计算思维与Python语言程序设计（提高篇）
￥36.00定价
作者： 李晓艳
出版时间：2024-01
出版社：科学出版社
- 科学出版社
- 9787030705358
- 1-1
- 529161
- 49248700-4
- 2024-01
- 计算机
- 本科
内容简介
本书主要介绍基于Python语言的数据分析实践工具，分成Python网络爬虫与信息提取、Python数据分析与展示、Python科学计算三维可视化和Python机器学习应用四大知识模块，以及综合案例。在每一个知识模块，先对核心的理论知识进行介绍，再重点介绍该模块的典型实践工具的使用方法，最后以大量的经典案例或实际问题求解案例为纽带，在各知识点间建立一种联系，强化各知识点间的融合。作者力图通过简练的语言、精美的图表，展现基于Python的相关技术和工具的核心技能点，帮助读者快速检索知识，提升学习和工作效率。
本书的内容范围广，适合作为高等学校计算机公共基础课的教材，可作为以Python为基础的程序设计类课程的配套教材，也可作为数据科学与大数据技术专业教师和学生的学习资料，还可作为数据分析师、数据工程师和算法工程师等数据科学从业者项目实践的参考书。
本书的内容范围广，适合作为高等学校计算机公共基础课的教材，可作为以Python为基础的程序设计类课程的配套教材，也可作为数据科学与大数据技术专业教师和学生的学习资料，还可作为数据分析师、数据工程师和算法工程师等数据科学从业者项目实践的参考书。
目录
第1章 绪论 1
1.1 Python编程语言 1
1.1.1 Python语言的特点 1
1.1.2 Python语言的版本 2
1.1.3 Python的应用领域 2
1.2 Python网络爬虫 4
1.2.1 网络爬虫的工作原理 4
1.2.2 网络爬虫的常用技术 4
1.2.3 网络爬虫的应用 5
1.3 Python数据分析与可视化 5
1.3.1 NumPy 6
1.3.2 Pandas 6
1.3.3 Matplotlib 7
1.4 Python科学计算可视化 8
1.4.1 科学可视化基础 8
1.4.2 函数库介绍 10
1.5 机器学习 11
1.5.1 机器学习算法的分类 12
1.5.2 机器学习经典算法 12
1.6 Python开发环境部署 14
1.6.1 Jupyter Notebook入门 14
1.6.2 Jupyter Notebook的优势 14
1.6.3 Jupyter Notebook的界面 15
1.6.4 Jupyter Notebook的基本使用 17
第2章 Python网络爬虫与信息提取 19
2.1 网络爬虫简介 19
2.1.1 通用网络爬虫的工作原理 19
2.1.2 通用网络爬虫的常用技术 20
2.1.3 网络爬虫的分类 21
2.1.4 网络爬虫开发常用框架 22
2.2 基于Requests的网络数据获取方法 23
2.2.1 Requests的安装 24
2.2.2 Requests的使用方法 24
2.3 基于BeautifulSoup的Web数据解析方法 28
2.3.1 HTML结构 28
2.3.2 BeautifulSoup的安装 32
2.3.3 BeautifulSoup的基本使用方法 33
2.4 基于BeautifulSoup的校园新闻信息的爬取 37
第3章 Python数据分析与展示 41
3.1 基于NumPy的数据处理方法 41
3.1.1 NumPy安装 41
3.1.2 NumPy的数据结构 42
3.1.3 创建数组 43
3.1.4 数据输入/输出 45
3.1.5 数组的索引与变换 46
3.1.6 利用NumPy进行统计分析 50
3.2 基于Pandas的大数据处理方法 51
3.2.1 Pandas库的安装 51
3.2.2 Pandas的基本数据结构 52
3.2.3 数据输入/输出 54
3.2.4 数据探索 57
3.2.5 数据索引 59
3.2.6 数据选取 60
3.2.7 数据聚合与分组运算 63
3.2.8 数据简单分析 66
3.3 基于Matplotlib的大数据展示方法 66
3.3.1 Matplotlib安装 67
3.3.2 绘图流程 68
3.3.3 常见的图表类型 69
3.3.4 图形设置 71
3.3.5 绘图示例 72
3.4 网络招聘的数据分析 77
第4章 Python科学计算三维可视化 84
4.1 Python科学计算三维可视化简介 84
4.1.1 TVTK 84
4.1.2 Mayavi 86
4.1.3 TraitsUI 86
4.1.4 SciPy 88
4.2 三维可视化库Mayavi 89
4.2.1 安装基本库函数 89
4.2.2 Mayavi库的功能介绍 91
4.3 绘制类氢原子和H2O分子 97
4.3.1 绘制类氢原子 97
4.3.2 绘制H2O分子 98
4.4 基于Mayavi的磁力线和磁场绘制 101
4.4.1 绘制磁力线 101
4.4.2 绘制磁场 103
4.5 基于Mayavi的蛋白质图结构绘制 106
第5章 Python机器学习应用 110
5.1 机器学习简介 110
5.2 机器学习库Scikitlearn 112
5.3 机器学习算法原理及应用 114
