登录
首页 » Python » python数据分析 韩波

python数据分析 韩波

于 2018-09-08 发布 文件大小:171KB
0 197
下载积分: 1 下载次数: 8

代码说明:

  一本python数据分析的优秀资料 《python数据分析》(python data analysis),作者【印尼】Ivan Idris,翻译:韩波。 本人制作的PDF图书,带目录和书签。 作为一种高级程序设计语言,Python凭借其简洁、易读及可扩展性日渐成为程序设计领域备受推崇的语言。同时,Python语言的数据分析功能也逐渐为大众所认可。, 本书是一本介绍如何用Python进行数据分析的学习指南。全书共12章,从Python程序库入门、NumPy数组、matplotlib和pandas开始,陆续介绍了数据加工、数据处理和数据可视化等内容。同时,本书还介绍了信号处理、数据库、文本分析、机器学习、互操作性和性能优化等高级主题。在本书的结尾,还采用3个附录的形式为读者补充了一些重要概念、常用函数以及在线资源等重要内容。, 本书示例丰富、简单易懂,非常适合对Python语言感兴趣或者想要使用Python语言进行数据分析的读者参考阅读。(python data analysis)

文件列表:

3358OS_Code, 0 , 2014-10-24
3358OS_Code\3358OS_01_Code, 0 , 2014-10-24
3358OS_Code\3358OS_01_Code\code1, 0 , 2014-10-24
3358OS_Code\3358OS_01_Code\code1\vectorsum.py, 1148 , 2014-05-04
3358OS_Code\3358OS_02_Code, 0 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code, 0 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2, 0 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\arrayattributes.py, 587 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\arrayattributes2.py, 2016 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\arrayconversion.py, 1264 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\boolean_indexing.py, 545 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\broadcasting.py, 731 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\charcodes.py, 399 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\copy_view.py, 386 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\dtypeattributes.py, 344 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\dtypeattributes2.py, 340 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\dtypeconstructors.py, 488 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\elementselection.py, 396 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\fancy.py, 503 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\ix.py, 479 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\numericaltypes.py, 772 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\shapemanipulation.py, 1350 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\slicing1d.py, 599 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\splitting.py, 1707 , 2014-10-24
3358OS_Code\3358OS_02_Code\3358OS_02_Code\code2\stacking.py, 2817 , 2014-10-24
3358OS_Code\3358OS_03_Code, 0 , 2014-10-24
3358OS_Code\3358OS_03_Code\3358OS_03_Code, 0 , 2014-10-24
3358OS_Code\3358OS_03_Code\3358OS_03_Code\basic_stats.py, 517 , 2014-05-10
3358OS_Code\3358OS_03_Code\3358OS_03_Code\eigenvalues.py, 384 , 2014-05-11
3358OS_Code\3358OS_03_Code\3358OS_03_Code\goog_flutrends.csv, 7549 , 2014-05-11
3358OS_Code\3358OS_03_Code\3358OS_03_Code\headortail.py, 441 , 2014-09-09
3358OS_Code\3358OS_03_Code\3358OS_03_Code\inversion.py, 201 , 2014-09-09
3358OS_Code\3358OS_03_Code\3358OS_03_Code\masked.py, 589 , 2014-10-15
3358OS_Code\3358OS_03_Code\3358OS_03_Code\masked_funcs.py, 778 , 2014-09-09
3358OS_Code\3358OS_03_Code\3358OS_03_Code\mdrtb_2012.csv, 3337 , 2014-05-10
3358OS_Code\3358OS_03_Code\3358OS_03_Code\MLB2008.csv, 7136 , 2014-05-11
3358OS_Code\3358OS_03_Code\3358OS_03_Code\normaldist.py, 304 , 2014-05-11
3358OS_Code\3358OS_03_Code\3358OS_03_Code\normality_test.py, 806 , 2014-05-11
3358OS_Code\3358OS_03_Code\3358OS_03_Code\pkg_check.py, 839 , 2014-05-11
3358OS_Code\3358OS_03_Code\3358OS_03_Code\solution.py, 190 , 2014-05-11
3358OS_Code\3358OS_04_Code, 0 , 2014-10-24
3358OS_Code\3358OS_04_Code\code4, 0 , 2014-10-24
3358OS_Code\3358OS_04_Code\code4\data_aggregation.py, 843 , 2014-05-19
3358OS_Code\3358OS_04_Code\code4\date_handling.py, 757 , 2014-05-30
