編程不難：全彩圖解+微課+Python編程

緒論 1

第1章 聊聊“巨蟒” 9
1.1 Python 巨蟒 10
1.2 Python 和視覺化有什麼關係 14
1.3 Python 和數學有什麼關係 14
1.4 Python 和機器學習有什麼關係 20
1.5 相信“反復 精進 ”的力量！ 21

第2章 安裝使用Anaconda 29
2.1 整合式開發環境 30
2.2 如何安裝 Anaconda 31
2.3 測試 JupyterLab 33
2.4 查看 Python 協力廠商庫版本號 35
2.5 安裝、更新、卸載 Python 協力廠商庫 38

第3章 JupyterLab，用起來！ 41
3.1 什麼是 JupyterLab 42
3.2 使用 JupyterLab：立刻用起來 43
3.3 快速鍵：這一章可能最有用的內容 48
3.4 什麼是 LaTeX 51
3.5 字母和符號 52
3.6 用 LaTex 寫公式 57

第4章 Python語法，邊學邊用 63
4.1 Python 也有語法 64
4.2 注釋：不被執行，卻很重要 66
4.3 縮進：四個空格，標識代碼塊 69
4.4 變數：一個什麼都能裝的箱子 72
4.5 使用 import 導入包 74
4.6 Pythonic：Python 風格 76

第5章 Python數據類型 77
5.1 數據類型有哪些 78
5.2 數字：整數、浮點數、複數 79
5.3 字串：用引號定義的文本 81
5.4 列表：存儲多個元素的序列 88
5.5 其他數據類型：元組、集合、字典 94
5.6 矩陣、向量：線性代數概念 95

第6章 Python常見運算 101
6.1 幾類運算符 102
6.2 算術運算符 103
6.3 比較運算符 105
6.4 邏輯運算符 106
6.5 設定運算符 107
6.6 成員運算符 108
6.7 身份運算符 108
6.8 優先順序 109
6.9 聊聊 math 庫 109
6.10 聊聊 random 庫和 statistics 庫 113

第7章 Python控制結構 123
7.1 什麼是控制結構？ 124
7.2 條件陳述式：相當於開關 126
7.3 for迴圈語句 129
7.4 列表生成式 138
7.5 反覆運算器itertools 143

第8章 Python函數 147
8.1 什麼是 Python 函數 148
8.2 自訂函數 152
8.3 更多自訂線性代數函數 160
8.4 遞迴函數：自己反復調用自己 164
8.5 位置參數、關鍵字參數 165
8.6 使用 args 和 kwargs 167
8.7 匿名函數 169
8.8 構造模組、庫 170
8.9 模仿別人的代碼 171

第9章 Python物件導向編程 175
9.1 什麼是物件導向編程 176
9.2 定義屬性 178
9.3 定義方法 180
9.4 裝飾器 181
9.5 父類、子類 182

第10章 聊聊視覺化 187
10.1 解剖一幅圖 188
10.2 使用 Matplotlib 繪製線圖 190
10.3 圖片美化 198
10.4 使用 Plotly 繪製線圖 202

第11章 二維和三維視覺化 209
11.1 二維視覺化方案 210
11.2 二維散點圖 210
11.3 二維等高線圖 216
11.4 熱圖 222
11.5 三維視覺化方案 225
11.6 三維散點圖 229
11.7 三維線圖 231
11.8 三維網格曲面圖 232
11.9 三維等高線圖 234
11.10 箭頭圖 235

第12章 Seaborn視覺化數據 239
12.1 Seaborn：統計視覺化利器 240
12.2 一元特徵數據 241
12.3 二元特徵數據 252
12.4 多元特徵數據 257

第13章 聊聊NumPy 265
13.1 什麼是 NumPy 266
13.2 手動構造數組 267
13.3 生成數列 273
13.4 生成網格數據 274
13.5 特殊數組 276
13.6 隨機數 276
13.7 數組導入、匯出 280

第14章 NumPy索引和切片 283
14.1 什麼是索引、切片 284
14.2 一維數組索引、切片 284
14.3 視圖 vs 副本 287
14.4 二維數組索引、切片 289

第15章 NumPy常見運算 293
15.1 加、減、乘、除、乘冪 294
15.2 廣播原則 295
15.3 統計運算 298
15.4 常見函數 301

第16章 NumPy數組規整 307
16.1 從 reshape() 函數說起 309
16.2 一維數組 → 行向量、列向量 310
16.3 一維數組 → 二維數組 311
16.4 一維數組 → 三維數組 312
16.5 視圖 vs 副本 312
16.6 轉置 313
16.7 扁平化 314
16.8 旋轉、翻轉 314
16.9 堆疊 315
16.10 重複 317
16.11 分塊矩陣 318

第17章 NumPy線性代數 321
17.1 NumPy 的 linalg 模組 322
17.2 拆解矩陣 323
17.3 向量運算 325
17.4 矩陣運算 329
17.5 幾個常見矩陣分解 333

第18章 NumPy愛因斯坦求和約定 337
18.1 什麼是愛因斯坦求和約定？ 338
18.2 二維數組求和 340
18.3 轉置 341
18.4 矩陣乘法 343
18.5 一維數組 345
18.6 方陣 346
18.7 統計運算 347

