1.全面介绍Python的基础知识和常用的数据分析工具
2.涵盖机器学习和深度学习的内容，为商业数据分析提供更加全面和深入的支持
3.实战案例贴近实际商业场景，帮助读者更好理解与应用所学知识
4.提供PT课件、教学大纲、习题及答案、上机实验素材、上机实验结果等教学资源

本书分为Python基础知识、数据分析基础知识和综合案例三个部分共10章。Python基础知识部分系统讲解Python语法、开发工具、编程方式、函数、模块等基础知识。数据分析基础知识部分重点介绍NumPy、Pandas、Matplotlib和Seaborn中的数据处理与可视化方法。综合案例部分通过案例驱动的方式，指导读者运用所学知识完成数据处理与模型建立。书中每章末均配有习题和实训供读者练习，以巩固所学知识。
本书配有PPT课件、教学大纲、电子教案、课后习题答案、模拟试卷及答案等教学资源，用书老师可在人邮教育社区免费下载使用。
本书内容通俗易懂，案例丰富，注重知识的实际应用。本书适合作为高等院校计算机、统计、数学等专业相关课程的教材，也可供数据分析领域的技术人员、数据科学家和相关研究人员参考。

第 一部分  Python基础知识
第  1章 初识Python  2
1.1  Python简介  2
1.2  Python开发环境  3
1.3  Python解释器  4
1.3.1  安装Python  4
1.3.2  测试Python是否安装成功  5
1.4  编写Python源代码  5
本章习题  6
实训  7
第  2章 Python开发工具  8
2.1  安装VS Code编辑器  8
2.1.1  什么是VS Code  8
2.1.2  下载VS Code  9
2.1.3  安装VS Code  9
2.2  配置VS Code环境  11
2.2.1  安装Python插件  11
2.2.2  配置中文环境  12
2.2.3  利用VS Code开发Python程序  13
2.2.4  使用Jupyter Notebook  16
本章习题  18
实训  19
第3章  Python编程基础  21
3.1  Python基础语法  21
3.1.1  Python标识符  21
3.1.2  Python关键字  22
3.1.3  缩进  22
3.1.4  多行语句  23
3.1.5  Python引号  23
3.1.6  Python注释  23
3.1.7  Python空格和空行  24
3.1.8  Print输出  24
3.2  Python变量与数据类型  24
3.2.1  变量  24
3.2.2  数据类型  25
3.3  Python运算符  28
3.3.1  算术运算符  28
3.3.2  一元运算符  29
3.3.3  关系（比较）运算符  29
3.3.4  赋值运算符  30
3.3.5  逻辑运算符  30
3.3.6  成员运算符  31
3.3.7  身份运算符  31
3.3.8  位运算符  32
3.3.9  运算符优先级  33
3.4  Python数据结构  33
3.4.1  列表  34
3.4.2  元组  38
3.4.3  字典  39
3.4.4  集合  42
3.5  Python选择结构  44
3.5.1  if语句  44
3.5.2  多分支选择结构  45
3.5.3  短路计算和强制类型转换  45
3.5.4  try...except...语句  46
3.6  Python循环结构  47
3.6.1  for循环  47
3.6.2  while循环  48
3.6.3  生成式  49
3.6.4  高阶函数  50
3.6.5  向量化  51
3.6.6  循环控制  51
3.7  Python函数  52
3.7.1  定义函数  52
3.7.2  向函数传递信息  53
3.7.3  形参和实参  53
3.7.4  传递实参  53
3.7.5  返回值  54
3.7.6  递归函数  55
3.7.7  匿名函数  55
3.7.8  闭包函数  56
3.7.9  将函数存储在模块中  56
3.8  Python模块和包  57
3.8.1  导入模块  57
3.8.2  定义模块  58
3.8.3  定义包  59
3.8.4  安装第三方模块  59
本章习题  60
实训  61
第二部分  数据分析基础知识
第4章  NumPy数据分析  63
4.1  NumPy库简介  63
4.2  NumPy库安装与使用  64
4.3  创建数组对象  64
4.4  数组数据类型  65
4.4.1  数据类型  65
4.4.2  创建数组时指定数据类型  66
4.4.3  查询数据类型  66
4.4.4  修改数据类型  67
4.5  多维数组结构  67
4.5.1  数组维度查询  67
4.5.2  数组形状查询  67
4.5.3  数组元素个数及大小  68
4.6  数组索引  68
4.6.1  下标索引  68
4.6.2  切片索引  69
4.6.3  花式索引  70
4.6.4  布尔索引  71
4.7  数组元素值的替换  71
4.7.1  利用索引替换  71
4.7.2  利用条件索引替换  72
4.7.3  利用where()函数替换  72
4.8  数组的广播机制  72
4.8.1  数组的广播原则  73
4.8.2  数组与数字运算  74
4.8.3  数组与数组运算  74
4.9  数组形状的操作  75
4.9.1  数组形状的改变  75
4.9.2  数组的叠加  76
4.9.3  数组的切割  78
4.9.4  矩阵的转置  79
4.10  数组的轴  80
4.10.1  轴的应用  80
4.10.2  三维数组  82
本章习题  82
实训  83
第5章  Pandas数据分析  84
5.1  Pandas简介  84
5.2  Pandas库安装与使用  85
5.3  Pandas数据结构  85
