本书介绍了数据分析的各主要流程，并引入了6个完整的数据分析案例。本书从理论和案例两个角度对数据分析与可视化以及Python的工具进行了介绍，采用理论分析和编程实践相结合的形式，按照数据分析的基本步骤介绍了数据分析的理论知识，并对相应的Python库进行了详细介绍，让读者在了解数据分析的基本理论知识的同时能够快速上手实现数据分析的程序。
本书适合Python语言初学者、数据分析从业人士以及高等院校计算机、软件工程、大数据、人工智能等相关专业的师生使用。

前言
第1章 数据分析是什么
1.1 海量数据蕴藏的知识
1.2 数据分析与数据挖掘的关系
1.3 机器学习概述
1.4 机器学习与数据分析的关系
1.5 数据分析的基本步骤
1.6 Python和数据分析
习题
第2章 Python语言基础
2.1 Python发展史
2.2 Python及Pandas、scikit-learn、Matplotlib的安装
2.2.1 Windows环境下Python的安装
2.2.2 Ubuntu和Mac环境下Python的安装
2.2.3 集成开发环境
2.2.4 使用pip安装Pandas、scikit-learn和Matplotlib
2.2.5 使用第三方科学计算发行版Python进行快速安装
2.3 Pycharm
2.4 Python基础知识
2.4.1 Python编码规范
2.4.2 模块化的系统
2.5 Python基础语法
2.5.1 数据类型
2.5.2 基本计算
2.5.3 控制语句
2.6 重要的Python库
2.6.1 Pandas
2.6.2 scikit-learn
2.6.3 Matplotlib
2.6.4 其他
2.7 Jupyter
习题
第3章 数据预处理
3.1 了解数据
3.2 数据质量
3.2.1 完整性
3.2.2 一致性
3.2.3 准确性
3.2.4 及时性
3.3 数据清洗
3.4 特征工程
3.4.1 特征选择
3.4.2 特征构建
3.4.3 特征提取
习题
第4章 NumPy——数据分析基础工具
4.1 多维数组对象：ndarray
4.1.1 ndarray的创建
4.1.2 ndarray的数据类型
4.2 ndarray的索引、切片和迭代
4.3 ndarray的shape操作
4.4 ndarray的基础操作
4.5 习题
第5章 Pandas——处理结构化数据
5.1 基本数据结构
5.1.1 Series
5.1.2 DataFrame
5.2 基于Pandas的Index对象的访问操作
5.2.1 Pandas的Index对象
5.2.2 索引的不同访问方式
5.3 数学统计和计算工具
5.3.1 统计函数：协方差、相关系数、排序
5.3.2 窗口函数
5.4 数学聚合和分组运算
5.4.1 agg函数的聚合操作
5.4.2 transform函数的转换操作
5.4.3 apply函数实现一般的操作
习题
第6章 数据分析与知识发现的一些常用方法
6.1 分类分析
6.1.1 逻辑回归
6.1.2 线性判别分析
6.1.3 支持向量机
6.1.4 决策树
6.1.5 K邻近
6.1.6 朴素贝叶斯
6.2 关联分析
6.2.1 基本概念
6.2.2 典型算法
6.3 聚类分析
6.3.1 K均值算法
6.3.2 DBSCAN算法
6.4 回归分析
6.4.1 线性回归分析
6.4.2 支持向量回归
6.4.3 K邻近回归
习题
第7章 Pandas与scikit-learn——实现数据的分析
7.1 分类方法
7.1.1 Logistic回归
7.1.2 支持向量机
7.1.3 近邻算法
7.1.4 决策树
7.1.5 随机梯度下降
7.1.6 高斯过程分类
7.1.7 神经网络分类（多层感知器）
7.1.8 朴素贝叶斯
7.2 回归方法
7.2.1 最小二乘法
7.2.2 岭回归
7.2.3 Lasso
7.2.4 贝叶斯岭回归
7.2.5 决策树回归
7.2.6 高斯过程回归
7.2.7 最近邻回归
7.3 聚类方法
7.3.1 K-means算法
7.3.2 AffinityPropagation算法
7.3.3 Mean-shift算法
7.3.4 SpectralClustering算法
7.3.5 HierarchicalClustering算法
7.3.6 DBSCAN算法
7.3.7 Birch算法
习题
第8章 Matplotlib——交互式图表绘制
8.1 基本布局对象
8.2 图表样式的修改以及装饰项接口
8.3 基础图表绘制
8.3.1 直方图
8.3.2 散点图
8.3.3 饼图
8.3.4 柱状图
8.3.5 折线图
8.3.6 表格
8.3.7 不同坐标系下的图像
8.4 matplot3D
8.5 Matplotlib与Jupyter结合
习题
第9章 案例：新生信息分析与可视化
9.1 使用Pandas对数据预处理
9.2 使用Matplotlib库画图
9.3 使用Pandas进行绘图
第10章 案例：用户流失预警
10.1 读入数据
10.2 数据预处理
10.3 五折交叉验证
10.4 引入3种模型
10.5 调整prob阈值输出精确评估
第11章 案例：美国加利福尼亚房价预测的数据分析
11.1 数据分析常用的Python工具库
11.1.1 Pandas
11.1.2 NumPy
11.1.3 Matplotlib
11.1.4 Sklearn
11.2 数据的读入和初步分析
11.2.1 数据读入
11.2.2 分割测试集与训练集
11.2.3 数据的初步分析
11.3 数据的预处理
11.3.1 拆分数据
11.3.2 空白值的填充
11.3.3 数据的标准化
11.3.4 数据的流程化处理
11.4 模型的构建
11.4.1 查看不同模型的表现
11.4.2 选择效果最好的模型进行预测
第12章 案例：基于上下文感知的多模态交通推荐
12.1 题目理解
12.1.1 题目背景
12.1.2 数据说明
12.1.3 评测指标
12.1.4