本书主要介绍与数据分析有关的语法基础，针对性强，帮助读者快速入门，譬如在第2部分重点介绍了Python最基础的语法、特征以及数据分析所需要的一些基本语法。Python可以通过多个库、多种方法实现相同目的，如实现线性回归可以用sklearn、statsmodels等库，实现生存分析可以使用lifelines、pysurvival、statsmodels等库，并且存在很多代码不统一的情况，这会给初学者带来困惑。针对这个问题，本书主要使用Scipy库来实现假设检验，使用statsmodels库来拟合统计模型，并且尽量使用简洁的代码来完成数据分析，譬如在第7部分中介绍了利用Pandas库同步完成数据清洗和统计图绘制，减少代码书写量，提高数据分析效率。

1 Python简介与安装
1.1 Python的优点
1.2 Python的安装与配置
1.2.1 Windows系统下的安装与配置
1.2.2 Mac系统下的安装与配置
1.2.3 Linux系统下的安装与配置
1.3 Anaconda的使用方法
1.3.1 打开命令行终端
1.3.2 更新软件下载渠道
1.3.3 创建conda虚拟环境
1.3.4 安装软件库
1.3.5 conda常用命令合集
1.4 Jupyter Notebook
1.4.1 打开Jupyter Notebook
1.4.2 Jupyter Notebook界面
2 Python语言基础与重要的库
2.1 Python快速入门
2.1.1 第一个Python程序
2.1.2 Python的缩进
2.1.3 查询帮助文件
2.1.4 Tab键自动补全代码
2.2 Python语法基础
2.2.1 变量和数据类型
2.2.2 运算符
2.2.3 列表、元组和字典
2.2.4 函数
2.3 重要的Python库
3 数据集创建
3.1 NumPy多维数组对象
3.1.1 NumPy数组属性
3.1.2 NumPy数组创建
3.1.3 NumPy切片和索引
3.2 Pandas数据结构
3.2.1 Series（一维数据）
3.2.2 DataFrame（二维数据）
3.2.3 NumPy与Pandas转换
3.3 数据取值与选择
3.3.1 Series（一维数据）
3.3.2 DataFrame（二维数据）
3.4 数据读取与存储
3.4.1 Pandas读取Excel数据
3.4.2 Pandas读取CSV文件
3.4.3 Pandas读取Txt数据
3.4.4 Pandas读取SAS、Stata和SPSS数据
3.4.5 存储数据
4 基本数据管理
4.1 数据基本信息与结构查看
4.2 创建新变量
4.3 变量重命名
4.4 数据类型转换
4.4.1 基本数据类型转换
4.4.2 时间日期数据类型转换
4.5 数据排序
4.5.1 按索引标签排序
4.5.2 按列值排序
4.6 缺失值处理
4.6.1 缺失值判断
4.6.2 缺失值删除
4.7 缺失数据填补
4.8 重复数据处理
4.9 数据集的合并
……
5 高级数据管理
6 网络数据采集
7 资料类型及展示
8 定量资料统计方法
9 分类资料数据分析
10 多重线性回归
11 logistic回归
12 Poisson回归
13 生存分析
14 时间序列分析