本書以基礎的統計學知識和假設檢定為重點，簡單扼要闡述了 Python 在資料分析、視覺化和統計建模中的應用。本書主要包含了 Python 簡介、研究設計、資料管理、機率分布、不同資料類型的假設檢定、廣義線性模型、存活分析和貝氏統計等從入門到高階的內容。
本書利用 Python 這門開源語言，不僅直觀上對資料分析和統計檢定提供了很好的解說，在相關數學公式的解釋上也能夠做到深入淺出。此外，本書所述內容的可操作性很強，還提供配套的相關程式碼及資料，方便讀者動手練習。本書適合對統計學與 Python 有興趣的讀者，特別是在實驗學科中需要利用 Python 的強大功能進行資料處理和統計分析的學生及研究人員。
本書範例檔：
github.com/thomas-haslwanter/statsintro_python
| FindBook |
|
有 1 項符合
Thomas Haslwanter的圖書 |
 |
$ 360 ～ 450 | Python 統計分析：生命科學應用【金石堂、博客來熱銷】
作者：Thomas Haslwanter 出版社：博碩文化股份有限公司 出版日期：2022-12-14  共 6 筆 → 查價格、看圖書介紹
|
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：Python 統計分析：生命科學應用
內容簡介
作者介紹
作者簡介
Thomas Haslwanter
在學術機構中有超過 10 年的教學經驗，是奧地利林茨上奧應用科技大學（University of Applied Sciences Upper Austria in Linz）醫學工程系的教授，瑞士蘇黎世聯邦理工學院講師，並曾在澳洲雪梨大學和德國杜賓根大學擔任過研究員。他在醫學研究方面經驗豐富，專注於眩暈症的診斷、治療和康復。在深入使用 Matlab 軟體 15 年後，他發現 Python 非常強大，並將其用於統計資料分析、聲音和影像處理以及生物模擬應用。
Thomas Haslwanter
在學術機構中有超過 10 年的教學經驗，是奧地利林茨上奧應用科技大學（University of Applied Sciences Upper Austria in Linz）醫學工程系的教授，瑞士蘇黎世聯邦理工學院講師，並曾在澳洲雪梨大學和德國杜賓根大學擔任過研究員。他在醫學研究方面經驗豐富，專注於眩暈症的診斷、治療和康復。在深入使用 Matlab 軟體 15 年後，他發現 Python 非常強大，並將其用於統計資料分析、聲音和影像處理以及生物模擬應用。
目錄
| PART 1_Python和統計學 |
Chapter 1 為什麼要學統計學？
Chapter 2 Python
2.1 開始
2.2 Python 資料結構
2.3 IPython/Jupyter：一個互動式的 Python 程式設計環境
2.4 開發 Python 程式
2.5 Pandas：用於統計學的資料結構
2.6 Statsmodels：統計建模的工具
2.7 Seaborn：資料視覺化
2.8 一般慣例
2.9 練習
Chapter 3 資料輸入
3.1 從文字檔中輸入
3.2 從 MS Excel 中匯入
3.3 從其他格式匯入資料
Chapter 4 統計資料的展示
4.1 資料類型
4.2 在 Python 中繪圖
4.3 展示統計資料集
4.4 練習
| PART 2_分布和假設檢定 |
Chapter 5 背景
5.1 母體與樣本
5.2 機率分布
5.3 自由度
5.4 研究設計
Chapter 6 單變數的分布
6.1 分布的特徵描述
6.2 離散分布
6.3 常態分布
6.4 來自常態分布的連續分布
6.5 其他連續分布
6.6 練習
Chapter 7 假設檢定
7.1 典型分析流程
7.2 假設概念、錯誤、p 值與樣本數
7.3 敏感性和特異性
7.4 ROC 曲線
Chapter 8 數值型資料的平均數檢定
8.1 樣本平均數的分布
