin
- Podsumowanie
Część IV. Modelowanie danych
- Rozdział 13. Regresja liniowa (wynikowa zmienna ciągła)
- 13.1. Prosta regresja liniowa
- 13.1.1. Użycie biblioteki statsmodels
- 13.1.2. Zastosowanie biblioteki scikit-learn (sklearn)
- 13.2. Regresja wielokrotna
- 13.2.1. Użycie biblioteki statsmodels
- 13.2.2. Zastosowanie biblioteki scikit-learn (sklearn)
- 13.3. Modele ze zmiennymi kategorialnymi
- 13.3.1. Zmienne kategorialne w bibliotece statsmodels
- 13.3.2. Zmienne kategorialne w bibliotece scikit-learn (sklearn)
- 13.4. Kodowanie One-Hot w bibliotece scikit-learn z wykorzystaniem potoków transformera
- Podsumowanie
- 13.1. Prosta regresja liniowa
- Rozdział 14. Uogólnione modele liniowe
- Coś o tym rozdziale
- 14.1. Regresja logistyczna (binarna zmienna wyjściowa)
- 14.1.1. Użycie biblioteki statsmodels
- 14.1.2. Zastosowanie biblioteki sklearn
- 14.1.3. Zachowaj ostrożność w przypadku domyślnych wartości biblioteki scikit-learn (sklearn)
- 14.2. Regresja Poissona (ilościowa zmienna wynikowa)
- 14.2.1. Użycie biblioteki statsmodels
- 14.2.2. Ujemna regresja dwumianowa w przypadku nadmiernej dyspersji
- 14.3. Bardziej uogólnione modele liniowe
- Podsumowanie
- Rozdział 15. Analiza przeżycia
- 15.1. Dane analizy przeżycia
- 15.2. Krzywe Kaplana-Meiera
- 15.3. Model proporcjonalnego hazardu Coxa
- 15.3.1. Testowanie założeń modelu Coxa
- Podsumowanie
- Rozdział 16. Diagnostyka modeli
- 16.1. Residua
- 16.1.1. Wykresy kwantylowe K-K
- 16.2. Porównanie wielu modeli
- 16.2.1. Korzystanie z modeli liniowych
- 16.2.2. Zastosowanie uogólnionych modeli liniowych
- 16.3. Walidacja krzyżowa k-krotna
- Podsumowanie
- 16.1. Residua
- Rozdział 17. Regularyzacja
- 17.1. Dlaczego regularyzacja?
- 17.2. Regresja LASSO
- 17.3. Regresja grzbietowa
- 17.4. Sieć elastyczna
- 17.5. Walidacja krzyżowa
- Podsumowanie
- Rozdział 18. Klasteryzacja
- 18.1. k-średnie
- 18.1.1. Ograniczanie liczby wymiarów za pomocą analizy PCA
- 18.2. Klastrowanie hierarchiczne
- 18.2.1. Klastrowanie kompletne
- 18.2.2. Klastrowanie pojedyncze
- 18.2.3. Klastrowanie ze średnią
- 18.2.4. Klastrowanie z centroidem
- 18.2.5. Klastrowanie metodą Warda
- 18.2.6. Ręczne ustawianie progu
- Podsumowanie
- 18.1. k-średnie
Część V. Podsumowanie
- Rozdział 19. Świat poza obrębem biblioteki Pandas
- 19.1. Stos do obliczeń (naukowych)
- 19.2. Wydajność
- 19.2.1. Pomiar czasu wykonywania kodu
- 19.2.2. Profilowanie kodu
- 19.2.3. Moduł concurrent.futures
- 19.3. Dask
- 19.4. Siuba
- 19.5. Ibis
- 19.6. Polars
- 19.7. PyJanitor
- 19.8. Pandera
- 19.9. Uczenie maszynowe
- 19.10. Publikowanie
- 19.11. Panele kontrolne
- Podsumowanie
- Rozdział 20. Działanie w pojedynkę jest niebezpieczne!
- 20.1. Lokalne spotkania
- 20.2. Konferencje
- 20.3. The Carpentries
- 20.4. Podcasty
- 20.5. Inne zasoby
- Podsumowanie
Dodatki
- Dodatek A. Mapy pojęć
- Dodatek B. Instalacja i konfiguracja
- B.1. Instalacja języka Python
- B.1.1. Anaconda
- B.1.2. Miniconda
- B.1.3. Odinstalowywanie dystrybucji Anaconda lub Miniconda
- B.1.4. pyenv
- B.2. Instalowanie pakietów języka Python
- B.3. Pobieranie zbiorów danych używanych w książce
- B.1. Instalacja języka Python
- Dodatek C. Wiersz poleceń
- C.1. Instalacja
- C.1.1. System Windows
- C.1.2. System Mac
- C.1.3. System Linux
- C.2. Podstawy
- C.1. Instalacja
- Dodatek D. Szablony projektowe
- Dodatek E. Zastosowanie języka Python
- E.1. Wiersz poleceń i edytor tekstu
- E.2. Python i IPython
- E.3. Jupyter
- E.4. Zintegrowane środowiska programistyczne IDE
- Dodatek F. Katalogi robocze
- Dodatek G. Środowiska
- G.1. Środowiska systemu conda
- G.2. Pyenv + Pipenv
- Dodatek H. Instalacja pakietów
- H.1. Aktualizowanie pakietów
- Dodatek I. Importowanie bibliotek
- Dodatek J. Styl kodu
- J.1. Znaki podziału wiersza w kodzie
- Dodatek K. Kontenery: listy, krotki i słowniki
- K.1. Listy
- K.2. Krotki
- K.3. Słowniki
- Dodatek L. Określanie wartości za pomocą składni wycinków
- Dodatek M. Pętle
- Dodatek N. Listy składane
- Dodatek O. Funkcje
- O.1. Parametry domyślne
- O.2. Parametry arbitralne
- O.2.1. Wyrażenie *args
- O.2.2. Wyrażenie **kwargs
- Dodatek P. Zakresy i generatory
- Dodatek Q. Przypisanie wielokrotne
- Dodatek R. Typ ndarray biblioteki NumPy
- Dodatek S. Klasy
- Dodatek T. Komunikat SettingWithCopyWarning
- T.1. Modyfikowanie podzbioru danych
- T.2. Zastępowanie wartości
- T.3. Dodatkowe zasoby informacji
- Dodatek U. Tworzenie łańcuchów metod
- Dodatek V. Czas wykonywania kodu
- Dodatek W. Formatowanie łańcuchów
- W.1. Formatowanie w stylu języka C
- W.2. Formatowanie łańcuchów: metoda .format()
- W.3. Formatowanie liczb
- Dodatek X. Instrukcje warunkowe (if-elif-else)
- Dodatek Y. Przykład regresji logistycznej ze zbiorem danych ACS dla Nowego Jorku
- Y.0.1. Użycie biblioteki sklearn
- Dodatek Z. Replikowanie wyników za pomocą języka R
- Z.1. Regresja liniowa
- Z.2. Regresja logistyczna
- Z.3. Regresja Poissona
- Z.3.1. Ujemna regresja dwumianowa w przypadku nadmiernej dyspersji
Skorowidz
| Kategoria: | Bazy danych |
| Zabezpieczenie: |
Watermark
|
| ISBN: | 978-83-289-0152-0 |
| Rozmiar pliku: | 8,3 MB |
