本書由兩位資深數(shù)據(jù)科學家撰寫，融合其多年從事數(shù)據(jù)科學相關的教學和科研工作經(jīng)驗，借助現(xiàn)有的Python語法和結(jié)構(gòu)知識，全面而系統(tǒng)地講解進行數(shù)據(jù)科學分析和開發(fā)的相關工具、技術和*佳實踐，包含清晰的代碼和簡化的示例。通過閱讀本書，你將深入理解Python核心概念，成為高效數(shù)據(jù)科學實踐者。
本書共6章，系統(tǒng)介紹了進行數(shù)據(jù)科學分析和開發(fā)所涉及的關鍵要素。書中首先介紹Python軟件及相關工具包的安裝和使用；接著不僅講解數(shù)據(jù)加載、運算和改寫等基本數(shù)據(jù)準備過程，還詳細介紹特征選擇、維數(shù)約簡等高級數(shù)據(jù)操作方法；并且建立了由訓練、驗證、測試等過程組成的數(shù)據(jù)科學流程，結(jié)合具體示例深入淺出地講解了多種機器學習算法；然后介紹了基于圖模型的社會網(wǎng)絡創(chuàng)建、分析和處理方法；最后講解數(shù)據(jù)分析結(jié)果的可視化及相關工具的使用方法。
本書首先介紹如何設置基本的數(shù)據(jù)科學工具箱，然后帶你進入數(shù)據(jù)改寫和預處理階段，這一部分主要是闡明所有與核心數(shù)據(jù)科學活動相關的數(shù)據(jù)分析過程，如數(shù)據(jù)加載、轉(zhuǎn)換、修復以及數(shù)據(jù)探索和處理等。最后，通過主要的機器學習算法、圖形分析技術，以及所有易于表現(xiàn)結(jié)果的可視化工具，實現(xiàn)對數(shù)據(jù)科學的概述。
本書行文過程以數(shù)據(jù)科學項目為主體，輔以整潔的代碼和簡化的示例，能幫助你理解與項目相關的潛在原理和實際數(shù)據(jù)集。
通過閱讀本書，你將學到：
使用Windows、Mac和Linux系統(tǒng)上的Python科學環(huán)境設置數(shù)據(jù)科學工具箱
為數(shù)據(jù)科學項目準備數(shù)據(jù)
為了解決數(shù)據(jù)科學問題，進行數(shù)據(jù)操作、修復和探索
建立實驗流程來檢驗數(shù)據(jù)科學假設
為數(shù)據(jù)科學任務選擇*有效和可擴展的學習算法
優(yōu)化機器學習模型，以獲得*佳性能
進行圖的探索和聚集分析，充分利用數(shù)據(jù)中的聯(lián)系和連接
“千里之行，始于足下。”
—老子（公元前604—531年） 數(shù)據(jù)科學屬于相對較新的知識領域，它需要成功融合線性代數(shù)、統(tǒng)計建模、可視化、計算語言學、圖形分析、機器學習、商業(yè)智能、數(shù)據(jù)存儲和檢索等眾多學科。
Python編程語言在過去十年已經(jīng)征服了科學界，它現(xiàn)在是數(shù)據(jù)科學實踐者不可或缺的工具，也是每一個有抱負的數(shù)據(jù)科學家的必備工具。Python為數(shù)據(jù)分析、機器學習和算法問題求解提供了快速、可靠、跨平臺、成熟的開發(fā)環(huán)境。無論之前數(shù)據(jù)科學應用中阻止你掌握Python的原因是什么，這些都將通過我們簡單的分步化解和示例導向的方法來解決，我們將幫助你在演示數(shù)據(jù)集和實際數(shù)據(jù)集上使用最直接有效的Python工具。
借助你現(xiàn)有的Python語法和結(jié)構(gòu)知識（不要擔心，如果你需要獲取更多的Python知識，我們有一些Python教程），本書將從介紹建立基本的數(shù)據(jù)科學工具箱開始。接著，它將引導你進入完整的數(shù)據(jù)改寫和預處理階段。我們還需要花一定量的時間來解釋數(shù)據(jù)類型的轉(zhuǎn)換、修復、探索和處理等核心活動。然后，我們將演示高級數(shù)據(jù)科學操作，建立變量和假設選擇的實驗流程，優(yōu)化超參數(shù)，有效地使用交叉驗證和測試。最后，我們將完成數(shù)據(jù)科學精要的概述，介紹主要的機器學習算法、圖的分析技術和所有用于呈現(xiàn)結(jié)果的可視化方法。
在數(shù)據(jù)科學項目的具體演示過程中，永遠都伴有清晰的代碼和簡化的例子，以幫助你理解項目背后的機制和實際數(shù)據(jù)集。本書也會給你一些經(jīng)驗提示，幫助你立即上手當前的項目。準備好了嗎？相信你已經(jīng)準備踏上這個漫長而又值得期待的旅程了。