第19章 聊聊Pandas 351
19.1 什麼是 Pandas 353
19.2 創建數據幀：從字典、清單、NumPy 數組 354
19.3 數據幀操作：以鳶尾花數據為例 357
19.4 四則運算：各列之間 363
19.5 統計運算：聚合、降維、壓縮、折疊 365
19.6 時間序列：按時間順序排列的數據 368

第20章 Pandas快速視覺化 373
20.1 Pandas 的視覺化功能 374
20.2 線圖：pandas.DataFrame.plot() 375
20.3 散點圖 378
20.4 柱狀圖 381
20.5 箱型圖 382
20.6 長條圖和核密度估計曲線 382

第21章 Pandas索引和切片 385
21.1 數據幀的索引和切片 386
21.2 提取特定列 387
21.3 提取特定行 388
21.4 提取特定元素 388
21.5 條件索引 389
21.6 多層索引 391
21.7 時間序列數據幀索引和切片 395

第22章 Pandas規整 399
22.1 Pandas 數據幀規整 400
22.2 拼接：pandas.concat() 401
22.3 合併：pandas.join() 402
22.4 合併：pandas.merge() 405
22.5 長格式轉換為寬格式：pivot() 409
22.6 寬格式轉換為長格式：stack() 411
22.7 長格式轉換為寬格式：unstack() 414
22.8 分組聚合：groupby() 415
22.9 自訂操作：apply() 417

第23章 Plotly統計視覺化 421
23.1 Plotly 常見視覺化方案：以鳶尾花數據為例 422
23.2 增加一組分類標籤 424
23.3 兩組標籤：兩個維度 428
23.4 視覺化比例：柱狀圖、圓形圖 432
23.5 鑽取：多個層次之間的導航和探索 434
23.6 太陽爆炸圖：展示層次結構 438
23.7 增加第三切割維度 440
23.8 平均值的鑽取：全集 vs 子集 447

第24章 Pandas時間序列數據 453
24.1 什麼是時間序列 454
24.2 缺失值：用 NaN 表示 457
24.3 移動平均：一種平滑技術 460
24.4 收益率：相對漲跌 462
24.5 統計分析：均值、波動率等 464
24.6 相關性：也可以隨時間變化 474

第25章 SymPy符號運算 481
25.1 什麼是 SymPy 482
25.2 代數 482
25.3 線性代數 487

第26章 SciPy數學運算 499
26.1 什麼是 SciPy ？ 500
26.2 距離 502
26.3 插值 507
26.4 高斯分佈 510

第27章 Statsmodels統計模型 517
27.1 什麼是 Statsmodels 518
27.2 二維散點圖 橢圓 519
27.3 最小二乘線性回歸 522
27.4 主成分分析 524
27.5 概率密度估計：高斯 KDE 535

第28章 Scikit-Learn機器學習 545
28.1 什麼是機器學習 546
28.2 有標籤數據、無標籤數據 549
28.3 回歸：找到引數與因變數關係 550
28.4 降維：降低數據維度，提取主要特徵 551
28.5 分類：針對有標籤數據 552
28.6 聚類：針對無標籤數據 553
28.7 什麼是 Scikit-Learn 554

第29章 Scikit-Learn數據 555
29.1 Scikit-Learn 中有關數據的工具 557
29.2 樣本數據集 557
29.3 生成樣本數據 558
29.4 特徵縮放 561
29.5 處理缺失值 563
29.6 處理離群值 566
29.7 訓練集 vs 測試集 570

第30章 Scikit-Learn回歸 573
30.1 聊聊回歸 574
30.2 一元線性回歸 575
30.3 二元線性回歸 577
30.4 多項式回歸 579
30.5 正則化：抑制過度擬合 584

第31章 Scikit-Learn降維 589
31.1 降維 590
31.2 主成分分析 591
31.3 兩特徵 PCA 595
31.4 三特徵 PCA 601

第32章 Scikit-Learn分類 605
32.1 什麼是分類？ 606
32.2 k 最近鄰分類：近朱者赤，近墨者黑 607
32.3 高斯樸素貝葉斯分類：貝葉斯定理的應用 611
32.4 支持向量機：間隔最大化 613
32.5 核技巧：數據映射到高維空間 616

第33章 Scikit-Learn聚類 619
33.1 聚類 620
33.2 K 均值聚類 621
33.3 高斯混合模型 624

第34章 瞭解一下Spyder 633
34.1 什麼是 Spyder 634
34.2 Spyder 用起來 637
34.3 快速鍵：這章可能最有用的內容 639

第35章 Streamlit搭建Apps 641
35.1 什麼是 Streamlit ？ 642
35.2 顯示 645
35.3 視覺化 646
35.4 輸入工具 647
35.5 App 佈局 649

第36章 Streamlit搭建機器學習Apps 653
36.1 搭建應用 App：編程 數學 視覺化 機器學習 654
36.2 一元高斯分佈 654
36.3 二元高斯分佈 655
36.4 三元高斯分佈 656
36.5 多項式回歸 657
36.6 主成分分析 657
36.7 k 最近鄰分類 658
36.8 支持向量機 高斯核 659
36.9 高斯混合模型聚類 660