数据分析与可视化在大数据时代扮演着重要角色。数据分析用于将原始数据转化为可行的见解，可视化能将关键数据和特征直观地表达出来。本书深入浅出地介绍了数据分析与可视化的相关理论和实践，全书共7章。第1章阐明NumPy的基础操作。第2章详细介绍NumPy的高级应用，内容包括数组的高级索引方式、张量的合并与分割、NumPy文件的读与写。第3章介绍Pandas的基本特性。第4章详细阐述Pandas的高级特性。第5章详细讨论可视化工具Matplotlib的用法。第6章介绍高阶可视化工具Seaborn的用法。第7章讲解时间序列数据的处理。每个章节均给出了可用性强的实战项目。
本书结构完整、行文流畅，是一本图文并茂、通俗易懂的数据分析与可视化的零基础入门著作。对于计算机、大数据、人工智能及相关专业的本科生和研究生，这是一本适合入门与系统学习的教材；对于从事数据分析与可视化的工程技术人员，本书亦有很高的参考价值。

第1章 NumPy数值计算基础
1.1 为何还需NumPy
1.2 如何安装和导入NumPy
1.3 N维数组的本质
1.3.1 NumPy数组的两种视图
1.3.2 数组的常用属性
1.4 如何生成NumPy数组
1.4.1 利用序列生成
1.4.2 利用特定方法生成
1.4.3 利用其他常用方法
1.5 NumPy中的随机数生成
1.6 NumPy数组中的运算
1.6.1 向量运算
1.6.2 NumPy中的通用函数
1.6.3 逐元素运算与点乘运算
1.6.4 向量的内积与矩阵乘法
1.7 NumPy中的广播机制
1.7.1 广播的本质
1.7.2 “低维有1”情况下的广播
1.7.3 “后缘相符”情况下的广播
1.7.4 “后缘不符但低维有1”情况下的广播
1.8 NumPy中的轴
1.8.1 认识轴的概念
1.8.2 基于轴的约减操作
1.8.3 基于轴的各种运算
1.9 操作数组元素
1.9.1 通过索引访问数组元素
1.9.2 NumPy中的切片访问
1.9.3 二维数组的转置与展平
1.10 实战：张量思维的养成——利用NumPy计算π
1.11 本章小结
1.12 思考与提高
第2章 NumPy数值计算进阶
2.1 NumPy数组的高级索引
2.1.1 花式索引
2.1.2 好用的布尔索引
2.2 张量的堆叠操作与分割
2.2.1 水平方向堆叠hstack
2.2.2 垂直方向堆叠vstack
2.2.3 深度方向堆叠dstack
2.2.4 张量的分割操作
2.3 NumPy张量的升维与降维
2.4 数据的去重与铺叠
2.4.1 用unique去重
2.4.2 用tile铺叠数据
2.5 张量的排序
2.5.1 数值排序
2.5.2 按列名（order）排序
2.5.3 多序列排序（lexsort）
2.5.4 索引排序（argsort）
2.5.5 索引优选值（argmax）与最小值（argmin）
2.6 常用的统计方法
2.6.1 优选值、最小值与极值区间
2.6.2 均值、中位数、百分数与方差
2.6.3 众数与堆统计
2.7 NumPy文件的读与写
2.7.1 二进制文件的读与写
2.7.2 文本文件的读与写
2.7.3 CSV文件的读与写
2.8 基于NumPy的综合实践
2.8.1 鸢尾花数据集的统计分析
2.8.2 电力负荷数据的处理
2.9 本章小结
2.10 思考与练习
第3章 Pandas数据分析初步
3.1 Pandas简介与安装
3.2 Series类型数据
3.2.1 Series的创建
3.2.2 索引访问与重建索引
3.2.3 通过字典构建Series
3.2.4 Series中数据的选择
3.2.5 向量化操作
3.2.6 布尔索引
3.2.7 切片访问
3.2.8 数值的删除
3.2.9 数值的添加
3.3 DataFrame类型数据
3.3.1 构建DataFrame
3.3.2 访问DataFrame中的列与行
3.3.3 DataFrame的删除操作
3.3.4 添加行与列
3.4 基于Pandas的文件读取与分析
3.4.1 读取CSV文件——以工资信息表为例
3.4.2 DataFrame中的常用属性
3.4.3 DataFrame中的常用方法
3.4.4 DataFrame的条件过滤
3.4.5 DataFrame的切片操作
3.4.6 DataFrame的排序操作
3.5 实战：读取Excel文件——以电力负荷数据为例
3.5.1 数据源参数
3.5.2 特定表单参数
3.5.3 表头读数
3.5.4 表头名称参数
3.5.5 索引列参数
3.5.6 解析列参数
3.5.7 数据转换参数
3.6 本章小结
3.7 思考与练习
第4章 Pandas数据预处理与深加工
4.1 数据清洗
4.1.1 缺失值标记与检测
4.1.2 检测形式各异的缺失值
4.1.3 缺失值的删除
4.1.4 缺失值的填充
4.2 数据的标准化
4.2.1 MAX-MIN归一化
4.2.2 零均值标准化
4.3 数据变换与数据离散化
4.3.1 类别型数据的哑变量处理
4.3.2 连续型变量的离散化
4.4 函数的映射与应用
4.4.1 map函数的使用
4.4.2 apply函数的使用
4.4.3 applymap函数的使用
4.5 索引的高阶应用
4.5.1 重建索引
4.5.2 设置索引
4.5.3 重置索引
4.5.4 分层索引
4.5.5 实战：《指环王》台词数量分析
4.6 数据的融合与堆叠
4.6.1 merge按键数据融合
4.6.2 concat按轴堆叠数据
4.6.3 append数据项追加
4.7 数据的聚合和分组操作
4.7.1 聚合操作
4.7.2 分组与聚合
4.7.3 分组与转换
4.8 数据重塑与透视
4.8.1 数据重塑
4.8.2 数据透视
4.8.3 实战：《指环王》中的透视表
4.9 实战：泰坦尼克幸存者数据预处理分析
4.9.1 数据简介
4.9.2 数据探索
4.9.3 缺失值处理
4.10 本章小结
4.11 思考与练习
第5章 Matplotlib可视化分析
5.1 可视化与Matplot
5.2 Matplot绘制简单图形
5.3 pyplot的常用方法
5.3.1 添加图例与注释
5.3.2 设置（中文）标题及坐标轴
5.3.3