本書內(nèi)容 第1章介紹所有必需的基礎工具（用于交互計算的shell命令、庫和數(shù)據(jù)集），使用Python可以立即開始數(shù)據(jù)科學分析。
第2章闡明如何加載要處理的數(shù)據(jù)，當數(shù)據(jù)太大計算機不能處理時要采用替代技術。本章介紹了所有主要的數(shù)據(jù)操作和轉(zhuǎn)換技術。
第3章提供了高級數(shù)據(jù)探索和操作技術，使用復雜的數(shù)據(jù)操作進行特征創(chuàng)建和精簡、數(shù)據(jù)異常檢測、驗證技術應用等。
第4章帶你學習Scikit-learn庫中最重要的學習算法，演示了實際應用以及為了獲得每種機器學習技術的最佳結(jié)果，指出了應該重點檢查的關鍵數(shù)值和要調(diào)試的參數(shù)。
第5章詳細介紹了一些實用又有效的數(shù)據(jù)處理技術，用于處理表示社會實體之間的關系或相互作用的數(shù)據(jù)。
第6章利用圖形化表示完善數(shù)據(jù)科學概述。如果你想形象地表示復雜的數(shù)據(jù)結(jié)構(gòu)、機器學習過程和結(jié)果，這些可視化技術是不可或缺的。
閱讀準備 本書提到的Python及其他數(shù)據(jù)科學工具，從IPython到Scikit-learn都能在網(wǎng)上免費下載。要運行本書附帶的源代碼，需要一臺帶有Windows、Linux或Mac OS操作系統(tǒng)的計算機。本書將分步介紹Python解釋器以及運行示例所需要的其他工具和數(shù)據(jù)的安裝過程。
讀者對象 本書基于你已經(jīng)具備的一些核心技能，能使你變成高效的數(shù)據(jù)科學從業(yè)者。因此，我們假定你具有編程和統(tǒng)計學方面的基礎知識。
本書提供的示例代碼不需要你精通Python語言，但是假設你至少了解一些基礎知識，如Python腳本編寫、列表和字典數(shù)據(jù)結(jié)構(gòu)、類對象的工作原理等。在閱讀本書之前，花幾個小時學習一下第1章推薦的網(wǎng)絡課程，就可以快速獲得這些知識，當然也可以學習其他相關教程。
本書并不需要高級數(shù)據(jù)科學的概念，我們提供的信息足夠幫助你理解本書示例用到的核心概念。
總的來說，本書適合以下人員：
. 有較少的Python編程經(jīng)驗和數(shù)據(jù)分析知識，但還沒有數(shù)據(jù)科學算法等專業(yè)知識，有志于成為數(shù)據(jù)科學家的新手。
能熟練運用R和Matlab等工具進行統(tǒng)計建模、愿意利用Python進行數(shù)據(jù)科學處理的數(shù)據(jù)分析師。
有意學習數(shù)據(jù)操作和機器學習、不斷拓展知識面的開發(fā)者和程序員。
Alberto Boschetti 數(shù)據(jù)科學家、信號處理和統(tǒng)計學方面的專家。他擁有通信工程專業(yè)博士學位，現(xiàn)在倫敦居住和工作�；谒鶑氖碌捻椖�，他每天都要面對包括自然語言處理、機器學習和概率圖模型等方面的挑戰(zhàn)。他對工作充滿激情，經(jīng)常參加學術聚會、研討會等學術活動，緊跟數(shù)據(jù)科學技術發(fā)展的前沿。
Luca Massaron 數(shù)據(jù)科學家、市場研究總監(jiān)，是多元統(tǒng)計分析、機器學習和客戶洞察方面的專家，有十年以上解決實際問題的經(jīng)驗，使用推理、統(tǒng)計、數(shù)據(jù)挖掘和算法為利益相關者創(chuàng)造了巨大的價值。他是意大利網(wǎng)絡受眾分析的先鋒，并在Kaggler上獲得排名前十的佳績，隨后一直熱心參與一切與數(shù)據(jù)分析相關的活動，積極給新手和專業(yè)人員講解數(shù)據(jù)驅(qū)動知識發(fā)現(xiàn)的潛力。他崇尚大道至簡，堅信理解數(shù)據(jù)科學的本質(zhì)能帶來巨大收獲。
譯者序
前言
第1章 新手上路1
1.1 數(shù)據(jù)科學與Python簡介1
1.2 Python的安裝2
1.2.1 Python 2還是Python 33
1.2.2 分步安裝3
1.2.3 Python核心工具包一瞥4
1.2.4 工具包的安裝7
1.2.5 工具包升級9
1.3 科學計算發(fā)行版9
1.3.1 Anaconda10
1.3.2 Enthought Canopy10
1.3.3 PythonXY10
1.3.4 WinPython10
1.4 IPython簡介10
1.4.1 IPython Notebook12
1.4.2 本書使用的數(shù)據(jù)集和代碼18
1.5 小結(jié)25
