Python w data science. Praktyczne wprowadzenie - 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 data science. Praktyczne wprowadzenie - ebook
Python jest idealnym wyborem dla danologów, którzy chcą w prosty sposób uzyskiwać dostęp do dowolnego rodzaju danych, przetwarzać je i analizować. Służy do tego zarówno bogaty zestaw wbudowanych struktur danych, jak i solidny zbiór przeznaczonych do ich analizy bibliotek open source . Sam język pozwala na tworzenie zwięzłego kodu przy minimalnym nakładzie czasu i wysiłku: jeden wiersz kodu może filtrować, przekształcać i agregować dane.
Tę książkę docenią średnio zaawansowani użytkownicy Pythona, którzy tworzą aplikacje korzystające z osiągnięć nauki o danych. Znajdziesz w niej omówienie możliwości języka, wbudowanych struktur danych Pythona, jak również takich bibliotek jak NumPy, pandas, scikit-learn i matplotlib. Nauczysz się wczytywania danych w różnych formatach, porządkowania, grupowania i agregowana zbiorów danych, a także tworzenia wykresów i map. Poszczególne zagadnienia zostały zilustrowane praktycznymi przykładami tworzenia rzeczywistych aplikacji, takich jak system obsługi taksówek z wykorzystaniem danych lokalizacyjnych, analiza reguł asocjacyjnych dla danych transakcji czy też uczenie maszynowe modelu przewidującego zmiany kursów akcji. Każdy rozdział zawiera interesujące ćwiczenia, które pozwolą Ci nabrać biegłości w stosowaniu opisanych tu technik.
Dzięki tej książce nauczysz się:
- efektywnie korzystać ze struktur danych Pythona
- wyciągać cenne informacje z danych
- posługiwać się danymi: tekstowymi, przestrzennymi, szeregami czasowymi
- korzystać z wielu typów i formatów danych, w tym JSON i CSV
- używać technik uczenia maszynowego do celów przetwarzania języka naturalnego
Python: Twój najlepszy sojusznik w przetwarzaniu danych!
Spis treści
Wprowadzenie
1. Podstawowe informacje o danych
- Kategorie danych
- Dane niestrukturalne
- Dane strukturalne
- Dane częściowo strukturalne
- Dane o postaci szeregów czasowych
- Źródła danych
- Interfejsy programowania aplikacji (API)
- Strony WWW
- Bazy danych
- Pliki
- Potok przetwarzania danych
- Pozyskiwanie
- Oczyszczanie
- Przekształcanie
- Analiza
- Przechowywanie
- W sposób charakterystyczny dla Pythona
- Podsumowanie
2. Struktury danych w Pythonie
- Listy
- Tworzenie list
- Stosowanie najpopularniejszych metod obiektów list
- Stosowanie notacji wycinków
- Stosowanie list jako kolejek
- Stosowanie list jako stosów
- Używanie list i stosów do przetwarzania języka naturalnego
- Ulepszenia dzięki użyciu list składanych
- Krotki
- Listy krotek
- Niezmienność
- Słowniki
- Listy słowników
- Dodawanie danych do słownika przy użyciu setdefault()
- Wczytywanie kodu JSON do słownika
- Zbiory
- Usuwanie powtórzeń z sekwencji
- Wykonywanie typowych operacji na zbiorach
- Ćwiczenie 1. Poprawiony analizator znaczników zdjęć
- Podsumowanie
3. Biblioteki Pythona używane w zagadnieniach nauki o danych
- NumPy
- Instalowanie NumPy
- Tworzenie tablic NumPy
- Wykonywanie operacji na elementach
- Stosowanie statystycznych funkcji NumPy
- Ćwiczenie 2. Stosowanie funkcji statystycznych NumPy
- pandas
- Instalacja pandas
- Obiekty Series
- Ćwiczenie 3. Łączenie trzech serii
- Obiekty DataFrame
- Ćwiczenie 4. Stosowanie różnych typów złączeń
- Biblioteka scikit-learn
- Instalowanie biblioteki scikit-learn
- Pobieranie przykładowego zestawu danych
- Wczytywanie przykładowego zbioru danych do ramki danych
- Podział przykładowego zbioru danych na zbiór uczący i testowy
- Przekształcanie tekstu w liczbowe wektory cech
- Trenowanie i ocenianie modelu
- Wykonywanie predykcji na nowych danych
- Podsumowanie
4. Korzystanie z danych z plików i API
- Importowanie danych przy użyciu funkcji open() Pythona
- Pliki tekstowe
- Pliki z danymi tabelarycznymi
- Ćwiczenie 5. Otwieranie plików JSON
- Pliki binarne
- Eksportowanie danych do plików
- Dostęp do plików zdalnych i API
- Jak działają żądania HTTP
- Biblioteka urllib3
- Biblioteka Requests
- Ćwiczenie 6. Korzystanie z API przy użyciu biblioteki Requests
- Przenoszenie danych do i z obiektów DataFrame
- Importowanie zagnieżdżonych struktur JSON
- Konwersja obiektów DataFrame na format JSON
- Ćwiczenie 7. Manipulowanie złożonymi strukturami danych w formacie JSON
- Wczytywanie danych z internetu przy użyciu pandas-datareader
- Podsumowanie
5. Korzystanie z baz danych
- Relacyjne bazy danych
