本书结合作者多年的教学和工程项目经验，根据初学者的特点和相关专业人员的工作需求，以具备利用Python进行数据分析的能力为目标编写而成。本书内容包括数据分析的基础知识、常用的Python数据分析工具库、Python数据分析可视化等，并且给出实用的案例说明如何利用Python完成数据分析工作。本书适合作为高校大数据、人工智能、计算机及相关专业大数据分析课程的教材，也可作为大数据分析开发人员的参考书。

王恺，博士，南开大学计算机学院副教授，硕士生导师，公共计算机基础教学部副主任，2018年天津市教学成果奖一等奖和国家级教学成果奖二等奖、2019年南开大学首届教育教学奖励优秀青年教师奖获得者。研究方向包括人工智能、机器学习、大数据分析，近年来在人工智能领域主持完成了国家级、省部级及产学研合作项目10余项，在TPAMI、TMI、MIA、AAAI等知名期刊和会议上发表学术论文40余篇。主持省部级教学改革项目3项，获得南开大学教学成果奖7项，编写教材15部，发表教改论文12篇。

前言
第1章 基础知识
1.1 数据分析简介
1.2 Python编程基础
1.2.1 Anaconda环境的安装和配置
1.2.2 Jupyter Notebook的使用
1.2.3 内置数据类型
1.2.4 程序的控制结构
1.2.5 模块化
1.2.6 面向对象
1.2.7 文件操作
1.2.8 异常处理
1.3 包/模块使用示例
1.3.1 CSV文件操作
1.3.2 排序时间测试
1.4 本章小结
1.5 习题
第2章 科学计算基础工具包NumPy
2.1 ndarray类
2.1.1 为什么使用ndarray
2.1.2 ndarray类对象的常用属性
2.1.3 创建ndarray类对象
2.2 示例数据
2.3 索引和切片
2.4 数据拷贝
2.5 数据处理
2.5.1 基础运算
2.5.2 广播机制
2.5.3 通用函数
2.5.4 常用函数和方法
2.6 高级索引
2.7 本章小结
2.8 习题
第3章 数据分析工具库Pandas
3.1 Series类
3.1.1 Series对象的常用属性
3.1.2 创建Series对象
3.2 DataFrame对象
3.2.1 DataFrame对象的常用属性
3.2.2 创建DataFrame对象
3.3 Index对象
3.3.1 Index对象的常用属性
3.3.2 创建Index对象
3.4 元素访问方式
3.4.1 属性运算符访问
3.4.2 索引运算符访问
3.4.3 loc访问方法
3.4.4 iloc访问方法
3.4.5 at和iat索引方法
3.4.6 head和tail方法
3.5 数据清洗
3.5.1 处理缺失数据
3.5.2 删除重复数据
3.6 数据合并
3.6.1 merge方法
3.6.2 join方法
3.6.3 concat方法
3.7 数据重塑
3.7.1 pivot方法
3.7.2 melt方法
3.8 Pandas数据处理实例
3.8.1 药品销售数据处理实例
3.8.2 流感与人口数据处理实例
3.9 本章小结
3.10 习题
第4章 数据统计分析
4.1 基本统计分析
4.2 分组分析
4.2.1 定性分组
4.2.2 定量分组
4.3 分布分析
4.4 交叉分析
4.5 结构分析
4.6 相关分析
4.7 应用实例
4.8 本章小结
4.9 习题
第5章 时间序列分析
5.1 Datetime模块
5.2 时间序列基础
5.3 日期时间处理
5.4 频率转换与重采样
5.4.1 频率转换
5.4.2 重采样
5.5 本章小结
5.6 习题
第6章 数据可视化
6.1 Matplotlib
6.1.1 线形图
6.1.2 条形图
6.1.3 饼图
6.1.4 散点图
6.1.5 直方图
6.2 Seaborn
6.2.1 关系图
6.2.2 分布图
6.2.3 分类图
6.2.4 回归图
6.2.5 热力图
6.3 Pyecharts
6.3.1 Pyecharts图表类
6.3.2 Pyecharts图表配置
6.4 应用实例
6.5 本章小结
6.6 习题
第7章 网络爬虫
7.1 网络数据获取
7.2 数据文件操作
7.3 应用实例
7.4 本章小结
7.5 习题
第8章 MySQL数据库操作
8.1 MySQL简介
8.2 MySQL的安装
8.3 连接、读取和存储
8.3.1 创建数据库和数据表
8.3.2 Python连接数据库
8.3.3 Python读取数据库
8.3.4 Python存储数据库
8.4 数据操作
8.4.1 查询操作
8.4.2 插入操作
8.4.3 更新操作
8.4.4 删除操作
8.5 应用实例
8.6 本章小结
8.7 习题
附录 NumPy通用函数
参考文献