Python數據可視化簡(jiǎn)介，目錄書(shū)摘

內容簡(jiǎn)介:　　《Python數據可視化》介紹了利用Python實(shí)現數據可視化。并介紹了數據、信息與知識之間的關(guān)系。書(shū)中涉及的可視化過(guò)程應用了大量流行的Python庫，你會(huì )學(xué)到采用Numpy、Scipy、IPython、MatPotLib、Pandas、Patsy和Scikit-Learn等生成可視化結果的不同方法。

目錄:譯者序
前　言
第1章　數據可視化概念框架1
1.1　數據、信息、知識和觀(guān)點(diǎn)2
1.1.1　數據2
1.1.2　信息2
1.1.3　知識3
1.1.4　數據分析和觀(guān)點(diǎn)3
1.2　數據轉換4
1.2.1　數據轉換為信息4
1.2.2　信息轉換為知識7
1.2.3　知識轉換為觀(guān)點(diǎn)7
1.3　數據可視化歷史8
1.4　可視化如何幫助決策10
1.4.1　可視化適用于哪里11
1.4.2　如今的數據可視化12
1.5　可視化圖像15
1.5.1　條形圖和餅圖19
1.5.2　箱線(xiàn)圖22
1.5.3　散點(diǎn)圖和氣泡圖23
1.5.4　核密度估計圖26
1.6　總結29
第2章　數據分析與可視化30
2.1　為什么可視化需要規劃31
2.2　Ebola案例31
2.3　體育案例37
2.4　用數據編寫(xiě)有趣的故事47
2.4.1　為什么故事如此重要47
2.4.2　以讀者驅動(dòng)為導向的故事47
2.4.3　以作者驅動(dòng)為導向的故事53
2.5　感知與表達方法55
2.6　一些最好的可視化實(shí)踐57
2.6.1　比較和排名57
2.6.2　相關(guān)性58
2.6.3　分布59
2.6.4　位置定位或地理數據61
2.6.5　局部到整體的關(guān)系61
2.6.6　隨時(shí)間的變化趨勢62
2.7　Python中的可視化工具62
2.8　交互式可視化64
2.8.1　事件監聽(tīng)器64
2.8.2　布局設計65
2.9　總結67
第3章　開(kāi)始使用Python IDE69
3.1　Python中的IDE工具70
3.1.1　Python 3.x和Python 2.770
3.1.2　交互式工具類(lèi)型70
3.1.3　Python IDE類(lèi)型72
3.2　Anaconda可視化繪圖83
3.2.1　表面三維圖83
3.2.2　方形圖85
3.3　交互式可視化軟件包89
3.3.1　Bokeh 89
3.3.2　VisPy90
3.4　總結91
第4章　數值計算和交互式繪圖92
4.1　NumPy、SciPy和MKL函數93
4.1.1　NumPy93
4.1.2　SciPy99
4.1.3　MKL函數105
4.1.4　Python的性能106
4.2　標量選擇106
4.3　切片107
4.4　數組索引108
4.4.1　數值索引108
4.4.2　邏輯索引109
4.5　其他數據結構110
4.5.1　棧110
4.5.2　元組111
4.5.3　集合112
4.5.4　隊列113
4.5.5　字典114
4.5.6　字典的矩陣表示115
4.5.7　Trie樹(shù)120
4.6　利用matplotlib進(jìn)行可視化121
4.6.1　詞云122
4.6.2　安裝詞云122
4.6.3　詞云的輸入 124
4.6.4　繪制股票價(jià)格圖129
4.7　體育運動(dòng)中的可視化案例136
4.8　總結140
第5章　金融和統計模型141
5.1　確定性模型142
5.2　隨機性模型150
5.2.1　蒙特卡洛模擬150
5.2.2　投資組合估值168
5.2.3　模擬模型 170
5.2.4　幾何布朗運動(dòng)模擬170
5.2.5　基于擴散模擬173
5.3　閾值模型175
5.4　統計與機器學(xué)習綜述179
5.4.1　k-最近鄰算法179
5.4.2　廣義線(xiàn)性模型181
5.5　創(chuàng )建動(dòng)畫(huà)和交互圖184
5.6　總結188
第6章　統計與機器學(xué)習189
6.1　分類(lèi)方法190
6.1.1　理解線(xiàn)性回歸191
6.1.2　線(xiàn)性回歸193
6.1.3　決策樹(shù)196
6.1.4　貝葉斯理論199
6.1.5　樸素貝葉斯分類(lèi)器200
6.1.6　用TextBlob構建樸素貝葉斯分類(lèi)器202
6.1.7　用詞云觀(guān)察積極情緒206
6.2　k-最近鄰208
6.3　邏輯斯諦回歸211
6.4　支持向量機214
6.5　主成分分析216
6.6　 k-均值聚類(lèi)220
6.7　總結223
第7章　生物信息學(xué)、遺傳學(xué)和網(wǎng)絡(luò )模型224
7.1　有向圖和多重圖225
7.1.1　存儲圖表數據225
7.1.2　圖表展示227
7.2　圖的聚集系數235
7.3　社交網(wǎng)絡(luò )分析238
7.4　平面圖測試 240
7.5　有向無(wú)環(huán)圖測試 242
7.6　最大流量和最小切割244
7.7　遺傳編程示例245
7.8　隨機區組模型247
7.9　總結250
第8章　高級可視化252
8.1　計算機模擬253
8.1.1　Python的random包253
8.1.2　SciPy的random函數254
8.1.3　模擬示例255
8.1.4　信號處理258
8.1.5　動(dòng)畫(huà)制作261
8.1.6　利用HTML5進(jìn)行可視化263
8.1.7　Julia和Python有什么區別267
8.1.8　用D3.js進(jìn)行可視化267
8.1.9　儀表盤(pán)268
8.2　總結269
附錄　繼續探索可視化270