第2章 數(shù)據(jù)改寫26
2.1 數(shù)據(jù)科學過程26
2.2 使用pandas進行數(shù)據(jù)加載與預處理27
2.2.1 數(shù)據(jù)快捷加載27
2.2.2 處理問題數(shù)據(jù)30
2.2.3 處理大數(shù)據(jù)集32
2.2.4 訪問其他數(shù)據(jù)格式36
2.2.5 數(shù)據(jù)預處理37
2.2.6 數(shù)據(jù)選擇39
2.3 使用分類數(shù)據(jù)和文本數(shù)據(jù)41
2.4 使用NumPy進行數(shù)據(jù)處理49
2.4.1 NumPy中的N維數(shù)組49
2.4.2 NumPy ndarray對象基礎50
2.5 創(chuàng)建NumPy數(shù)組50
2.5.1 從列表到一維數(shù)組50
2.5.2 控制內(nèi)存大小51
2.5.3 異構(gòu)列表52
2.5.4 從列表到多維數(shù)組53
2.5.5 改變數(shù)組大小54
2.5.6 利用NumPy函數(shù)生成數(shù)組56
2.5.7 直接從文件中獲得數(shù)組57
2.5.8 從pandas提取數(shù)據(jù)57
2.6 NumPy快速操作和計算58
2.6.1 矩陣運算60
2.6.2 NumPy數(shù)組切片和索引61
2.6.3 NumPy數(shù)組堆疊63
2.7 小結(jié)65
第3章 數(shù)據(jù)科學流程66
3.1 EDA簡介66
3.2 特征創(chuàng)建70
3.3 維數(shù)約簡72
3.3.1 協(xié)方差矩陣72
3.3.2 主成分分析73
3.3.3 一種用于大數(shù)據(jù)的PCA變型—Randomized PCA76
3.3.4 潛在因素分析77
3.3.5 線性判別分析77
3.3.6 潛在語義分析78
3.3.7 獨立成分分析78
3.3.8 核主成分分析78
3.3.9 受限玻耳茲曼機80
3.4 異常檢測和處理81
3.4.1 單變量異常檢測82
3.4.2 EllipticEnvelope83
3.4.3 OneClassSVM87
3.5 評分函數(shù)90
3.5.1 多標號分類90
3.5.2 二值分類92
3.5.3 回歸93
3.6 測試和驗證93
3.7 交叉驗證97
3.7.1 使用交叉驗證迭代器99
3.7.2 采樣和自舉方法100
3.8 超參數(shù)優(yōu)化102
3.8.1 建立自定義評分函數(shù)104
3.8.2 減少網(wǎng)格搜索時間106
3.9 特征選擇108
3.9.1 單變量選擇108
3.9.2 遞歸消除110
3.9.3 穩(wěn)定性選擇與基于L1的選擇111
3.10 小結(jié)112
第4章 機器學習113
4.1 線性和邏輯回歸113
4.2 樸素貝葉斯116
4.3 K近鄰118
4.4 高級非線性算法119
4.4.1 基于SVM的分類算法120
4.4.2 基于SVM的回歸算法122
4.4.3 調(diào)整SVM123
4.5 組合策略124
4.5.1 基于隨機樣本的粘合策略125
4.5.2 基于弱組合的分袋策略125
4.5.3 隨機子空間和隨機分片126
4.5.4 模型序列—AdaBoost127
4.5.5 梯度樹提升128
4.5.6 處理大數(shù)據(jù)129
4.6 自然語言處理一瞥136
4.6.1 詞語分詞136
4.6.2 詞干提取137
4.6.3 詞性標注137
4.6.4 命名實體識別138
4.6.5 停止詞139
4.6.6 一個完整的數(shù)據(jù)科學示例—文本分類140
4.7 無監(jiān)督學習概述141
4.8 小結(jié)146
第5章 社會網(wǎng)絡分析147
5.1 圖論簡介147
5.2 圖的算法152
5.3 圖的加載、輸出和采樣157
5.4 小結(jié)160
第6章 可視化161
6.1 matplotlib基礎介紹161
6.1.1 曲線繪圖162
6.1.2 繪制分塊圖163
6.1.3 散點圖164
6.1.4 直方圖165
6.1.5 柱狀圖166
6.1.6 圖像可視化167
6.2 pandas的幾個圖形示例169
6.2.1 箱線圖與直方圖170
6.2.2 散點圖171
6.2.3 平行坐標173
6.3 高級數(shù)據(jù)學習表示174
6.3.1 學習曲線174
6.3.2 驗證曲線176
6.3.3 特征重要性177
6.3.4 GBT部分依賴關系圖179
6.4 小結(jié)180
新書資訊