3358OS_Code\3358OS_04_Code\code4\dest.csv, 47 , 2014-05-19
3358OS_Code\3358OS_04_Code\code4\df_demo.py, 261 , 2014-05-18
3358OS_Code\3358OS_04_Code\code4\join_demo.py, 913 , 2014-05-20
3358OS_Code\3358OS_04_Code\code4\missing_values.py, 498 , 2014-05-21
3358OS_Code\3358OS_04_Code\code4\pivot_demo.py, 493 , 2014-06-11
3358OS_Code\3358OS_04_Code\code4\pkg_check.py, 664 , 2014-06-10
3358OS_Code\3358OS_04_Code\code4\price_straddle.py, 677 , 2014-06-10
3358OS_Code\3358OS_04_Code\code4\query_demo.py, 704 , 2014-05-19
3358OS_Code\3358OS_04_Code\code4\series_demo.py, 621 , 2014-05-18
3358OS_Code\3358OS_04_Code\code4\stats_demo.py, 553 , 2014-05-19
3358OS_Code\3358OS_04_Code\code4\tips.csv, 28 , 2014-05-19
3358OS_Code\3358OS_04_Code\code4\WHO_first9cols.csv, 7776 , 2014-05-18
3358OS_Code\3358OS_05_Code, 0 , 2014-10-24
3358OS_Code\3358OS_05_Code\code5, 0 , 2014-10-24
3358OS_Code\3358OS_05_Code\code5\binary_formats.py, 563 , 2014-05-31
3358OS_Code\3358OS_05_Code\code5\hf5storage.py, 491 , 2014-06-01
3358OS_Code\3358OS_05_Code\code5\json_demo.py, 381 , 2014-06-02
3358OS_Code\3358OS_05_Code\code5\loremIpsum.html, 3623 , 2014-06-07
3358OS_Code\3358OS_05_Code\code5\pd_hdf.py, 597 , 2014-06-01
3358OS_Code\3358OS_05_Code\code5\pd_json.py, 410 , 2014-06-03
3358OS_Code\3358OS_05_Code\code5\pd_xls.py, 320 , 2014-06-01
3358OS_Code\3358OS_05_Code\code5\rss.py, 239 , 2014-06-03
3358OS_Code\3358OS_05_Code\code5\soup_request.py, 1056 , 2014-06-07
3358OS_Code\3358OS_05_Code\code5\writing_csv.py, 277 , 2014-05-31
3358OS_Code\3358OS_06_Code, 0 , 2014-10-24
3358OS_Code\3358OS_06_Code\code6, 0 , 2014-10-24
3358OS_Code\3358OS_06_Code\code6\autocorr_plot.py, 450 , 2014-06-16
3358OS_Code\3358OS_06_Code\code6\basic_plot.py, 137 , 2014-06-14
3358OS_Code\3358OS_06_Code\code6\gpu_transcount.csv, 483 , 2014-06-15
3358OS_Code\3358OS_06_Code\code6\lag_plot.py, 426 , 2014-06-16
3358OS_Code\3358OS_06_Code\code6\legend_annotations.py, 1097 , 2014-06-15
3358OS_Code\3358OS_06_Code\code6\log_plots.py, 373 , 2014-06-14
3358OS_Code\3358OS_06_Code\code6\pd_plotting.py, 478 , 2014-06-15
3358OS_Code\3358OS_06_Code\code6\pkg_check.py, 679 , 2014-06-14
3358OS_Code\3358OS_06_Code\code6\plot_ly.py, 714 , 2014-06-16
3358OS_Code\3358OS_06_Code\code6\scatter_plot.py, 579 , 2014-06-15
3358OS_Code\3358OS_06_Code\code6\three_dimensional.py, 735 , 2014-06-15
3358OS_Code\3358OS_06_Code\code6\transcount.csv, 1123 , 2014-06-14
3358OS_Code\3358OS_06_Code\__MACOSX, 0 , 2014-10-24
3358OS_Code\3358OS_06_Code\__MACOSX\code6, 0 , 2014-10-24
3358OS_Code\3358OS_06_Code\__MACOSX\code6\._gpu_transcount.csv, 120 , 2014-06-15
3358OS_Code\3358OS_06_Code\__MACOSX\code6\._transcount.csv, 120 , 2014-06-14
3358OS_Code\3358OS_07_Code, 0 , 2014-10-24
3358OS_Code\3358OS_07_Code\code7, 0 , 2014-10-24
3358OS_Code\3358OS_07_Code\code7\ar.py, 1350 , 2014-07-05
3358OS_Code\3358OS_07_Code\code7\arma.py, 506 , 2014-07-05
3358OS_Code\3358OS_07_Code\code7\autocorrelation.py, 540 , 2014-07-05
3358OS_Code\3358OS_07_Code\code7\cointegration.py, 695 , 2014-07-04
3358OS_Code\3358OS_07_Code\code7\filtering.py, 609 , 2014-07-06
3358OS_Code\3358OS_07_Code\code7\fourier.py, 898 , 2014-07-06
3358OS_Code\3358OS_07_Code\code7\iterate.dat, 3525 , 2014-07-05
3358OS_Code\3358OS_07_Code\code7\moving_average.py, 461 , 2014-07-04
3358OS_Code\3358OS_07_Code\code7\periodic.py, 1479 , 2014-07-05
3358OS_Code\3358OS_07_Code\code7\pkg_check.py, 678 , 2014-07-03
3358OS_Code\3358OS_07_Code\code7\spectrum.py, 547 , 2014-07-06
3358OS_Code\3358OS_07_Code\code7\window_functions.py, 551 , 2014-07-04

