登录
首页 » Python » python数据分析 韩波

python数据分析 韩波

于 2018-09-08 发布 文件大小:171KB
0 352
下载积分: 1 下载次数: 8

代码说明:

  一本python数据分析的优秀资料 《python数据分析》(python data analysis),作者【印尼】Ivan Idris,翻译:韩波。 本人制作的PDF图书,带目录和书签。 作为一种高级程序设计语言,Python凭借其简洁、易读及可扩展性日渐成为程序设计领域备受推崇的语言。同时,Python语言的数据分析功能也逐渐为大众所认可。, 本书是一本介绍如何用Python进行数据分析的学习指南。全书共12章,从Python程序库入门、NumPy数组、matplotlib和pandas开始,陆续介绍了数据加工、数据处理和数据可视化等内容。同时,本书还介绍了信号处理、数据库、文本分析、机器学习、互操作性和性能优化等高级主题。在本书的结尾,还采用3个附录的形式为读者补充了一些重要概念、常用函数以及在线资源等重要内容。, 本书示例丰富、简单易懂,非常适合对Python语言感兴趣或者想要使用Python语言进行数据分析的读者参考阅读。(python data analysis)

文件列表:

3358OS_Code, 0 , 2014-10-24
3358OS_Code\3358OS_01_Code, 0 , 2014-10-24
3358OS_Code\3358OS_01_Code\code1, 0 , 2014-10-24
3358OS_Code\3358OS_01_Code\code1\vectorsum.py, 1148 , 2014-05-04
3358OS_Code\3358OS_02_Code, 0 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code, 0 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2, 0 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\arrayattributes.py, 587 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\arrayattributes2.py, 2016 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\arrayconversion.py, 1264 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\boolean_indexing.py, 545 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\broadcasting.py, 731 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\charcodes.py, 399 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\copy_view.py, 386 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\dtypeattributes.py, 344 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\dtypeattributes2.py, 340 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\dtypeconstructors.py, 488 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\elementselection.py, 396 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\fancy.py, 503 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\ix.py, 479 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\numericaltypes.py, 772 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\shapemanipulation.py, 1350 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\slicing1d.py, 599 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\splitting.py, 1707 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\stacking.py, 2817 , 2014-10-24
3358OS_Code\3358OS_03_Code, 0 , 2014-10-24
3358OS_Code\3358OS_03_Code\3358OS_03_Code, 0 , 2014-10-24
3358OS_Code\3358OS_03_Code\3358OS_03_Code\basic_stats.py, 517 , 2014-05-10
3358OS_Code\3358OS_03_Code\3358OS_03_Code\eigenvalues.py, 384 , 2014-05-11
3358OS_Code\3358OS_03_Code\3358OS_03_Code\goog_flutrends.csv, 7549 , 2014-05-11
3358OS_Code\3358OS_03_Code\3358OS_03_Code\headortail.py, 441 , 2014-09-09
3358OS_Code\3358OS_03_Code\3358OS_03_Code\inversion.py, 201 , 2014-09-09
3358OS_Code\3358OS_03_Code\3358OS_03_Code\masked.py, 589 , 2014-10-15
3358OS_Code\3358OS_03_Code\3358OS_03_Code\masked_funcs.py, 778 , 2014-09-09
3358OS_Code\3358OS_03_Code\3358OS_03_Code\mdrtb_2012.csv, 3337 , 2014-05-10
3358OS_Code\3358OS_03_Code\3358OS_03_Code\MLB2008.csv, 7136 , 2014-05-11
3358OS_Code\3358OS_03_Code\3358OS_03_Code\normaldist.py, 304 , 2014-05-11
3358OS_Code\3358OS_03_Code\3358OS_03_Code\normality_test.py, 806 , 2014-05-11
3358OS_Code\3358OS_03_Code\3358OS_03_Code\pkg_check.py, 839 , 2014-05-11
3358OS_Code\3358OS_03_Code\3358OS_03_Code\solution.py, 190 , 2014-05-11
3358OS_Code\3358OS_04_Code, 0 , 2014-10-24
3358OS_Code\3358OS_04_Code\code4, 0 , 2014-10-24
3358OS_Code\3358OS_04_Code\code4\data_aggregation.py, 843 , 2014-05-19
3358OS_Code\3358OS_04_Code\code4\date_handling.py, 757 , 2014-05-30
