Python Data Analysis Cookbook

ویرایش:  
نویسندگان: Ivan Idris  
سری:  
ISBN (شابک) : 178528228X, 9781785282287 
ناشر: Packt Publishing 
سال نشر: 2016 
تعداد صفحات: 462 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت 

قیمت کتاب (تومان) : 39,000



ویژگی های کلیدی

• تجزیه و تحلیل مجموعه های کلان داده، ایجاد تجسم های جذاب، و دستکاری و پردازش انواع داده ها
• مملو از دستور العمل های غنی برای کمک به یادگیری و کشف الگوریتم های شگفت انگیز برای آمار و یادگیری ماشین
• نویسنده ایوان ادریس، متخصص برنامه نویسی پایتون و نویسنده مفتخر هشت کتاب بسیار بررسی شده

شرح کتاب

داده تجزیه و تحلیل یک زمینه به سرعت در حال تکامل است و پایتون یک زبان برنامه نویسی چند پارادایم است که برای توسعه برنامه های کاربردی شی گرا و الگوهای طراحی عملکردی مناسب است. از آنجایی که پایتون طیف وسیعی از ابزارها و کتابخانه ها را برای همه مقاصد ارائه می دهد، به آرامی به عنوان زبان اصلی برای علم داده، از جمله موضوعاتی در مورد: تجزیه و تحلیل داده، تجسم، و یادگیری ماشین، تکامل یافته است.

کتاب آشپزی تجزیه و تحلیل داده های پایتون تمرکز دارد. در مورد تکرارپذیری و ایجاد سیستم های آماده تولید. شما با دستور العمل هایی شروع می کنید که اساس تجزیه و تحلیل داده ها را با کتابخانه هایی مانند matplotlib، NumPy و پانداها تنظیم می کنند. شما یاد خواهید گرفت که با انتخاب نقشه ها و پالت های رنگی تجسم ایجاد کنید و سپس با استفاده از الگوریتم های توزیع و همبستگی ها وارد تجزیه و تحلیل داده های آماری شوید. سپس به شما کمک می‌کنید راه خود را برای حل مشکلات مختلف داده‌ها و عددی پیدا کنید، با Spark و HDFS کنار بیایید، و سپس اسکریپت‌های مهاجرت را برای وب‌کاوی تنظیم کنید.

در این کتاب، عمیق‌تر به این موضوع خواهید پرداخت. دستور العمل در مورد تجزیه و تحلیل طیفی، صاف کردن، و روش های بوت استرپ. در ادامه، یاد خواهید گرفت که سهام را رتبه بندی کنید و کارایی بازار را بررسی کنید، سپس با معیارها و خوشه ها کار کنید. شما به موازی سازی برای بهبود عملکرد سیستم با استفاده از رشته های متعدد و افزایش سرعت کد خود دست خواهید یافت.

در پایان کتاب، می توانید تکنیک های مختلف تجزیه و تحلیل داده ها را در پایتون مدیریت کنید و راه حل هایی برای سناریوهای مشکل ابداع کنید. .

آنچه یاد خواهید گرفت

• تحلیل داده های تکرارپذیر را تنظیم کنید
• پاک کردن و تبدیل داده ها
• استفاده از تجزیه و تحلیل آماری پیشرفته< /li>
• تجسم داده های جذاب ایجاد کنید
• بررسی وب و کار با پایگاه های داده، Hadoop و Spark
• تجزیه و تحلیل تصاویر و داده های سری زمانی
• متن استخراج و شبکه های اجتماعی را تجزیه و تحلیل کنید
• از یادگیری ماشین استفاده کنید و نتایج را ارزیابی کنید
• از موازی سازی و همزمانی استفاده کنید

درباره نویسنده

< p>ایوان ادریسدر بلغارستان از پدر و مادری اندونزیایی به دنیا آمد. او به هلند نقل مکان کرد و در رشته فیزیک تجربی فارغ التحصیل شد. پایان نامه فارغ التحصیلی او تاکید زیادی بر علوم کامپیوتر کاربردی داشت. پس از فارغ‌التحصیلی، او برای چندین شرکت به‌عنوان توسعه‌دهنده نرم‌افزار، توسعه‌دهنده انبار داده و تحلیلگر QA کار کرد.