下载说明:请别用迅雷下载,失败请重下,重下不扣分!

发表评论

0 个回复

  • iqitiallybwindowbserial
    可以用黄金分割和斐波那契算法实现优化,只要改变相应的参数就可以用了(You can use the golden section and the Fibonacci algorithm to optimize, just change the corresponding parameters.)
    2018-09-11 21:57:11下载
    积分:1
  • FNN与PCA和KPCA结合
    一种特征提取方法:结合主元分析(PCA)和核主元分析(KPCA)的前馈神经网络(FNN)(A feature extraction method: the feedforward neural network (FNN) combined with principal component analysis (PCA) and kernel principal component analysis (KPCA))
    2020-09-18 10:27:53下载
    积分:1
  • HMM-homework
    说明:  隐马尔科夫实现,包含forward-hmm, Viterbi-hmm, Baum-Welch-hmm(Hidden Markov implementation, including forward-hmm, Viterbi-hmm, Baum-Welch-hmm)
    2019-04-26 17:02:43下载
    积分:1
  • MqnieCarlo
    MonteCarlo仿真的C++源码,具有参考价值(C source code of MonteCarlo simulation, which has reference value)
    2018-08-03 21:25:08下载
    积分:1
  • linyujisuan
    通过包围盒法和K-D树法实现电云数据的邻域收索,邻域值可以自动设置(Point cloud data by bounding boxes and K-D tree search method income neighborhood, neighborhood values can be automatically set)
    2020-11-06 08:49:49下载
    积分:1
  • 决策树Java源代码
    资源描述决策树是建立在信息论基础之上,对数据进行分类挖掘的一种方法。其思想是,通过一批已知的训练数据建立一棵决策树,然后利用建好的决策树,对数据进行预测。决策树的建立过程可以看成是数据规则的生成过程。由于基于决策树的分类方法结构简单,本身就是人们能够理解的规则。其次,决策树方法计算复杂度不大,分类效率高,能够处理大数据量的训练集;最后,决策树方法的分类精度较高,对噪声数据有较好的健壮性,符合一般系统的要求。
    2022-03-12 14:04:11下载
    积分:1
  • datasnooping
    机器学习 数据挖掘 数值算法 人工智能 全英文教材(python machine learning data snooping)
    2018-09-20 20:51:47下载
    积分:1
  • Hands-on programming with R
    说明:  本书精心策划了三个虚拟项目,将数据科学家必需的专业技能融合其中,教会读者如何将数据存储到计算机内存中,如何在必要的时候转换内存中的数据值,如何用R编写自己的程序并将其用于数据分析和模拟运行。读者将跟随世界一流的RStudio培训师掌握宝贵的编程技能,并借助这些技能成为优秀的数据科学家。(Introduction to R Language)
    2019-05-30 15:04:30下载
    积分:1
  • 40289243
    这是C语言中的难点的一些算法,其中包括用C实现的班级成绩管理,用C实现的排序算法等()
    2018-01-08 21:27:54下载
    积分:1
  • debbgger
    三次样条插值的C语言算法,但是总是数据溢出()
    2018-05-27 05:33:39下载
    积分:1
  • 696518资源总数
  • 104269会员总数
  • 31今日下载