3358OS_Code\3358OS_04_Code\code4\dest.csv, 47 , 2014-05-19
3358OS_Code\3358OS_04_Code\code4\df_demo.py, 261 , 2014-05-18
3358OS_Code\3358OS_04_Code\code4\join_demo.py, 913 , 2014-05-20
3358OS_Code\3358OS_04_Code\code4\missing_values.py, 498 , 2014-05-21
3358OS_Code\3358OS_04_Code\code4\pivot_demo.py, 493 , 2014-06-11
3358OS_Code\3358OS_04_Code\code4\pkg_check.py, 664 , 2014-06-10
3358OS_Code\3358OS_04_Code\code4\price_straddle.py, 677 , 2014-06-10
3358OS_Code\3358OS_04_Code\code4\query_demo.py, 704 , 2014-05-19
3358OS_Code\3358OS_04_Code\code4\series_demo.py, 621 , 2014-05-18
3358OS_Code\3358OS_04_Code\code4\stats_demo.py, 553 , 2014-05-19
3358OS_Code\3358OS_04_Code\code4\tips.csv, 28 , 2014-05-19
3358OS_Code\3358OS_04_Code\code4\WHO_first9cols.csv, 7776 , 2014-05-18
3358OS_Code\3358OS_05_Code, 0 , 2014-10-24
3358OS_Code\3358OS_05_Code\code5, 0 , 2014-10-24
3358OS_Code\3358OS_05_Code\code5\binary_formats.py, 563 , 2014-05-31
3358OS_Code\3358OS_05_Code\code5\hf5storage.py, 491 , 2014-06-01
3358OS_Code\3358OS_05_Code\code5\json_demo.py, 381 , 2014-06-02
3358OS_Code\3358OS_05_Code\code5\loremIpsum.html, 3623 , 2014-06-07
3358OS_Code\3358OS_05_Code\code5\pd_hdf.py, 597 , 2014-06-01
3358OS_Code\3358OS_05_Code\code5\pd_json.py, 410 , 2014-06-03
3358OS_Code\3358OS_05_Code\code5\pd_xls.py, 320 , 2014-06-01
3358OS_Code\3358OS_05_Code\code5\rss.py, 239 , 2014-06-03
3358OS_Code\3358OS_05_Code\code5\soup_request.py, 1056 , 2014-06-07
3358OS_Code\3358OS_05_Code\code5\writing_csv.py, 277 , 2014-05-31
3358OS_Code\3358OS_06_Code, 0 , 2014-10-24
3358OS_Code\3358OS_06_Code\code6, 0 , 2014-10-24
3358OS_Code\3358OS_06_Code\code6\autocorr_plot.py, 450 , 2014-06-16
3358OS_Code\3358OS_06_Code\code6\basic_plot.py, 137 , 2014-06-14
3358OS_Code\3358OS_06_Code\code6\gpu_transcount.csv, 483 , 2014-06-15
3358OS_Code\3358OS_06_Code\code6\lag_plot.py, 426 , 2014-06-16
3358OS_Code\3358OS_06_Code\code6\legend_annotations.py, 1097 , 2014-06-15
3358OS_Code\3358OS_06_Code\code6\log_plots.py, 373 , 2014-06-14
3358OS_Code\3358OS_06_Code\code6\pd_plotting.py, 478 , 2014-06-15
3358OS_Code\3358OS_06_Code\code6\pkg_check.py, 679 , 2014-06-14
3358OS_Code\3358OS_06_Code\code6\plot_ly.py, 714 , 2014-06-16
3358OS_Code\3358OS_06_Code\code6\scatter_plot.py, 579 , 2014-06-15
3358OS_Code\3358OS_06_Code\code6\three_dimensional.py, 735 , 2014-06-15
3358OS_Code\3358OS_06_Code\code6\transcount.csv, 1123 , 2014-06-14
3358OS_Code\3358OS_06_Code\__MACOSX, 0 , 2014-10-24
3358OS_Code\3358OS_06_Code\__MACOSX\code6, 0 , 2014-10-24
3358OS_Code\3358OS_06_Code\__MACOSX\code6\._gpu_transcount.csv, 120 , 2014-06-15
3358OS_Code\3358OS_06_Code\__MACOSX\code6\._transcount.csv, 120 , 2014-06-14
3358OS_Code\3358OS_07_Code, 0 , 2014-10-24
3358OS_Code\3358OS_07_Code\code7, 0 , 2014-10-24
3358OS_Code\3358OS_07_Code\code7\ar.py, 1350 , 2014-07-05
3358OS_Code\3358OS_07_Code\code7\arma.py, 506 , 2014-07-05
3358OS_Code\3358OS_07_Code\code7\autocorrelation.py, 540 , 2014-07-05
3358OS_Code\3358OS_07_Code\code7\cointegration.py, 695 , 2014-07-04
3358OS_Code\3358OS_07_Code\code7\filtering.py, 609 , 2014-07-06
3358OS_Code\3358OS_07_Code\code7\fourier.py, 898 , 2014-07-06
3358OS_Code\3358OS_07_Code\code7\iterate.dat, 3525 , 2014-07-05
3358OS_Code\3358OS_07_Code\code7\moving_average.py, 461 , 2014-07-04
3358OS_Code\3358OS_07_Code\code7\periodic.py, 1479 , 2014-07-05
3358OS_Code\3358OS_07_Code\code7\pkg_check.py, 678 , 2014-07-03
3358OS_Code\3358OS_07_Code\code7\spectrum.py, 547 , 2014-07-06
3358OS_Code\3358OS_07_Code\code7\window_functions.py, 551 , 2014-07-04

