随着数据科学的飞速发展，仅掌握一门语言、一种工具已不足以成为一名合格的数据科学家。A.奥利著的《R用户Python学习指南(数据科学方法)/数据科学与工程技术丛书》旨在解决这一问题，针对了解R但不熟悉Python（或了解Python但不熟悉R）的新手，详细讲解两种语言的编程技巧和转换方法。
书中不仅涵盖从数据输入、数据质量检查到探索性数据分析的全过程，还讨论了统计建模、数据可视化和机器学习。全书采用逐条命令解析的方式实现R与Python之间的灵活转换，清晰呈现出二者的异同，特别是Python在大数据和速度方面的优势以及R出色的图形特性。
本书包含大量源代码，重视数据分析实践而不拘泥于理论细节，适合企业中的数据决策者、R和Python程序员以及每一位有志于成为数据科学家的学生阅读，快速打通学习多门开源语言的障碍，成为数据分析高手。

A.奥利（A.Ohri），Decisionstats.com的创始人，资深数据科学家，访问量超过100万次的知名博主。他曾为多家创业公司提供咨询服务，涉及的领域包括数据分析服务、数据分析教育和数据项目外包等。目前的研究兴趣涵盖开源分析、社交媒体分析、云计算交互等。他还著有《R for Business Analytics》和《R for Cloud Computing》。

译者序
前言
第1章 Python、R和R数据科学简介
1.1 什么是Python
1.2 什么是R
1.3 什么是数据科学
1.4 数据科学家的未来
1.5 什么是大数据
1.6 商务分析与数据科学
1.7 数据科学家可用的工具
1.8 用于数据科学的Python添加包
1.9 Python和R之间的异同
1.9.1 为什么R用户应该了解有关Python的更多信息
1.9.2 为什么Python用户应该了解有关R的更多信息
1.10 教程
1.11 同时使用R和Python
1.12 其他软件和Python
1.13 将SAS与Jupyter一起使用
1.14 如何将Python和R用于大数据分析
1.15 什么是云计算
1.16 如何在云上使用Python和R
1.17 Python和R商业版本及其他替代版本
1.17.1 数据科学家的常用Linux命令
1.17.2 学习Git
1.18 数据驱动的决策
1.18.1 企业管理战略框架：非MBA和MBA的数据驱动决策指南
1.18.2 商务分析的其他框架
参考文献
第2章 数据输入
2.1 pandas中的数据输入
2.2 网页抓取数据输入
2.3 来自RDBMS的数据输入
2.3.1 Windows教程
2.3.2 安装
2.3.3 配置ODBC
第3章 数据检查和数据质量
3.1 数据格式
3.1.1 将字符串转换为日期和时间
3.1.2 将数据框转换为NumPy数组并返回Python
3.2 数据质量
3.3 数据检查
3.4 数据选择
3.4.1 随机选择数据
3.4.2 条件选择
3.5 R中的数据检查
3.5.1 来自R ggplot2添加包中的diamond数据集
3.5.2 修改R中的日期格式和字符串
3.5.3 管理R中的字符串
参考文献
第4章 探索性数据分析
4.1 根据分析分组
4.2 数值数据
4.3 分类数据
第5章 统计建模
5.1 回归的概念
5.1.1 OLS
5.1.2 R方
5.1.3 p值
5.1.4 异常值
5.1.5 多重共线性和异方差性
5.2 相关关系不是因果关系
5.2.1 关于数据科学家统计的说明
5.2.2 中心趋势的度量
5.2.3 分散度的度量
5.2.4 概率分布
5.3 R和Python中的线性回归
5.4 R和Python中的Logistic回归
5.4.1 其他概念
5.4.2 ROC曲线和AUC
5.4.3 偏差与方差
参考文献
第6章 数据可视化
6.1 数据可视化的概念
6.1.1 数据可视化的历史
6.1.2 Anscombe案例研究
6.1.3 加载添加包
6.1.4 获得均值和标准差
6.1.5 结论
6.1.6 数据可视化
6.1.7 结论
6.2 Tufte关于数据可视化的工作
6.3 Stephen Few关于仪表盘的设计
6.4 基本绘图
6.5 高级绘图
6.6 交互式绘图
6.7 空间分析
6.8 R中的数据可视化
6.8.1 关于RStudio IDE共享R代码的注意事项
6.8.2 关于共享Jupyter笔记的注意事项
6.8.3 特别说明：关于Python的完整教程
参考文献
第7章 机器学习变得更容易
7.1 删除最终决策树模型中不需要的列
7.2 时间序列
7.3 关联分析
7.4 清洗语料库并制作词袋
7.4.1 聚类分析
7.4.2 Python中的聚类分析
第8章 结论和总结