5.3.1 k最近邻分类法 115
5.3.2 朴素贝叶斯算法 119
5.3.3 线性回归 123
5.3.4 k均值算法 128
5.4 深度学习算法 132
第6章 综合案例 134
6.1 综合案例一：基于线性回归的股票分析与预测 134
6.1.1 案例背景介绍 134
6.1.2 数据分析的流程与方法 135
6.1.3 具体实现 135
6.2 综合案例二：基于kmeans聚类的医学图像分割 141
6.2.1 案例背景简介 141
6.2.2 图像分割的方法与流程 142
6.2.3 具体实现 142
6.3 综合案例三：基于机器学习的林业数据处理 148
6.3.1 案例背景简介 148
6.3.2 分析方法与过程 154
参考文献 163
1.1 Python编程语言 1
1.1.1 Python语言的特点 1
1.1.2 Python语言的版本 2
1.1.3 Python的应用领域 2
1.2 Python网络爬虫 4
1.2.1 网络爬虫的工作原理 4
1.2.2 网络爬虫的常用技术 4
1.2.3 网络爬虫的应用 5
1.3 Python数据分析与可视化 5
1.3.1 NumPy 6
1.3.2 Pandas 6
1.3.3 Matplotlib 7
1.4 Python科学计算可视化 8
1.4.1 科学可视化基础 8
1.4.2 函数库介绍 10
1.5 机器学习 11
1.5.1 机器学习算法的分类 12
1.5.2 机器学习经典算法 12
1.6 Python开发环境部署 14
1.6.1 Jupyter Notebook入门 14
1.6.2 Jupyter Notebook的优势 14
1.6.3 Jupyter Notebook的界面 15
1.6.4 Jupyter Notebook的基本使用 17
第2章 Python网络爬虫与信息提取 19
2.1 网络爬虫简介 19
2.1.1 通用网络爬虫的工作原理 19
2.1.2 通用网络爬虫的常用技术 20
2.1.3 网络爬虫的分类 21
2.1.4 网络爬虫开发常用框架 22
2.2 基于Requests的网络数据获取方法 23
2.2.1 Requests的安装 24
2.2.2 Requests的使用方法 24
2.3 基于BeautifulSoup的Web数据解析方法 28
2.3.1 HTML结构 28
2.3.2 BeautifulSoup的安装 32
2.3.3 BeautifulSoup的基本使用方法 33
2.4 基于BeautifulSoup的校园新闻信息的爬取 37
第3章 Python数据分析与展示 41
3.1 基于NumPy的数据处理方法 41
3.1.1 NumPy安装 41
3.1.2 NumPy的数据结构 42
3.1.3 创建数组 43
3.1.4 数据输入/输出 45
3.1.5 数组的索引与变换 46
3.1.6 利用NumPy进行统计分析 50
3.2 基于Pandas的大数据处理方法 51
3.2.1 Pandas库的安装 51
3.2.2 Pandas的基本数据结构 52
3.2.3 数据输入/输出 54
3.2.4 数据探索 57
3.2.5 数据索引 59
3.2.6 数据选取 60
3.2.7 数据聚合与分组运算 63
3.2.8 数据简单分析 66
3.3 基于Matplotlib的大数据展示方法 66
3.3.1 Matplotlib安装 67
3.3.2 绘图流程 68
3.3.3 常见的图表类型 69
3.3.4 图形设置 71
3.3.5 绘图示例 72
3.4 网络招聘的数据分析 77
第4章 Python科学计算三维可视化 84
4.1 Python科学计算三维可视化简介 84
4.1.1 TVTK 84
4.1.2 Mayavi 86
4.1.3 TraitsUI 86
4.1.4 SciPy 88
4.2 三维可视化库Mayavi 89
4.2.1 安装基本库函数 89
4.2.2 Mayavi库的功能介绍 91
4.3 绘制类氢原子和H2O分子 97
4.3.1 绘制类氢原子 97
4.3.2 绘制H2O分子 98
4.4 基于Mayavi的磁力线和磁场绘制 101
4.4.1 绘制磁力线 101
4.4.2 绘制磁场 103
4.5 基于Mayavi的蛋白质图结构绘制 106
第5章 Python机器学习应用 110
5.1 机器学习简介 110
5.2 机器学习库Scikitlearn 112
5.3 机器学习算法原理及应用 114
5.3.1 k最近邻分类法 115
5.3.2 朴素贝叶斯算法 119
5.3.3 线性回归 123
5.3.4 k均值算法 128
5.4 深度学习算法 132
第6章 综合案例 134
6.1 综合案例一：基于线性回归的股票分析与预测 134
6.1.1 案例背景介绍 134
6.1.2 数据分析的流程与方法 135
6.1.3 具体实现 135
6.2 综合案例二：基于kmeans聚类的医学图像分割 141
6.2.1 案例背景简介 141
6.2.2 图像分割的方法与流程 142
6.2.3 具体实现 142
6.3 综合案例三：基于机器学习的林业数据处理 148
6.3.1 案例背景简介 148
6.3.2 分析方法与过程 154
参考文献 163
