第1章　Python基础 1__eol__1.1　初识 Python 1__eol__1.1.1　Python 语言 1__eol__1.1.2　Python 语言的发展历史 1__eol__1.1.3　Python 语言的特点 2__eol__1.2　搭建 Python 环境 3__eol__1.2.1　在 Windows 平台安装 Python 3__eol__1.2.2　Path 环境变量设置 6__eol__1.2.3　Python 交互式窗口的打开方式 7__eol__1.3　常见的 Python IDE 10__eol__1.4　安装与使用 PyCharm 10__eol__1.4.1　安装 PyCharm 10__eol__1.4.2　配置 PyCharm 14__eol__1.4.3　使用 PyCharm 15__eol__1.4.4　Python 编程初试 19__eol__1.4.5　在 PyCharm 中安装第三方库 21__eol__第2章　一元函数微分及其应用 25__eol__2.1　函数及其相关概念 25__eol__2.1.1　函数概念 25__eol__2.1.2　函数的复合运算 27__eol__2.1.3　数学模型方法概述 29__eol__2.2　极限与连续 31__eol__2.2.1　数列极限 31__eol__2.2.2　函数f (x)的极限 33__eol____eol__2.3　导数与微分 44__eol__2.3.1　函数的局部变化率—导数 44__eol__2.3.2　导数的计算 46__eol__2.3.3　微分及其计算 51__eol__2.4　导数的应用 54__eol__2.4.1　极大值和极小值—函数的局部性质 54__eol__2.4.2　最大值和最小值—函数的整体性质 55__eol__2.4.3　函数的凹凸性与拐点 58__eol__2.4.4　洛必达法则—计算未定式极限的一般方法 61__eol__2.5　一元函数微分的 Python 实现 64__eol__2.5.1　实验一　变量与函数 64__eol__2.5.2　实验二　利用 Python 进行基本数学运算 68__eol__2.5.3　实验三　利用 Python 绘制平面曲线 69__eol__2.5.4　实验四　求解函数极限 72__eol__2.5.5　实验五　求解函数导数 76__eol__2.5.6　实验六　导数的应用 78__eol__第3章　一元函数积分及其应用 87__eol__3.1　不定积分的概念及其计算 87__eol__3.1.1　积分学的起源 87__eol__3.1.2　原函数与不定积分的概念 87__eol__3.1.3　不定积分的计算 90__eol__3.2　定积分的概念及其计算 99__eol__3.2.1　定积分的概念 99__eol__3.2.2　如何求定积分 的值 101__eol__3.2.3　定积分的应用 104__eol__3.3　一元函数积分的 Python 实现—实验七　求解函数积分 110__eol__第4章　线性代数初步 115__eol__4.1　矩阵及其运算 115__eol__4.1.1　矩阵的概念 115__eol__4.1.2　矩阵的运算 117__eol__4.1.3　矩阵的转置 120__eol__4.1.4　逆矩阵 121__eol__4.1.5　矩阵的初等行变换 122__eol__4.1.6　阶梯形矩阵 122__eol__4.1.7　矩阵的秩 124__eol__4.1.8　用初等行变换求逆矩阵 125__eol__4.2　线性方程组的求解 128__eol__4.2.1　n元线性方程组的基本概念 128__eol__4.2.2　高斯消元法 130__eol__4.2.3　线性方程组解的判定 131__eol__4.2.4　n元齐次线性方程组解的判定 134__eol__4.3　线性规划初步 137__eol__4.3.1　线性规划的基本概念 137__eol__4.3.2　线性规划问题简介 139__eol__4.4　线性问题的 Python 实现 145__eol__4.4.1　实验八　矩阵运算 145__eol__4.4.2　实验九　求解线性方程组 149__eol__4.4.3　实验十　线性规划 151__eol__第5章　数据预处理 159__eol__5.1　数据清洗 159__eol__5.1.1　缺失值分析与处理 159__eol__5.1.2　异常值分析与处理 165__eol__5.1.3　重复值处理 166__eol__5.2　数据标准化 169__eol__5.2.1　Z-score 标准化 169__eol__5.2.2　Min-Max 标准化 171__eol__5.2.3　小数定标标准化 173__eol__5.2.4　Logistic 标准化 173__eol__5.3　数据合并 176__eol__5.3.1　堆叠合并数据 177__eol__5.3.2　主键合并数据 178__eol__5.3.3　重叠合并数据 179__eol__5.4　数据离散化 180__eol__5.4.1　数据离散化的原因 181__eol__5.4.2　数据离散化的优势 181__eol__5.4.3　数据离散化的方法 182__eol__5.5　数据规约 185__eol__5.5.1　属性规约 185__eol__5.5.2　数值规约 188__eol__5.6　数据预处理的 Python 实现 190__eol__第6章　Matplotlib数据可视化 197__eol__6.1　Matplotlib 简介 197__eol__6.2　直方图和条形图 204__eol__6.3　折线图 207__eol__6.4　饼图 209__eol__6.5　箱形图 211__eol__6.6　散点图 215__eol__第7章　案例实战 221__eol__7.1　基于数据挖掘的物质浓度颜色识别 221__eol__7.1.1　背景与数据挖掘目标 221__eol__7.1.2　建模方法与过程 223__eol__7.1.3　模型构建 227__eol__7.2　基于数据挖掘的糖尿病风险预测 230__eol__7.2.1　背景与数据挖掘目标 230__eol__7.2.2　建模方法与过程 232__eol__7.2.3　数据预处理 232__eol__7.2.4　模型构建 235__eol__7.3　基于数据挖掘进行商场会员画像描绘 238__eol__7.3.1　背景与数据挖掘目标 238__eol__7.3.2　建模方法与过程 239__eol__7.3.3　模型构建 241__eol__