5.3.1  Series  85
5.3.2  DataFrame  88
5.4  Pandas数据分析基础  92
5.4.1  数据读取与保存  92
5.4.2  数据的信息  93
5.4.3  数据选择  95
5.4.4  位置计算  95
5.4.5  统计计算  96
5.5  Pandas常用操作  98
5.5.1  apply()函数  98
5.5.2  applymap()函数  99
5.5.3  排序  99
5.5.4  逻辑运算  100
5.6  Pandas高级操作  104
5.6.1  替换操作  104
5.6.2  映射操作  107
5.6.3  运算工具  107
5.6.4  基于排序实现随机抽样  109
5.6.5  数据库数据读取  110
5.7  Pandas缺失值处理  111
5.7.1  默认的缺失值  111
5.7.2  缺失值的判断  111
5.7.3  缺失值的填充  112
5.7.4  缺失值的删除  113
5.8  Pandas数据分组  114
5.8.1  单类分组  114
5.8.2  多类分组  115
5.8.3  时间分组  116
5.9  Pandas数据合并  117
5.9.1  数据准备  117
5.9.2  concat()函数  118
5.9.3  merge()函数  119
5.9.4  append()函数  119
5.9.5  join()函数  120
5.9.6  combine()函数  120
5.10  Pandas时间序列  121
5.10.1  时间戳  121
5.10.2  时期  122
5.10.3  时间间隔  122
5.10.4  重采样  123
5.10.5  移动、滑动与扩展窗口  124
5.11  Pandas透视表与交叉表  126
5.11.1  透视表  126
5.11.2  交叉表  128
本章习题  129
实训  130
第6章  Matplotlib数据绘图  132
6.1  Matplotlib简介  132
6.1.1  Matplotlib中的对象  133
6.1.2  Matplotlib中图形的构成  133
6.1.3  Matplotlib库安装与使用  134
6.2  matplotlib.pyplot的常用绘图方法  134
6.2.1  绘图方法  134
6.2.2  pyplot.figure()  135
6.2.3  pyplot.subplot()  135
6.2.4  pyplot.subplots()  137
6.2.5  pyplot.subplot2grid()  137
6.3  图形的基本设置  138
6.3.1  常用的颜色、线型和标记  138
6.3.2  中文显示及负数显示  140
6.4  Matplotlib绘图实战  140
6.4.1  折线图  141
6.4.2  散点图  144
6.4.3  柱状图  146
6.4.4  饼图  149
6.4.5  直方图  150
6.4.6  箱线图  152
6.4.7  热力图  154
6.4.8  雷达图  154
本章习题  156
实训  157
第7章  Seaborn数据绘图  158
7.1  Seaborn简介  158
7.2  Seaborn库安装与使用  159
7.3  Seaborn绘图流程  159
7.3.1  导入绘图模块  160
7.3.2  导入数据  160
7.3.3  设置画布大小  160
7.3.4  输出图形  160
7.3.5  保存图形  160
7.4  Seaborn绘图实战  160
7.4.1  数据准备  160
7.4.2  导入相关库  161
7.4.3  直方图  161
7.4.4  散点图  162
7.4.5  热力图  163
7.4.6  回归图  163
7.4.7  小提琴图  164
本章习题  165
实训  166
第三部分  综合案例  167
第8章  咖啡销售情况分析  168
8.1  准备数据  168
8.2  数据清洗  169
8.2.1  缺失值查询  169
8.2.2  重复值处理  170
8.3  数据分析  170
8.3.1  查看数据集维度  170
8.3.2  描述性分析  170
8.3.3  排序分析  171
8.3.4  数据分组  171
8.3.5  数据查询  172
8.3.6  复杂条件查询  173
8.3.7  新增数据列  173
8.4  数据可视化  174
8.4.1  产品类别利润额可视化  174
8.4.2  产品利润额分布区间可视化  174
本章习题  175
实训  175
第9章  员工离职风险预测  177
9.1  Scikit-Learn简介  177
9.2  安装Scikit-Learn库  177
9.3  分类和回归预测步骤  178
9.4  读取数据集  178
9.5  类别特征转换为二进制特征  179
9.6  数据集划分为训练集和测试集  180
9.7  Min-Max归一化预处理  181
9.8  构建和训练逻辑回归模型  182
9.9  预测和评估  182
本章习题  183
实训  183
第  10章 航班乘客数预测  185
10.1  PyTorch简介  185
10.2  安装PyTorch库  186
10.3  导入相关库  187
10.4  PyTorch基础知识  187
10.4.1  张量  187
10.4.2  自动微分  189
10.4.3  神经网络  189
10.4.4  数据加载  190
10.4.5  GPU加速  190
10.5  读取数据  191
10.6  数据预处理  191
10.7  定义神经网络模型  192
10.8  定义优化器和损失函数  193
10.9  训练模型  193
10.10  测试模型  194
本章习题  195
实训  196