- promocja
Python w analizie danych. Przetwarzanie danych za pomocą pakietów pandas i NumPy oraz środowiska Jupyter - 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.
Python w analizie danych. Przetwarzanie danych za pomocą pakietów pandas i NumPy oraz środowiska Jupyter - ebook
Wprawny analityk danych potrafi z nich uzyskać wiedzę ułatwiającą podejmowanie trafnych decyzji. Od kilku lat można do tego używać nowoczesnych narzędzi Pythona, które zbudowano specjalnie do tego celu. Praca z nimi nie wymaga głębokiej znajomości statystyki czy algebry. Aby cieszyć się uzyskanymi rezultatami, wystarczy się wprawić w stosowaniu kilku pakietów i środowisk Pythona.
Ta książka jest trzecim, starannie zaktualizowanym wydaniem wyczerpującego przewodnika po narzędziach analitycznych Pythona. Uwzględnia Pythona 3.0 i bibliotekę pandas 1.4. Została napisana w przystępny sposób, a poszczególne zagadnienia bogato zilustrowano przykładami, studiami rzeczywistych przypadków i fragmentami kodu. W trakcie lektury nauczysz się korzystać z możliwości oferowanych przez pakiety pandas i NumPy, a także środowiska IPython i Jupyter. Nie zabrakło wskazówek dotyczących używania uniwersalnych narzędzi przeznaczonych do ładowania, czyszczenia, przekształcania i łączenia zbiorów danych. Pozycję docenią analitycy zamierzający zacząć pracę w Pythonie, jak również programiści Pythona, którzy chcą się zająć analizą danych i obliczeniami naukowymi.
Dzięki książce nauczysz się:
- eksplorować dane za pomocą powłoki IPython i środowiska Jupyter
- korzystać z funkcji pakietów NumPy i pandas
- używać pakietu matplotlib do tworzenia czytelnych wizualizacji
- analizować i przetwarzać dane regularnych i nieregularne szeregi czasowe
- rozwiązywać rzeczywiste problemy analityczne
Wes McKinney zaktualizował swoją książkę, aby była podstawowym źródłem informacji o wszystkich zagadnieniach związanych z analizą danych przy użyciu języka Python i biblioteki pandas. Gorąco polecam tę pozycję!
Paul Barry, wykładowca i autor książek
Spis treści
Przedmowa
1. Wstęp
- 1.1. O czym jest ta książka?
- Jakie rodzaje danych?
- 1.2. Dlaczego warto korzystać z Pythona w celu przeprowadzenia analizy danych?
- Python jako spoiwo
- Rozwiązywanie problemu "dwujęzyczności"
- 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 niezbędnych pakietów
- Zintegrowane środowiska programistyczne i edytory tekstowe
- 1.5. Społeczność i konferencje
- 1.6. Nawigacja po książce
- Przykłady kodu
- Przykładowe dane
- Konwencje importowania
2. Podstawy Pythona oraz obsługi narzędzi IPython i Jupyter
- 2.1. Interpreter Pythona
- 2.2. Podstawy interpretera IPython
- Uruchamianie powłoki IPython
- Uruchamianie notatnika Jupyter Notebook
- Uzupełnianie poleceń
- Introspekcja
- 2.3. Podstawy Pythona
- Semantyka języka Python
- Skalarne typy danych
- Przepływ sterowania
- 2.4. Podsumowanie
3. Wbudowane struktury danych, funkcje i pliki
- 3.1. Struktury danych i sekwencje
- Krotka
- Lista
- Słownik
- Zbiór
- Wbudowane funkcje obsługujące sekwencje
- Lista, słownik i zbiór - składanie
- 3.2. Funkcje
- Przestrzenie nazw, zakres i funkcje lokalne
- Zwracanie wielu wartości
- Funkcje są obiektami
- Funkcje anonimowe (lambda)
- Generatory
- Błędy i obsługa wyjątków
- 3.3. Pliki i system operacyjny
- Bajty i kodowanie Unicode w plikach
- 3.4. Podsumowanie
4. Podstawy biblioteki NumPy: obsługa tablic i wektorów
- 4.1. NumPy ndarray - wielowymiarowy obiekt tablicowy
- Tworzenie tablic ndarray
- Typ danych tablic ndarray
- Działania matematyczne z tablicami NumPy
- Podstawy indeksowania i przechwytywania części
- Indeksowanie i wartości 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 użyciem tablic
- Logiczne operacje warunkowe jako operacje tablicowe