- Wyjaśnienie instrukcji SQL
- Rozpoczynanie pracy z bazą MySQL
- Definiowanie struktury bazy danych
- Wstawianie danych do bazy
- Zapytania - pobieranie danych z bazy
- Ćwiczenie 8. Wykonywanie złączenia jeden-do-wielu
- Stosowanie analitycznych narzędzi baz danych
- Bazy danych NoSQL
- Magazyny par klucz-wartość
- Dokumentowe bazy danych
- Ćwiczenie 9. Wstawianie i wyszukiwanie wielu dokumentów
- Podsumowanie
6. Agregacja danych
- Dane do agregacji
- Łączenie obiektów DataFrame
- Grupowanie i agregacja danych
- Przeglądanie konkretnych agregacji za pomocą MultiIndeksu
- Wycinanie zakresów zagregowanych wartości
- Wycinanie na podstawie poziomu agregacji
- Dodawanie sumy całkowitej
- Dodawanie sum częściowych
- Ćwiczenie 10. Usuwanie wierszy sum z ramki danych
- Selekcja wierszy w ramach grupy
- Podsumowanie
7. Łączenie zbiorów danych
- Łączenie wbudowanych struktur danych
- Łączenie list i krotek przy użyciu operatora +
- Łączenie słowników przy użyciu operatora **
- Łączenie odpowiadających sobie wierszy z dwóch struktur
- Implementacja różnych typów złączeń na listach
- Łączenie tablic NumPy
- Ćwiczenie 11. Dodawanie nowych wierszy i kolumn do tablic NumPy
- Łączenie struktur danych biblioteki pandas
- Konkatenacja obiektów DataFrame
- Łączenie dwóch obiektów DataFrame
- Podsumowanie
8. Tworzenie wizualizacji
- Najczęściej używane sposoby wizualizacji
- Wykresy liniowe
- Wykresy słupkowe
- Wykresy kołowe
- Histogramy
- Tworzenie wykresów przy użyciu Matplotlib
- Instalacja biblioteki Matplotlib
- Stosowanie modułu matplotlib.pyplot
- Stosowanie obiektów Figure i Axes
- Ćwiczenie 12. Łączenie zakresów w wycinek "inne"
- Stosowanie innych bibliotek z Matplotlib
- Prezentowanie danych biblioteki pandas
- Wykreślanie danych geoprzestrzennych przy użyciu Cartopy
- Ćwiczenie 13. Rysowanie map przy użyciu Cartopy i Matplotlib
- Podsumowanie
9. Analizowanie danych o lokalizacji
- Pozyskiwanie danych
- Przekształcanie adresów na dane geograficzne
- Pobieranie współrzędnych geograficznych poruszających się obiektów
- Analiza danych przestrzennych przy użyciu geopy i Shapely
- Znajdowanie najbliższego obiektu
- Znajdowanie obiektów w określonym obszarze
- Ćwiczenie 14. Definiowanie dwóch lub większej liczby wielokątów
- Połączenie obu rozwiązań
- Ćwiczenie 15. Kolejne usprawnienie algorytmu odbioru
- Łączenie danych przestrzennych z nieprzestrzennymi
- Stosowanie atrybutów nieprzestrzennych
- Ćwiczenie 16. Filtrowanie danych przy wykorzystaniu list składanych
- Łączenie zbiorów danych przestrzennych i nieprzestrzennych
- Podsumowanie
10. Analizowanie danych z szeregów czasowych
- Szeregi czasowe regularne i nieregularne
- Popularne techniki analizy szeregów czasowych
- Obliczanie zmian procentowych
- Obliczenia dla okna kroczącego
- Obliczanie zmiany procentowej dla okna kroczącego
- Szeregi czasowe z wieloma zmiennymi
- Przetwarzanie szeregów czasowych z wieloma zmiennymi
- Analizowanie zależności pomiędzy zmiennymi
- Ćwiczenie 17. Dodawanie kolejnych metryk do analizy zależności
- Podsumowanie
11. Wyciąganie wniosków na podstawie danych
- Reguły asocjacyjne
- Wsparcie
- Ufność
- Przesunięcie
- Algorytm Apriori
- Tworzenie zbioru danych transakcji
- Identyfikacja często występujących produktów
- Generacja reguł asocjacyjnych
- Wizualizacja reguł asocjacyjnych
- Uzyskiwanie praktycznych informacji na podstawie reguł asocjacyjnych
- Generowanie rekomendacji
- Planowanie obniżek na podstawie reguł asocjacyjnych
- Ćwiczenie 18. Analizowanie rzeczywistych danych transakcji
- Podsumowanie
12. Uczenie maszynowe w nauce o danych
- Dlaczego uczenie maszynowe?
- Typy uczenia maszynowego
- Uczenie nadzorowane
- Uczenie nienadzorowane
- Jak działa uczenie maszynowe
- Dane uczące
- Model statystyczny
- Dane, które wcześniej nie były widoczne
- Przykład analizy sentymentu - klasyfikacja recenzji produktów
- Pobieranie opinii o produktach
- Czyszczenie danych
- Dzielenie i przekształcanie danych
- Uczenie modelu
- Ocenianie modelu
- Ćwiczenie 19. Rozszerzanie przykładowego zestawu danych
- Przewidywanie trendów giełdowych
- Pozyskiwanie danych
- Określanie cech na podstawie ciągłych danych
- Generowanie zmiennej wynikowej
- Uczenie i ocena modelu
- Ćwiczenie 20. Eksperymenty z innymi walorami i nowymi metrykami
- Podsumowanie
| Kategoria: | Programowanie |
| Zabezpieczenie: |
Watermark
|
| ISBN: | 978-83-289-1021-8 |
| Rozmiar pliku: | 4,5 MB |