下载说明:请别用迅雷下载,失败请重下,重下不扣分!

发表评论

0 个回复

  • 频繁项集算法--TWOPHASE算法
    数据挖掘经典算法,频繁项集挖掘经典算法,TWOPHASE算法,源码中有详细注释
    2022-10-13 14:30:03下载
    积分:1
  • 0406遗传算法优化神经网络
    说明:  基于股票数据的神经网络,关于结算的预测,通过遗传算法加以改进(Based on the neural network of stock data, the prediction of settlement is improved by genetic algorithm)
    2020-04-26 21:54:01下载
    积分:1
  • 98598152
    实现通用的matlab蚁群算法的c++源码 重复使用度高()
    2018-07-05 18:01:35下载
    积分:1
  • 15082012
    求解矩阵的最大最小特征值及对应的特征向量,以及计算条件数()
    2020-08-31 01:18:10下载
    积分:1
  • guanlianguize
    说明:  r语言中关联规则代码实现 运用arulesViz包和arules包中的apriori函数(Code Implementation of Association Rule)
    2019-01-24 15:39:51下载
    积分:1
  • python 实现随机森林
    应用背景 数据   :两个月之内 40000个客户的15个数据字段   包含客户的 地          理位置,职业,职级,年收入,。。。。。。    购买过得产品 目的:对新客户进行推荐一个适合该客户的产品, 对老客户推荐可能再购买的产品 数据处理    数据清洗:   describe 每个特征统计分析       方差     -分析缺陷特征和波动性                 空值赋值为  “-1 “              -  保证模型的可使用    数据归一化:eg:邮编 相似度不高 根据一线二线….进行划分  – 特征的重要性 关键技术特征选择    随机森林:  判断特征的重要性 :思考为何重要性高     AHP    :  迭代设置每个特征的权重 模型选择   :根据数据量数量,是否有标签,分类or回归选取 关于模型选择时候我想用协同过滤  但是不知道关于特征的协同过滤是怎么执行的   是每个特征都有一个评分构成评价矩阵么?
    2022-02-25 17:28:51下载
    积分:1
  • python 做的网络爬虫
    说明:  用python 做的网络数据爬虫,爬取淘宝数据,并分析。(Use Python to do the network data crawler, crawl the Taobao data, and analyze.)
    2020-02-25 18:34:31下载
    积分:1
  • 带阻尼参的pagerank实现
    资源描述实现基本的pagerank算法,可实现传递阻尼参数和迭代次数。源文件从文件中读取
    2022-09-10 21:45:04下载
    积分:1
  • python-knn
    主要利用Python软件,利用KNN算法对垃圾邮件进行分类(This paper mainly uses Python software to classify spam mail by using KNN algorithm)
    2017-11-10 15:46:56下载
    积分:1
  • WDMAP6
    bp网络实现认知无线电的检测和预测,从而达到了对频谱的分配(Bp network realizes the detection and prediction of cognitive radio, thus achieving the spectrum allocation.)
    2018-09-06 15:06:37下载
    积分:1
  • 696516资源总数
  • 106914会员总数
  • 0今日下载