本書以Python 3.9為編程環(huán)境，從Python編程基礎到擴展庫，再到數(shù)據(jù)分析，逐步展開Python數(shù)據(jù)分析與可視化教學。本書首先簡要介紹數(shù)據(jù)分析與可視化的相關概念，并介紹Python基礎知識；然后按照數(shù)據(jù)分析的主要步驟，重點介紹與數(shù)據(jù)獲取、數(shù)據(jù)處理、數(shù)據(jù)分析、數(shù)據(jù)可視化以及機器學習建模過程相關的擴展庫，包括NumPy、Pandas、BeautifulSoup、sklearn、Matplotlib、seaborn、pyecharts等；最后通過股票數(shù)據(jù)量化分析和銷售業(yè)客戶價值數(shù)據(jù)分析兩個案例實戰(zhàn)演示Python和相關擴展庫的應用，將Python數(shù)據(jù)分析和可視化知識與實用案例有機結合。 本書適合作為高等院校本科生“數(shù)據(jù)分析”等課程的教材，也適合作為數(shù)據(jù)分析初學者的自學用書，還適合從事數(shù)據(jù)分析相關工作的工程師和愛好者閱讀。

1.本書通過編寫經(jīng)典、有趣的案例來教授Python數(shù)據(jù)分析與可視化，并且采用可視化展示效果。通過實例來解釋數(shù)據(jù)分析的原理和方式。 2.列出完整的案例代碼，對源代碼進行了詳細解說。并且每章都有實訓內(nèi)容。 3.每款案例均提供詳細的設計思路、關鍵技術分析以及具體的解決步驟方案，讓讀者進入Python數(shù)據(jù)分析的大門，真正了解數(shù)據(jù)分析設計的秘密同時掌握相應技巧。

夏敏捷 中原工學院教師，主要研究項目及領域：計算機、可視化、游戲開發(fā)等。 個人榮譽：2019年度被評為校級師德標兵，2020年度被評為校級教學名師。 出版圖書： 《Python項目案例開發(fā)從入門到實戰(zhàn)》清華大學出版社，2019年, 年銷量8000冊。 《Python程序設計——從基礎開發(fā)到數(shù)據(jù)分析（微課版）》清華大學出版社，2020年，年銷量8000冊。 《Python基礎入門-微課視頻版》清華大學出版社，2021年，年銷量5000。

