python数据分析基础与实战电子书，视频教程

　　本书共15章，分两个部分：基础篇、实战篇。基础篇介绍了数据挖掘的基本原理，实战篇介绍了一个个真实案例，通过对案例深入浅出的剖析，使读者在不知不觉中通过案例实践获得数据挖掘项目经验，同时快速领悟看似难懂的数据挖掘理论。读者在阅读过程中，应充分利用随书配套的案例建模数据，借助相关的数据挖掘建模工具，通过上机实验，以快速理解相关知识与理论。

基础篇（第1～5章），第1章的主要内容是数据挖掘概述；第2章对本书所用到的数据挖掘建模工具Python语言进行了简明扼要的说明；第3章、第4章、第5章对数据挖掘的建模过程，包括数据探索、数据预处理及挖掘建模的常用算法与原理进行了介绍。

实战篇（第6～15章），重点对数据挖掘技术在电力、航空、医疗、互联网、生产制造以及公共服务等行业的应用进行了分析。在案例结构组织上，本书是按照先介绍案例背景与挖掘目标，再阐述分析方法与过程，最后完成模型构建的顺序进行的，在建模过程的关键环节，穿插程序实现代码。最后通过上机实践，加深读者对数据挖掘技术在案例应用中的理解。

下载地址：http://www.2020gushi.com/4990.html

四、利用Python进行数据分析PDF电子书（含配套源码）

还在苦苦寻觅用Python控制、处理、整理、分析结构化数据的完整课程？本书含有大量的实践案例，你将学会如何利用各种Python库（包括NumPy、pandas、matplotlib以及IPython等）高效地解决各式各样的数据分析问题。

由于作者Wes McKinney是pandas库的主要作者，所以本书也可以作为利用Python实现数据密集型应用的科学计算实践指南。本书适合刚刚接触Python的分析人员以及刚刚接触科学计算的Python程序员。

•将IPython这个交互式Shell作为你的首要开发环境。

•学习NumPy（Numerical Python）的基础和高级知识。

•从pandas库的数据分析工具开始。

•利用高性能工具对数据进行加载、清理、转换、合并以及重塑。

•利用matplotlib创建散点图以及静态或交互式的可视化结果。

•利用pandas的groupby功能对数据集进行切片、切块和汇总操作。

•处理各种各样的时间序列数据。

•通过详细的案例学习如何解决Web分析、社会科学、金融学以及经•济学等领域的问题。

下载地址：http://www.2020gushi.com/3892.html

五、Python金融大数据分析PDF电子书

唯一一本详细讲解使用Python分析处理金融大数据的专业图书；金融应用开发领域从业人员必读。

Python凭借其简单、易读、可扩展性以及拥有巨大而活跃的科学计算社区，在需要分析、处理大量数据的金融行业得到了广泛而迅速的应用，并且成为该行业开发核心应用的首选编程语言。《Python金融大数据分析》提供了使用Python进行数据分析，以及开发相关应用程序的技巧和工具。

《Python金融大数据分析》总计分为3部分，共19章，第1部分介绍了Python在金融学中的应用，其内容涵盖了Python用于金融行业的原因、Python的基础架构和工具，以及Python在计量金融学中的一些具体入门实例；第2部分介绍了金融分析和应用程序开发中最重要的Python库、技术和方法，其内容涵盖了Python的数据类型和结构、用matplotlib进行数据可视化、金融时间序列数据处理、高性能输入/输出操作、高性能的Python技术和库、金融学中需要的多种数学工具、随机数生成和随机过程模拟、Python统计学应用、Python和Excel的集成、Python面向对象编程和GUI的开发、Python与Web技术的集成，以及基于Web应用和Web服务的开发；第3部分关注的是蒙特卡洛模拟期权与衍生品定价实际应用的开发工作，其内容涵盖了估值框架的介绍、金融模型的模拟、衍生品的估值、投资组合的估值、波动率期权等知识。

《Python金融大数据分析》适合对使用Python进行大数据分析、处理感兴趣的金融行业开发人员阅读。

下载地址：http://www.2020gushi.com/5874.html

六、Python数据分析实战 (内利著)PDF电子书

Python数据分析实战一书展示了如何利用Python语言的强大功能，以最小的编程代价进行数据的提取、处理和分析，主要内容包括：数据分析和Python 的基本介绍，NumPy 库，pandas 库，如何使用pandas 读写和提取数据，用matplotlib 库和scikit-learn 库分别实现数据可视化和机器学习，以实例演示如何从原始数据获得信息、D3 库嵌入和手写体数字的识别。

下载地址：http://www.2020gushi.com/5868.html

七、Python数据分析视频教程

Python是一种面向对象、直译式计算机程序设计语言。也是一种功能强大而完善的通用型语言，已经具有十多年的发展历史，成熟且稳定。Python 具有脚本语言中最丰富和强大的类库，足以支持绝大多数日常应用。 Python语法简捷而清晰，具有丰富和强大的类库。它常被昵称为胶水语言，它能够很轻松的把用其他语言制作的各种模块（尤其是C/C++）轻松地联结在一起。
2012年的时候我们说R是学术界的主流，但是现在Python正在慢慢取代R在学术界的地位。从12年13.3%的使用率到15年30.3%的使用率， Python已经逐渐成为数据分析与挖掘软件的中流砥柱。所以，让我们一起来跟随课程的脚步，感受Python的魅力吧！
课程将从Python的基本使用方法开始，一步步讲解，从ETL到各种数据分析方法的使用，并结合实例，让学员能从中借鉴学习。

课程大纲：
第一部分. Python基础
第一课：Python的概览——Python的基本介绍、安装与基本语法、变量类型与运算符
第二课：了解Python流程控制——条件、循环语句与其他语句
第三课：常用函数——函数的定义与使用方法、主要内置函数的介绍
第四课：NumPy基础——数组的创建、组合与分割

第二部分 数据分析的准备
第五课：了解数据——数据加载、储存与文件格式；异常值的清理与缺失值处理
第六课：数据清洗与初步分析——数据清理、转换、合并与重塑；数据汇总与描述统计；
第七课：绘图与可视化——基本绘图命令与图形概览、图形元素设定与实例：地震危机数据的可视化
第八课：数据聚合与分组处理——数据聚合、分组运算与转换、透视表与交叉表

第三部分 数据分析初探
第九课：假设检验——常用假设检验与实例分析
第十课：线性回归——线性回归模型、分析结果呈现与解读；实例：商品价格预测
第十一课： logistic回归——logistic回归模型讲解；实例：电信客户流失分析
第十二课：时间序列分析——时间序列基本处理、时间序列模型构建与结果解读；实例：未来股票价格预测

第四部分 深入数据分析
第十三课：分类算法——knn、决策树、贝叶斯分类器等算法介绍；实例：网页注册用户预测
第十四课：聚类算法——k-means算法介绍；实例：通信基站聚类分析
第十五课：降维方法——主成分分析与因子分析算法介绍；实例：地区经济指标评分

下载地址：http://www.2020gushi.com/2220.html