علایق حرفه‌ای او هوش تجاری، داده‌های بزرگ و محاسبات ابری است. او از نوشتن کدهای تمیز، قابل آزمایش و مقالات فنی جالب لذت می برد. او نویسنده NumPy Beginner's Guide، NumPy Cookbook، Learning NumPy و Python Data Analysis است که همگی توسط Packt Publishing انجام شده است. تجزیه و تحلیل داده

ایجاد تجسم داده های جذاب

تحلیل آماری داده ها و احتمال

برخورد با داده ها و مسائل عددی

وب کاوی، پایگاه های داده، و کلان داده

پردازش سیگنال و سری زمانی

انتخاب سهام با تجزیه و تحلیل داده های مالی

متن کاوی و تجزیه و تحلیل شبکه های اجتماعی

آموزش گروهی و کاهش ابعاد

ارزیابی طبقه بندی کننده ها، رگرسیون ها و خوشه ها

تجزیه و تحلیل تصاویر

موازی سازی و عملکرد

واژه نامه

مرجع تابع

Key Features

• Analyze Big Data sets, create attractive visualizations, and manipulate and process various data types
• Packed with rich recipes to help you learn and explore amazing algorithms for statistics and machine learning
• Authored by Ivan Idris, expert in python programming and proud author of eight highly reviewed books

Book Description

Data analysis is a rapidly evolving field and Python is a multi-paradigm programming language suitable for object-oriented application development and functional design patterns. As Python offers a range of tools and libraries for all purposes, it has slowly evolved as the primary language for data science, including topics on: data analysis, visualization, and machine learning.

Python Data Analysis Cookbook focuses on reproducibility and creating production-ready systems. You will start with recipes that set the foundation for data analysis with libraries such as matplotlib, NumPy, and pandas. You will learn to create visualizations by choosing color maps and palettes then dive into statistical data analysis using distribution algorithms and correlations. You’ll then help you find your way around different data and numerical problems, get to grips with Spark and HDFS, and then set up migration scripts for web mining.

In this book, you will dive deeper into recipes on spectral analysis, smoothing, and bootstrapping methods. Moving on, you will learn to rank stocks and check market efficiency, then work with metrics and clusters. You will achieve parallelism to improve system performance by using multiple threads and speeding up your code.

By the end of the book, you will be capable of handling various data analysis techniques in Python and devising solutions for problem scenarios.

What You Will Learn

• Set up reproducible data analysis
• Clean and transform data
• Apply advanced statistical analysis
• Create attractive data visualizations
• Web scrape and work with databases, Hadoop, and Spark
• Analyze images and time series data
• Mine text and analyze social networks
• Use machine learning and evaluate the results
• Take advantage of parallelism and concurrency

About the Author

Ivan Idris was born in Bulgaria to Indonesian parents. He moved to the Netherlands and graduated in experimental physics. His graduation thesis had a strong emphasis on applied computer science. After graduating, he worked for several companies as a software developer, data warehouse developer, and QA analyst.

His professional interests are business intelligence, big data, and cloud computing. He enjoys writing clean, testable code and interesting technical articles. He is the author of NumPy Beginner's Guide, NumPy Cookbook, Learning NumPy, and Python Data Analysis, all by Packt Publishing.

Table of Contents

1. Laying the Foundation for Reproducible Data Analysis
2. Creating Attractive Data Visualizations
3. Statistical Data Analysis and Probability
4. Dealing with Data and Numerical Issues
5. Web Mining, Databases, and Big Data
6. Signal Processing and Timeseries
7. Selecting Stocks with Financial Data Analysis
8. Text Mining and Social Network Analysis
9. Ensemble Learning and Dimensionality Reduction
10. Evaluating Classifi ers, Regressors, and Clusters
11. Analyzing Images
12. Parallelism and Performance
13. Glossary
14. Function Reference