Leaflet
Pro
系统性交互课
总计 0 次浏览
本月 0 次

Python 数据分析

使用 NumPy、pandas、Matplotlib 与 scikit-learn 完成从数据整理、转换和可视化到回归、分类、聚类与时间序列分析的完整工作流。

开始学习

章节目录

第 1 章: 数据分析工作流

•
1.1 问题、证据与决策
•
1.2 数据分析生命周期
•
1.3 观测、变量与数据集
•
1.4 搭建 Python 与 Jupyter 环境

第 2 章: NumPy 基础

•
2.1 数组、形状、轴与数据类型
•
2.2 索引、切片与布尔掩码
•
2.3 向量化与广播
•
2.4 聚合、缺失值与数值稳定性

第 3 章: NumPy 实战

•
3.1 重塑、堆叠与拆分数组
•
3.2 排序、搜索与条件选择
•
3.3 随机抽样与可复现性
•
3.4 性能、内存、副本与视图

第 4 章: pandas 基础

•
4.1 Series、DataFrame、索引与模式
•
4.2 安全选择行与列
•
4.3 筛选、排序与赋值
•
4.4 导入与导出表格数据

第 5 章: 清洗真实数据

•
5.1 理解并处理缺失数据
•
5.2 重复数据与实体解析
•
5.3 字符串、分类、日期与单位
•
5.4 识别并处理异常值

第 6 章: 转换与重塑数据

•
6.1 向量化列转换
•
6.2 正确使用 map 与 apply
•
6.3 分箱、排名与类别编码
•
6.4 使用 melt、pivot、stack 重塑数据

第 7 章: 使用 Matplotlib 可视化

•
7.1 Figure、Axes 与面向对象 API
•
7.2 折线图、柱状图、散点图与分布图
•
7.3 标签、比例尺、注释与不确定性
•
7.4 布局、样式与可复用绘图函数

第 8 章: 机器学习工作流

•
8.1 预测问题与模型家族
•
8.2 特征、目标与预处理
•
8.3 训练集、验证集与测试集
•
8.4 流水线、交叉验证与数据泄漏

第 9 章: 回归分析

•
9.1 线性回归的直觉与假设
•
9.2 特征编码与缩放
•
9.3 MAE、RMSE 与决定系数
•
9.4 正则化、诊断与解释

第 10 章: 分类分析

•
10.1 逻辑回归与决策边界
•
10.2 决策树与集成模型
•
10.3 混淆矩阵、精确率、召回率与 F1
•
10.4 阈值、评估曲线与概率校准

第 11 章: 无监督学习与时间序列

•
11.1 缩放、距离与聚类
•
11.2 使用主成分分析降维
•
11.3 时间索引、重采样与滚动窗口
•
11.4 趋势、季节性、验证与预测基线

适合人群

已掌握 Python 基础语法、函数、集合与文件操作，希望系统学习数据分析和入门机器学习的学习者

© 2026 Leaflet 手脑并用，才是真学。