1.1 數(shù)據(jù)與大數(shù)據(jù) 1 1.2　數(shù)據(jù)分析　2 1.3　數(shù)據(jù)可視化　3 1.3.1　數(shù)據(jù)可視化的目標　3 1.3.2　數(shù)據(jù)可視化的作用　4 1.3.3　數(shù)據(jù)可視化的優(yōu)勢　5 1.4　數(shù)據(jù)分析流程　5 1.5　Python數(shù)據(jù)分析與可視化　6 1.5.1　為什么選擇Python做數(shù)據(jù)分析　6 1.5.2　Python數(shù)據(jù)分析與可視化常用類庫　7 1.6　Jupyter Notebook的安裝和使用　8 1.6.1　Jupyter Notebook的安裝　8 1.6.2　Jupyter Notebook的使用　9 1.7　PyCharm的安裝和使用　11 習題　13 實驗一　熟悉Python開發(fā)環(huán)境　13 2.1　Python語言簡介　15 2.2　Python語言基本語法　16 2.2.1　Python基礎數(shù)據(jù)類型　16 2.2.2　Python數(shù)據(jù)結構　17 2.2.3　Python控制語句　26 2.2.4　Python函數(shù)與模塊　31 2.3　Python面向對象程序設計　36 2.3.1　定義和使用類　36 2.3.2　構造函數(shù)　37 2.3.3　析構函數(shù)　38 2.3.4　實例屬性和類屬性　38 2.3.5　私有成員與公有成員　39 2.3.6　方法　40 2.3.7　類的繼承　41 2.4　Python圖形用戶界面設計　43 2.4.1　創(chuàng)建Windows窗口　43 2.4.2　幾何布局管理器　44 2.4.3　Tkinter組件　47 2.4.4　Python事件處理　58 2.4.5　圖形用戶界面設計應用案例　62 2.5　操作常用文件　65 2.5.1　操作CSV文件　65 2.5.2　操作Excel文件　67 2.5.3　操作JSON文件　70 2.6　Python的第三方庫　72 習題　73 實驗二　基于Tkinter的GUI程序開發(fā)　74 3.1　NumPy數(shù)組的使用　81 3.1.1　NumPy數(shù)組說明　81 3.1.2　NumPy數(shù)組中的元素訪問　85 3.1.3　NumPy數(shù)組的運算　86 3.1.4　NumPy數(shù)組的形狀操作　89 3.2　NumPy中的矩陣對象　91 3.3　NumPy中的數(shù)據(jù)統(tǒng)計分析　92 3.3.1　排序　92 3.3.2　數(shù)據(jù)去重與數(shù)據(jù)重復　94 習題　96 實驗三　NumPy數(shù)據(jù)分析應用　97 4.1　Pandas　102 4.1.1　Series　102 4.1.2　DataFrame　105 4.2　Pandas統(tǒng)計　112 4.2.1　基本統(tǒng)計　112 4.2.2　分組統(tǒng)計　113 4.3　Pandas排序和排名　114 4.3.1　Series的排序　114 4.3.2　DataFrame的排序　115 4.3.3　Series和DataFrame的排名　116 4.4　Pandas篩選和過濾　118 4.4.1　篩選　118 4.4.2　按篩選條件進行匯總　120 4.4.3　過濾　121 4.5　Pandas數(shù)據(jù)透視表和交叉表　122 4.5.1　數(shù)據(jù)透視表　122 4.5.2　交叉表　125 4.6　Pandas數(shù)據(jù)導入導出　126 4.6.1　導入CSV文件　126 4.6.2　導入其他格式文件　127 4.6.3　導出Excel文件　127 4.6.4　導出CSV文件　128 4.6.5　讀取和寫入數(shù)據(jù)庫　128 4.7　Pandas日期處理　129 4.8　Pandas數(shù)據(jù)運算　133 4.8.1　簡單算術運算　133 4.8.2　應用函數(shù)運算　134 4.9　Pandas數(shù)據(jù)分析應用案例——學生成績統(tǒng)計分析　136 習題　140 實驗四　Pandas數(shù)據(jù)分析應用　141 5.1　HTTP與網(wǎng)絡爬蟲相關知識　145 5.2　urllib庫　146 5.2.1　urllib庫簡介　146 5.2.2　urllib庫的基本使用　147 5.3　BeautifulSoup庫　155 5.3.1　BeautifulSoup庫概述　155 5.3.2　BeautifulSoup庫的四大對象　156 5.3.3　BeautifulSoup庫解析文檔樹　158 5.4　requests庫　161 5.4.1　requests庫的使用　161 5.4.2　requests庫的應用案例　165 5.5　動態(tài)網(wǎng)頁爬蟲　168 5.5.1　AJAX動態(tài)網(wǎng)頁爬取　168 5.5.2　動態(tài)網(wǎng)頁爬蟲——爬取今日頭條新聞　171 5.6　Selenium實現(xiàn)AJAX動態(tài)加載　172 5.6.1　安裝Selenium　172 5.6.2　Selenium詳細用法　174 5.6.3　Selenium應用案例　177 5.6.4　Selenium處理滾動條　179 5.6.5　Selenium動態(tài)加載——爬取今日頭條新聞　180 5.7　爬蟲應用案例——Python爬取新浪國內(nèi)新聞　181 5.8　爬蟲應用案例——Python爬取豆瓣電影TOP 250　184 習題　187 實驗五　Python爬取網(wǎng)頁信息　187 6.1　數(shù)據(jù)處理　192 6.1.1　數(shù)據(jù)清理　192 6.1.2　數(shù)據(jù)集成　195 6.1.3　數(shù)據(jù)變換與數(shù)據(jù)離散化　195 6.2　Pandas數(shù)據(jù)清理　196 6.2.1　處理缺失值　197 6.2.2　處理重復值　201 6.2.3　處理格式錯誤　202 6.2.4　處理錯誤數(shù)據(jù)　202 6.2.5　處理異常值　203 6.3　Pandas數(shù)據(jù)集成　204 6.3.1　SQL合并/連接　204 6.3.2　字段合并　206 6.3.3　記錄合并　206 6.4　Pandas數(shù)據(jù)變換與數(shù)據(jù)離散化　211 6.4.1　簡單函數(shù)變換　211 6.4.2　數(shù)據(jù)標準化　212 6.4.3　數(shù)據(jù)離散化　213 6.5　Pandas數(shù)據(jù)分析　214 6.5.1　描述性分析　214 6.5.2　分布分析　215 6.5.3　相關分析　217 習題　218 實驗六　數(shù)據(jù)處理與數(shù)據(jù)分析　218 7.1　機器學習基礎　225 7.1.1　機器學習概念　225 7.1.2　機器學習分類　225 7.1.3　機器學習流程　226 7.1.4　機器學習庫sklearn的安裝　227 7.2　機器學習庫sklearn的應用　228 7.2.1　sklearn常用數(shù)據(jù)集　229 7.2.2　聚類　230 7.2.3　分類　232 7.2.4　回歸　233 7.2.5　主成分分析　235 7.2.6　鳶尾花相關的分類、預測及降維　236 習題　240 實驗七　sklearn機器學習應用　240 8.1　Matplotlib繪圖可視化　244 8.1.1　Matplotlib.pyplot模塊——快速繪圖　244 8.1.2　繪制直方圖、條形圖、散點圖、餅圖　250 8.1.3　交互式標注　254 8.2　seaborn繪圖可視化　254 8.2.1　seaborn安裝和內(nèi)置數(shù)據(jù)集　254 8.2.2　seaborn設置背景與邊框　255 8.2.3　seaborn繪制散點圖　256 8.2.4　seaborn繪制折線圖　258 8.2.5　seaborn繪制直方圖　260 8.2.6　seaborn繪制條形圖　263 8.2.7　seaborn繪制線性回歸模型　263 8.2.8　seaborn繪制箱線圖　264 8.3　pyecharts繪圖可視化　267 8.3.1　安裝pyecharts　267 8.3.2　體驗圖表　268 8.3.3　常用圖表　271 8.4　Pandas數(shù)據(jù)分析應用案例——天氣數(shù)據(jù)分析和展示　277 8.4.1　爬取數(shù)據(jù)　277 8.4.2　Pandas處理分析數(shù)據(jù)　279 8.4.3　數(shù)據(jù)可視化展示　279 8.5　數(shù)據(jù)可視化應用案例——學生成績分布條形圖展示　281 8.5.1　程序設計的思路　282 8.5.2　程序設計的步驟　282 習題　284 實驗八　數(shù)據(jù)可視化　284 9.1　股票數(shù)據(jù)量化分析的背景與功能　291 9.2　程序設計的思路　291 9.3　程序設計的步驟　292 10.1　銷售業(yè)客戶價值數(shù)據(jù)分析的意義　305 10.2　程序設計的思路　305 10.3　程序設計的步驟　306 參考文獻　320