（1）作者背景权威：R和Python数据分析与挖掘领域的社区领军人物，某大型国资寿险公司数据团队负责人。
（2）作者经验丰富：拥有超过16年的数据分析与挖掘经验，擅长使用ChatGPT等AI工具辅助数据分析与挖掘。
（3）零编程经验也能成为Python数据分析高手：详细讲解如何巧妙地使用ChatGPT学习Python数据分析与挖掘，大大降低学习门槛，大幅提升学习效率。
（4）快速成为AI数据分析达人：围绕数据分析与挖掘的全生命周期，提供了大量使用ChatGPT进行数据分析与挖掘的方法和技巧。
（5）通俗易懂，容易上手：采用由浅入深的讲解方式，既适用于 Python 初学者，也适用于有经验的数据分析人员；采用通俗易懂的语言，避免了复杂的数学公式和理论推导。
（6）内容丰富，实用性强：内容涵盖了从数据分析基础到高级分析的各个方面，每章都提
供了大量的代码示例，读者可以跟随书中的指导进行操作。
（7）涵盖主流 Python 库：包括NumPy、Pandas、scikit-learn 等常用数据分析及建模库，Matplotlib、Bokeh等常用数据可视化库以及深度学习框架 TensorFlow。

内容简介
这既是一本引导读者如何使用ChatGPT低门槛、高效率学习Python数据分析与挖掘方法的著作，又是一本指导读者如何使用ChatGPT精准、高效地进行Python数据分析与挖掘实操的著作。
从读者对象的角度看，本书既大大降低了没有编程经验的读者学习Python数据分析的门槛，又为有经验的Python数据分析师提供了大量实用的AI数据分析技巧，帮助他们快速转型为具备AI能力的数据分析师。
从核心内容的角度看，本书不仅讲解了如何在数据预处理、数据清洗、数据可视化等基础的数据分析环节使用AI工具，而且还讲解了如何在聚类分析、预测分析等高级的数据建模环节使用AI工具。
阅读完本书，你将掌握以下知识：
（1）数据分析、数据挖掘以及机器学习算法的基础知识。
（2）ChatGPT等AI工具的注册及使用，以及如何使用这些AI工具学习Python。
（3）使用ChatGPT辅助各种常见的数据操作和数据预处理。
（4）使用ChatGPT辅助静态数据可视化和数据交互可视化。
（5）使用ChatGPT辅助聚类分析、关联规则分析、回归分析。
（6）使用ChatGPT辅助学习降维算法、决策树算法、随机森林、k近邻算法、支持向量机算法、神经网络算法。
（7）使用ChatGPT辅助数据建模以及对模型的性能进行评估和优化。
本书采用由浅入深的写作方式，既确保了内容的可理解性，又保持了足够的深度，配有详细的代码示例和实践指导，确保每位读者能够轻松上手并从中获益，提升自己的分析效率和洞察能力。
本书采用案例驱动的写作方式，通过实际业务案例详细拆解AI技术在各个场景中的应用步骤和技巧。语言简洁易懂，理论与

目    录?Contents<br />前  言<br />第1章  数据分析及ChatGPT概述    1<br />1.1  数据分析概述    1<br />1.1.1  用ChatGPT快速了解数据<br />分析    1<br />1.1.2  数据分析与数据挖掘    4<br />1.1.3  机器学习算法概述    5<br />1.2  常用AIGC工具的注册及使用    6<br />1.2.1  如何使用OpenAI的<br />GPT-3.5    6<br />1.2.2  如何使用百度的文心一言    10<br />1.2.3  如何使用科大讯飞的星火<br />认知大模型    14<br />1.3  使用ChatGPT辅助工具安装    16<br />1.3.1  Anaconda的安装    16<br />1.3.2  Jupyter Notebook的使用    17<br />1.4  使用ChatGPT辅助Python<br />入门    18<br />1.4.1  使用ChatGPT学习Python<br />数据对象    19<br />1.4.2  使用ChatGPT学习NumPy    23<br />1.4.3  使用ChatGPT学习Pandas    25<br />1.5  本章小结    28<br />第2章  使用ChatGPT学习数据<br />操作    29<br />2.1  使用ChatGPT学习数据的基本<br />管理    29<br />2.1.1  数据去重    29<br />2.1.2  数据排序    33<br />2.1.3  数据合并    35<br />2.1.4  数据分箱    38<br />2.2  使用ChatGPT学习描述统计<br />分析    40<br />2.2.1  描述统计分析概述    41<br />2.2.2  中心趋势分析    42<br />2.2.3  离散程度分析    45<br />2.2.4  分布形状分析    48<br />2.2.5  频数分布分析    50<br />2.3  使用ChatGPT学习中文文本<br />操作    52<br />2.3.1  Jieba分词    52<br />2.3.2  添加自定义词典    55<br />2.3.3  关键词提取    57<br />2.3.4  词性标注    60<br />2.4  使用ChatGPT学习图像数据<br />操作    62<br />2.4.1  图像的读取、显示及保存    62<br />2.4.2  图像像素的获取和编辑    64<br />2.4.3  图像的几何变换操作    65<br />2.5  本章小结    68<br />第3章  使用ChatGPT学习数据预<br />处理    69<br />3.1  使用ChatGPT学习数据抽样    69<br />3.1.1  常用的数据抽样方法    69<br />3.1.2  简单随机抽样    70<br />3.1.3  数据分区    73<br />3.1.4  分层随机抽样    76<br />3.1.5  数据类失衡处理    79<br />3.2  使用ChatGPT学习数据清洗    82<br />3.2.1  缺失值的识别及处理    82<br />3.2.2  异常值的识别及处理    89<br />3.3  使用ChatGPT学习数据变换    91<br />3.3.1  数据标准化处理    91<br />3.3.2  数据独热编码处理    94<br />3.4  本章小结    96<br />第4章  使用ChatGPT学习数据静态可视化    97<br />4.1  使用ChatGPT了解数据可视化<br />工具    97<br />4.2  使用ChatGPT学习Matplotlib<br />数据可视化    98<br />4.2.1  Matplotlib绘图基础    99<br />4.2.2  使用Matplotlib绘制图形    111<br />4.3  使用ChatGPT学习Pandas数据<br />可视化    130<br />4.3.1  Pandas绘图方法    130<br />4.3.2  使用Pandas绘制图形    132<br />4.4  使用ChatGPT学习Seaborn数据<br />可视化    138<br />4.4.1  Seaborn绘图方法    139<br />4.4.2  使用Seaborn绘制图形    140<br />4.5  使用ChatGPT学习plotnine数据<br />可视化    154<br />4.5.1  plotnine绘图方法    154<br />4.5.2  使用plotnine绘制图形    156<br />4.6  本章小结    158<br />第5章  使用ChatGPT学习交互数据<br />可视化    159<br />5.1  使用ChatGPT学习Plotly数据<br />可视化    159<br />5.1.1  Plotly交互可视化绘图<br />方法    160<br />5.1.2  使用graph_objs进行交互<br />可视化    161<br />5.1.3  使用express进行交互可<br />视化    174<br />5.2  使用ChatGPT学习Bokeh数据<br />可视化    180<br />5.2.1  Bokeh交互可视化绘图<br />方法    181<br />5.2.2  使用Bokeh进行交互可<br />视化    182<br />5.3  使用ChatGPT学习Pyecharts数据可视化    187<br />5.3.1  Pyecharts交互可视化绘图<br />方法    187<br />5.3.2  使用Pyecharts进行交互<br />可视化    188<br />5.4  本章小结    200<br />第6章  使用ChatGPT学习聚类<br />分析    201<br />6.1  使用ChatGPT了解无监督<br />学习    201<br />6.2  聚类分析方法概述    203<br />6.3  k均值聚类    205<br />6.3.1  k均值聚类的原理    205<br />6.3.2  k均值聚类的Python<br />实现    206<br />6.3.3  案例：对iris数据集进行k<br />均值聚类    208<br />6.3.4  使用统计方法寻找很好聚类<br />簇数    210<br />6.4  层次聚类    215<br />6.4.1  层次聚类的原理    215<br />6.4.2  层次聚类的Python实现    217<br />6.4.3  案例：对USArrests数据集进行层次聚类    218<br />6.4.4  使用轮廓系数寻找很好聚类<br />簇数    222<br />6.5  密度聚类    223<br />6.5.1  密度聚类的原理    223<br />6.5.2  密度聚类的Python实现    225<br />6.5.3  案例：对multishapes数据集进行密度聚类    226<br />6.6  本章小结    230<br />第7章  使用ChatGPT学习降维算法及关联规则分析    231<br />7.1  使用ChatGPT了解降维算法    231<br />7.2  主成分分析    233<br />7.2.1  主成分分析的原理    233<br />7.2.2  主成分分析的Python<br />实现    234<br />7.2.3  案例：对iris数据集进行主成<br />分分析    236<br />7.3  关联规则分析    239<br />7.3.1  关联规则分析的原理    239<br />7.3.2  关联规则分析的Python<br />实现    241<br />7.3.3  案例：对用户购买物品的行为<br />进行关联规则分析    242<br />7.4  本章小结    249<br />第8章  使用ChatGPT学习回归<br />分析    250<br />8.1  使用ChatGPT了解常用的有监督<br />学习算法    250<br />8.2  一元线性回归    252<br />8.2.1  一元线性回归的原理    252<br />8.2.2  使用scikit-learn实现一元线<br />性回归    254<br />8.2.3  案例：对women数据集进行<br />一元线性回归    255<br />8.3  多元线性回归    258<br />8.3.1  多元线性回归的原理    259<br />8.3.2  案例：对个人医疗费用进行<br />多元线性回归    259<br />8.4  对自变量中有定性变量的数据集进行线性回归    263<br />8.4.1  对自变量中有定性变量的数据<br />集建立线性回归模型    263<br />8.4.2  回归模型的效果评估    267<br />8.5  通过逐步回归寻找很优模型    270<br />8.6  逻辑回归    272<br />8.6.1  逻辑回归的原理    272<br />8.6.2  逻辑回归的Python实现    274<br />8.6.3  案例：对iris数据集进行逻辑<br />回归    275<br />8.7  本章小结    276<br />第9章  使用ChatGPT学习决策树算法及随机森林算法    277<br />9.1  决策树算法的原理    277<br />9.1.1  决策树算法概述    277<br />9.1.2  常用的决策树算法    280<br />9.2  决策树算法的Python实现    288<br />9.2.1  实现决策树算法的常用库    288<br />9.2.2  基于scikit-learn实现决策树<br />分类    289<br />9.3  案例：对iris数据集进行决策树<br />分类    290<br />9.3.1  构建决策树    290<br />9.3.2  查看生成的决策规则    291<br />9.3.3  决策树可视化    293<br />9.3.4  绘制决策边界    295<br />9.4  案例：对乳腺癌数据集进行决策树分类    299<br />9.4.1  构建决策树分类模型    299<br />9.4.2  对决策树分类模型进行<br />调优    304<br />9.5  随机森林算法的原理及实现    305<br />9.5.1  常用的集成学习算法    305<br />9.5.2  基于scikit-learn实现随机森林<br />分类    307<br />9.5.3  案例：对乳腺癌数据集进行<br />随机森林分类    309<br />9.6  本章小结    311<br />第10章  使用ChatGPT学习k近邻算法及支持向量机算法    312<br />10.1  k近邻算法的原理    312<br />10.1.1  k近邻算法的思想    312<br />10.1.2  k近邻算法的推导过程    313<br />10.1.3  距离的度量方法    315<br />10.2  k近邻算法的Python实现    316<br />10.2.1  基于scikit-learn实现k近邻<br />分类    316<br />10.2.2  案例：对乳腺癌数据集进行<br />k近邻分类    318<br />10.3  支持向量机算法的原理    322<br />10.3.1  了解支持向量机    323<br />10.3.2  常见的支持向量机模型    325<br />10.4  支持向量机算法的Python<br />实现    326<br />10.4.1  基于scikit-learn实现支持向<br />量机分类    326<br />10.4.2  案例：对乳腺癌数据集进行<br />支持向量机分类    328<br />10.5  本章小结    331<br />第11章  使用ChatGPT学习神经网络<br />算法    332<br />11.1  神经网络算法的理论基础    332<br />11.1.1  了解神经网络算法    332<br />11.1.2  神经网络的拓扑结构    333<br />11.1.3  常用的激活函数    335<br />11.1.4  常用的神经网络模型    338<br />11.2  前馈神经网络    339<br />11.2.1  了解前馈神经网络    339<br />11.2.2  前馈神经网络的scikit-learn<br />实现    341<br />11.2.3  案例：对乳腺癌数据集进行<br />前馈神经网络分类    342<br />11.3  卷积神经网络    346<br />11.3.1  卷积神经网络的原理    346<br />11.3.2  卷积层的原理    349<br />11.3.3  卷积层的TensorFlow<br />实现    352<br />11.3.4  池化层的原理    357<br />11.3.5  池化层的TensorFlow<br />实现    359<br />11.3.6  全连接层    361<br />11.3.7  案例：使用卷积神经网络<br />实现手写数字识别    362<br />11.4  本章小结    368<br />第12章  使用ChatGPT学习模型性能<br />评估及优化    369<br />12.1  模型性能评估    369<br />12.1.1  数值预测的评估方法及其scikit-learn实现    369<br />12.1.2  分类预测的评估方法及其scikit-learn实现    371<br />12.2  模型参数优化    375<br />12.2.1  正则化    375<br />12.2.2  数据分区    377<br />12.2.3  K折交叉验证    378<br />12.2.4  网格搜索    379<br />12.2.5  Dropout    381<br />12.2.6  梯度下降法    382<br />12.3  案例：对乳腺癌数据集寻找<br />很优模型    385<br />12.4  本章小结    389