- Metody matematyczne i statystyczne
- Metody tablic logicznych
- Sortowanie
- Wartości unikalne i operacje logiczne
- 4.5. Tablice i operacje na plikach
- 4.6. Algebra liniowa
- 4.7. Przykład: błądzenie losowe
- Jednoczesne symulowanie wielu błądzeń losowych
- 4.8. Podsumowanie
5. Rozpoczynamy pracę z biblioteką pandas
- 5.1. Wprowadzenie do struktur danych biblioteki pandas
- Obiekt Series
- Obiekt DataFrame
- Obiekty index
- 5.2. Podstawowe funkcjonalności
- Uaktualnianie indeksu
- Odrzucanie elementów osi
- Indeksowanie, wybieranie i filtrowanie
- Działania arytmetyczne i wyrównywanie danych
- Funkcje apply i map
- Sortowanie i tworzenie rankingów
- Indeksy osi ze zduplikowanymi etykietami
- 5.3. Podsumowywanie i generowanie statystyk opisowych
- Współczynnik korelacji i kowariancja
- Unikalne wartości, ich liczba i przynależność
- 5.4. Podsumowanie
6. Odczyt i zapis danych, formaty plików
- 6.1. Odczyt i zapis danych w formacie tekstowym
- Wczytywanie części 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
- Obsługa formatu HDF5
- 6.3. Obsługa interfejsów sieciowych
- 6.4. Obsługa baz danych
- 6.5. Podsumowanie
7. Czyszczenie i przygotowywanie danych
- 7.1. Obsługa brakujących danych
- Filtrowanie brakujących danych
- Wypełnianie brakujących danych
- 7.2. Przekształcanie danych
- Usuwanie duplikatów
- Przekształcanie danych przy użyciu funkcji lub mapowania
- Zastępowanie wartości
- Zmiana nazw indeksów osi
- Dyskretyzacja i podział na koszyki
- Wykrywanie i filtrowanie elementów odstających
- Permutacje i próbkowanie losowe
- Przetwarzanie wskaźników i zmiennych zastępczych
- 7.3. Rozszerzone typy danych
- 7.4. Operacje przeprowadzane na łańcuchach
- Metody obiektu typu string
- Wyrażenia 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 łączenia, wiązania i przekształcania
- 8.1. Indeksowanie hierarchiczne
- Zmiana kolejności i sortowanie poziomów
- Parametry statystyki opisowej z uwzględnieniem poziomu
- Indeksowanie z kolumnami ramki danych
- 8.2. Łączenie zbiorów danych
- Łączenie ramek danych w stylu łączenia elementów baz danych
- Łączenie przy użyciu indeksu
- Konkatenacja wzdłuż osi
- Łączenie częściowo nakładających się danych
- 8.3. Zmiana kształtu i operacje osiowe
- Przekształcenia z indeksowaniem hierarchicznym
- Przekształcanie z formatu "długiego" na "szeroki"
- Przekształcanie z formatu "szerokiego" na "długi"
- 8.4. Podsumowanie
9. Wykresy i wizualizacja danych
- 9.1. Podstawy obsługi interfejsu pakietu matplotlib
- Obiekty figure i wykresy składowe
- 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 pomocą pakietów pandas i seaborn
- Wykresy liniowe
- Wykresy słupkowe
- Histogramy i wykresy gęstości
- Wykresy punktowe
- Wykresy panelowe i dane kategoryczne
- 9.3. Inne narzędzia 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 użyciu słowników i serii
- Grupowanie przy użyciu funkcji
- Grupowanie przy użyciu 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-połącz
- Usuwanie kluczy grup
- Kwantyle i analiza koszykowa
- Przykład: wypełnianie brakujących wartości przy użyciu wartości charakterystycznych dla grupy
- Przykład: losowe generowanie próbek i permutacja
- Przykład: średnie ważone grup i współczynnik korelacji
- Przykład: regresja liniowa grup
- 10.4. Transformacje grup i "nieobudowane" operacje grupowania
- 10.5. Tabele przestawne i krzyżowe
- Tabele krzyżowe
- 10.6. Podsumowanie
11. Szeregi czasowe
- 11.1. Typy danych i narzędzia przeznaczone do obsługi daty i czasu
- Konwersja pomiędzy obiektami string i datetime
- 11.2. Podstawy szeregów czasowych
- Indeksowanie i wybieranie
- Szeregi czasowe z duplikatami indeksów
- 11.3. Zakresy dat, częstotliwości i przesunięcia
