R用户Python学习指南 数据科学方法pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

R用户Python学习指南 数据科学方法PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 Python、 R和R数据科学简介 1

1.1 什么是Python 1

1.2 什么是R 2

1.3 什么是数据科学 2

1.4 数据科学家的未来 3

1.5 什么是大数据 4

1.6 商务分析与数据科学 5

1.7 数据科学家可用的工具 6

1.8 用于数据科学的Python添加包 7

1.9 Python和R之间的异同 8

1.9.1 为什么R用户应该了解有关Python的更多信息 8

1.9.2 为什么Python用户应该了解有关R的更多信息 9

1.10 教程 9

1.11 同时使用R和Python 9

1.12 其他软件和Python 13

1.13 将SAS与Jupyter一起使用 13

1.14 如何将Python和R用于大数据分析 13

1.15 什么是云计算 15

1.16 如何在云上使用Python和R 15

1.17 Python和R商业版本及其他替代版本 16

1.17.1 数据科学家的常用Linux命令 17

1.17.2 学习Git 18

1.18 数据驱动的决策 32

1.18.1 企业管理战略框架：非MBA和MBA的数据驱动决策指南 32

1.18.2 商务分析的其他框架 37

参考文献 40

第2章 数据输入 41

2.1 pandas中的数据输入 41

2.2 网页抓取数据输入 44

2.3 来自RDBMS的数据输入 48

2.3.1 Windows教程 50

2.3.2 安装 50

2.3.3 配置ODBC 52

第3章 数据检查和数据质量 62

3.1 数据格式 62

3.1.1 将字符串转换为日期和时间 63

3.1.2 将数据框转换为NumPy数组并返回Python 66

3.2 数据质量 68

3.3 数据检查 71

3.4 数据选择 74

3.4.1 随机选择数据 76

3.4.2 条件选择 76

3.5 R中的数据检查 79

3.5.1 来自R ggplot2添加包中的diamond数据集 83

3.5.2 修改R中的日期格式和字符串 86

3.5.3 管理R中的字符串 88

参考文献 88

第4章 探索性数据分析 89

4.1 根据分析分组 89

4.2 数值数据 89

4.3 分类数据 91

第5章 统计建模 102

5.1 回归的概念 102

5.1.1 OLS 103

5.1.2 R方 103

5.1.3 p值 104

5.1.4 异常值 104

5.1.5 多重共线性和异方差性 104

5.2 相关关系不是因果关系 105

5.2.1 关于数据科学家统计的说明 106

5.2.2 中心趋势的度量 107

5.2.3 分散度的度量 107

5.2.4 概率分布 110

5.3 R和Python中的线性回归 114

5.4 R和Python中的Logistic回归 132

5.4.1 其他概念 136

5.4.2 ROC曲线和AUC 137

5.4.3 偏差与方差 137

参考文献 138

第6章 数据可视化 139

6.1 数据可视化的概念 139

6.1.1 数据可视化的历史 139

6.1.2 Anscombe案例研究 140

6.1.3 加载添加包 141

6.1.4 获得均值和标准差 142

6.1.5 结论1 144

6.1.6 数据可视化 144

6.1.7 结论2 146

6.2 Tufte关于数据可视化的工作 147

6.3 Stephen Few关于仪表盘的设计 147

6.4 基本绘图 149

6.5 高级绘图 156

6.6 交互式绘图 160

6.7 空间分析 160

6.8 R中的数据可视化 160

6.8.1 关于RStudio IDE共享R代码的注意事项 166

6.8.2 关于共享Jupyter笔记的注意事项 167

6.8.3 特别说明：关于Python的完整教程 168

参考文献 180

第7章 机器学习变得更容易 181

7.1 删除最终决策树模型中不需要的列 186

7.2 时间序列 207

7.3 关联分析 211

7.4 清洗语料库并制作词袋 221

7.4.1 聚类分析 224

7.4.2 Python中的聚类分析 224

第8章 结论和总结 233