8.2 兩組之間的比較
8.3 多組比較
8.4 總結：選擇正確的檢定方法進行組間比較
8.5 練習
Chapter 9 類別型資料的檢定
9.1 單一比例（one proportion）
9.2 次數表
9.3 練習
Chapter 10 存活時間分析
10.1 存活分布
10.2 存活機率
10.3 在兩組間比較存活曲線
| PART 3_統計建模 |
Chapter 11 線性迴歸模型
11.1 線性相關
11.2 廣義線性迴歸模型
11.3 Patsy：公式語言
11.4 用 Python 進行線性迴歸分析
11.5 線性迴歸模型的結果
11.6 線性迴歸模型的假設
11.7 線性迴歸模型結果的解釋
11.8 Bootstrapping
11.9 練習
Chapter 12 多變量資料分析
12.1 視覺化多變量相關性
12.2 多重線性迴歸
Chapter 13 離散型資料的檢定
13.1 等級資料的組間比較
13.2 邏輯迴歸
13.3 廣義線性模型
13.4 順序邏輯迴歸
Chapter 14 貝氏統計
14.1 貝氏學派與頻率學派的解釋
14.2 電腦時代的貝氏方法
14.3 例子：用馬可夫鏈蒙地卡羅法模擬分析挑戰者號災難
14.4 總結
Appendix_附錄
A 參考解答
B 術語表
C 參考文獻
Chapter 1 為什麼要學統計學？
Chapter 2 Python
2.1 開始
2.2 Python 資料結構
2.3 IPython/Jupyter：一個互動式的 Python 程式設計環境
2.4 開發 Python 程式
2.5 Pandas：用於統計學的資料結構
2.6 Statsmodels：統計建模的工具
2.7 Seaborn：資料視覺化
2.8 一般慣例
2.9 練習
Chapter 3 資料輸入
3.1 從文字檔中輸入
3.2 從 MS Excel 中匯入
3.3 從其他格式匯入資料
Chapter 4 統計資料的展示
4.1 資料類型
4.2 在 Python 中繪圖
4.3 展示統計資料集
4.4 練習
| PART 2_分布和假設檢定 |
Chapter 5 背景
5.1 母體與樣本
5.2 機率分布
5.3 自由度
5.4 研究設計
Chapter 6 單變數的分布
6.1 分布的特徵描述
6.2 離散分布
6.3 常態分布
6.4 來自常態分布的連續分布
6.5 其他連續分布
6.6 練習
Chapter 7 假設檢定
7.1 典型分析流程
7.2 假設概念、錯誤、p 值與樣本數
7.3 敏感性和特異性
7.4 ROC 曲線
Chapter 8 數值型資料的平均數檢定
8.1 樣本平均數的分布
8.2 兩組之間的比較
8.3 多組比較
8.4 總結：選擇正確的檢定方法進行組間比較
8.5 練習
Chapter 9 類別型資料的檢定
9.1 單一比例（one proportion）
9.2 次數表
9.3 練習
Chapter 10 存活時間分析
10.1 存活分布
10.2 存活機率
10.3 在兩組間比較存活曲線
| PART 3_統計建模 |
Chapter 11 線性迴歸模型
11.1 線性相關
11.2 廣義線性迴歸模型
11.3 Patsy：公式語言
11.4 用 Python 進行線性迴歸分析
11.5 線性迴歸模型的結果
11.6 線性迴歸模型的假設
11.7 線性迴歸模型結果的解釋
11.8 Bootstrapping
11.9 練習
Chapter 12 多變量資料分析
12.1 視覺化多變量相關性
12.2 多重線性迴歸
Chapter 13 離散型資料的檢定
13.1 等級資料的組間比較
13.2 邏輯迴歸
13.3 廣義線性模型
13.4 順序邏輯迴歸
Chapter 14 貝氏統計
14.1 貝氏學派與頻率學派的解釋
14.2 電腦時代的貝氏方法
14.3 例子：用馬可夫鏈蒙地卡羅法模擬分析挑戰者號災難
14.4 總結
Appendix_附錄
A 參考解答
B 術語表
C 參考文獻
|