- Generowanie zakresów dat
- Częstotliwości i przesunięcia daty
- Przesuwanie daty
- 11.4. Obsługa strefy czasowej
- Lokalizacja i konwersja stref czasowych
- Operacje z udziałem obiektów Timestamp o wyznaczonej strefie czasowej
- Operacje pomiędzy różnymi strefami czasowymi
- 11.5. Okresy i przeprowadzanie na nich operacji matematycznych
- Konwersja częstotliwości łańcuchów
- Kwartalne częstotliwości okresów
- Konwersja znaczników czasu na okresy (i z powrotem)
- Tworzenie obiektów PeriodIndex na podstawie tablic
- 11.6. Zmiana rozdzielczości i konwersja częstotliwości
- Zmniejszanie częstotliwości
- Zwiększanie rozdzielczości i interpolacja
- Zmiana rozdzielczości z okresami
- Grupowa zmiana częstotliwości
- 11.7. Funkcje ruchomego okna
- Funkcje ważone wykładniczo
- Binarne funkcje ruchomego okna
- Funkcje ruchomego okna definiowane przez użytkownika
- 11.8. Podsumowanie
12. Wprowadzenie do bibliotek modelujących
- 12.1. Łączenie pandas z kodem modelu
- 12.2. Tworzenie opisów modeli przy użyciu biblioteki Patsy
- Przekształcenia danych za pomocą formuł 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 użyciu pakietu pandas
- 13.2. Zbiór danych MovieLens 1M
- Wyznaczenie rozbieżności 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 podziałem na wykonywany zawód i pracodawcę
- Podział kwot datków na koszyki
- Statystyki datków z podziałem na poszczególne stany
- 13.6. Podsumowanie
A. Zaawansowane zagadnienia związane z biblioteką NumPy
- A.1. Szczegóły budowy obiektu ndarray
- Hierarchia typów danych NumPy
- A.2. Zaawansowane operacje tablicowe
- Zmiana wymiarów tablic
- Kolejności charakterystyczne dla języków C i Fortran
- Łączenie i dzielenie tablic
- Powtarzanie elementów - funkcje tile i repeat
- Alternatywy indeksowania specjalnego - metody take i put
- A.3. Rozgłaszanie
- Rozgłaszanie wzdłuż innych osi
- Przypisywanie wartości elementom tablicy poprzez rozgłaszanie
- A.4. Zaawansowane zastosowania funkcji uniwersalnych
- Metody instancji funkcji uniwersalnych
- Pisanie nowych funkcji uniwersalnych w Pythonie
- A.5. Tablice o złożonej strukturze
- Zagnieżdżone typy danych i pola wielowymiarowe
- Do czego przydają się tablice o złożonej strukturze?
- A.6. Jeszcze coś o sortowaniu
- Sortowanie pośrednie - metody argsort i lexsort
- Alternatywne algorytmy sortowania
- Częściowe sortowanie tablic
- Wyszukiwanie elementów w posortowanej tablicy za pomocą metody numpy.searchsorted
- A.7. Pisanie szybkich funkcji NumPy za pomocą pakietu Numba
- Tworzenie obiektów numpy.ufunc za pomocą pakietu Numba
- A.8. Zaawansowane tablicowe operacje wejścia i wyjścia
- Pliki mapowane w pamięci
- HDF5 i inne możliwości zapisu tablic
- A.9. Jak zachować wysoką wydajność?
- Dlaczego warto korzystać z sąsiadujących ze sobą obszarów pamięci?
B. Dodatkowe informacje dotyczące systemu IPython
- B.1. Skróty klawiaturowe
- B.2. Magiczne polecenia
- Polecenie %run
- Uruchamianie kodu zapisanego w schowku
- B.3. Korzystanie z historii poleceń
- Przeszukiwanie i korzystanie z historii poleceń
- Zmienne wejściowe i wyjściowe
- B.4. Interakcja z systemem operacyjnym
- Polecenia powłoki systemowej i aliasy
- System tworzenia skrótów do katalogów
- B.5. Narzędzia programistyczne
- Interaktywny debuger
- Pomiar czasu - funkcje %time i %timeit
- Podstawowe profilowanie - funkcje %prun i %run-p
- Profilowanie funkcji linia po linii
- B.6. Wskazówki dotyczące produktywnego tworzenia kodu w środowisku IPython
- Przeładowywanie modułów
- Wskazówki dotyczące projektowania kodu
- B.7. Zaawansowane funkcje środowiska IPython
- Profile i konfiguracja
- B.8. Podsumowanie
| Kategoria: | Programowanie |
| Zabezpieczenie: |
Watermark
|
| ISBN: | 978-83-8322-324-7 |
| Rozmiar pliku: | 6,7 MB |
