本书为新形态一体化应用型人才培养“十四五”系列教材之一，全面讲解Python数据分析的相关知识和技术，内容包括Python数据分析概述、NumPy数值计算、Matplotlib数据可视化、Pandas数据分析、数据预处理、Sklearn机器学习。本书以培养学生编程能力和数据分析能力为目标，注重技术应用能力的培养。
本书内容充实、结构合理、实用性强，具有明显的应用能力培养特色。学完本书后，读者可具备数据分析的基本能力。
本书适合作为普通高等院校人工智能、数据科学与大数据以及计算机相关专业课程的教材，也可以作为相关从业人员的技术参考书。

第1章 Python数据分析概述
1.1 数据分析的概念、流程和应用
1.1.1 数据分析的概念
1.1.2 数据分析的流程
1.1.3 数据分析的应用
1.2 数据分析工具
1.2.1 常用工具
1.2.2 Python数据分析
1.3 Python数据分析环境
小结
习题
实验
第2章 NumPy数值计算
2.1 NumPy多维数组
2.1.1 数组创建
2.1.2 数组对象属性
2.1.3 数组数据类型
2.2 数组操作
2.2.1 修改数组形状
2.2.2 翻转数组
2.2.3 连接数组
2.2.4 分割数组
2.2.5 数组元素添加与删除
2.3 数组索引与切片
2.3.1 数组索引
2.3.2 数组切片
2.3.3 布尔型索引
2.3.4 花式索引
2.4 数组的运算
2.4.1 数组和标量间的运算
2.4.2 广播
2.4.3 算术函数
2.4.4 集合运算
2.4.5 统计运算
2.4.6 排序
2.4.7 搜索
2.5 线性代数
2.5.1 数组相乘
2.5.2 矩阵行列式
2.5.3 逆矩阵
2.5.4 线性方程组
2.5.5 特征值和特征向量
2.6 数组的存取
2.7 视图和副本
2.8 随机漫步
小结
习题
实验
第3章 Matplotlib数据可视化
3.1 折线图
3.1.1 折线图函数概述
3.1.2 折线图绘制示例
3.2 图表属性设置
3.2.1 图表属性概述
3.2.2 图例和rc设置
3.2.3 坐标网格设置
3.2.4 坐标系设置
3.2.5 文本注解
3.3 其他图形
3.3.1 散点图
3.3.2 垂直柱形图
3.3.3 水平柱形图
3.3.4 饼图
3.3.5 直方图
3.3.6 箱线图
3.4 子图
3.4.1 创建子图
3.4.2 子围坐标系设置
3.4.3 图形嵌套
3.5 绘制三维图形
3.5.1 三维曲线图
3.5.2 三维散点图
3.5.3 曲面围
3.5.4 等高线
小结
习题
实验
第4章 Pandas数据分析
4.1 Pandas数据结构
4.2 DataFrame基本功能
4.3 读取外部数据
4.3.1 CSV文件
4.3.2 Sqlite数据库
4.3.3 读取外部数据-拓展
4.4 数据帧的列操作和行操作
4.4.1 列操作
4.4.2 行操作
4.5 高级索引
4.5.1 重建索引
4.5.2 更换索引
4.5.3 层次化索引
4.6 Pandas数据运算
4.6.1 算术运算
4.6.2 函数应用与映射运算
4.6.3 排序
4.6.4 迭代
4.6.5 唯一值与值计数
4.7 统计函数
4.7.1 描述性统计
4.7.2 变化率
4.7.3 协方差
4.7.4 相关性
4.7.5 数据排名
4.8 分组与聚合
4.8.1 分组
4.8.2 聚合
4.9 透视表与交叉表
4.9.1 透视表
4.9.2 交叉表
小结
习题
实验
第5章 数据预处理
5.1 数据清洗
5.1.1 重复值
5.1.2 缺失值
5.1.3 异常值
5.2 合并连接与重塑
5.2.1 merge合并
5.2.2 concat合并
5.2.3 combine first合并
5.2.4 数据重塑
5.3 数据变换
5.3.1 虚拟变量
5.3.2 函数变换
5.3.3 连续属性离散化
5.3.4 规范化
5.3.5 随机采样
小结
习题
实验
第6章 Sklearn机器学习
6.1 术语
6.2 Sklearn
6.2.1 Sklearn数据集
6.2.2 Sklearn常用算法
6.2.3 数据预处理
6.2.4 数据集拆分
6.2.5 模型评估
6.2.6 Sklearn常用方法
6.2.7 模型的保存和载入
6.3 降维
6.3.1 PCA（主成分分析）
6.3.2 LDA（线性评价分析）
6.4 回归
6.4.1 线性回归
6.4.2 逻辑回归
6.4.3 回归决策树
6.5 分类
6.5.1 朴素贝叶斯分类
6.5.2 分类决策树
6.5.3 SVM（支持向量机）
6.5.4 神经网络
6.5.5 k-近邻算法
6.6 聚类
6.6.1 K-means算法
6.6.2 DBSCAN
小结
习题
实验
参考文献