第1章  数据分析基础

    1.1  数据分析的基本概念

      1.1.1  什么是数据分析

      1.1.2  数据分析范式

      1.1.3  数据分析面临的问题

      1.1.4  相关概念辨析

    1.2  数据分析的任务与方法

      1.2.1  分类任务

      1.2.2  回归任务

      1.2.3  聚类任务

      1.2.4  降维任务

    1.3  领域数据与常见数据类型

      1.3.1  典型的数据领域

      1.3.2  数据类型

    1.4  数据分析的生态系统

      1.4.1  分布式文件系统

      1.4.2  分布式编程框架

      1.4.3  机器学习与数据分析平台

      1.4.4  数据可视化工具

    1.5  本书的内容和组织

    思考与练习

第2章  Python编程语言

    2.1  初识Python

      2.1.1  概述

      2.1.2  Python环境搭建

      2.1.3  Python语法特点

      2.1.4  Python的基本数据类型

    2.2  字符串与流程控制

      2.2.1  字符串

      2.2.2  流程控制

    2.3  列表、元组与字典

      2.3.1  列表

      2.3.2  元组

      2.3.3  字典

    2.4  函数、模块与包

      2.4.1  函数

      2.4.2  模块

      2.4.3  包

    2.5  Python异常处理

    思考与练习

第3章  数据分析过程

    3.1  数据分析过程的概念

      3.1.1  数据类型

      3.1.2  使用Python的原因

      3.1.3  重要的Python库

    3.2  数据探索与描述

      3.2.1  数据导入

      3.2.2  中心趋势

      3.2.3  离散度

      3.2.4  相关性

    3.3  数据预处理

      3.3.1  数据清洗

      3.3.2  数据集成

      3.3.3  数据变换

      3.3.4  数据归约

    3.4  机器学习

    思考与练习

第4章  回归与预测

    4.1  基本概念

    4.2  线性回归

      4.2.1  一元线性回归

      4.2.2  多元线性回归

      4.2.3  最小二乘法

    4.3  Logistic回归

      4.3.1  算法原理

      4.3.2  算法实例

    4.4  岭回归

      4.4.1  算法原理

      4.4.2  代码实现

    4.5  Lasso回归

      4.5.1  算法原理

      4.5.2  代码实现

    思考与练习

第5章  聚类分析

    5.1  基本概念

      5.1.1  什么是聚类分析

      5.1.2  不同的簇类型

    5.2  K-means聚类

      5.2.1  算法原理

      5.2.2  算法实例

    5.3  DBSCAN聚类

      5.3.1  DBSCAN算法

      5.3.2  算法实例

    5.4  谱聚类算

      5.4.1  相似度矩阵

      5.4.2  算法原理

      5.4.3  优点与缺点

      5.4.4  算法实例

    5.5  近邻传播算法

      5.5.1  算法原理

      5.5.2  优点与缺点

      5.5.3  算法实例

    思考与练习

第6章  分类模型与算法

    6.1  基本概念

    6.2  K近邻算法

      6.2.1  算法原理

      6.2.2  算法实例

    6.3  朴素贝叶斯分类算法

      6.3.1  算法原理

      6.3.2  算法实例

    6.4  决策树分类法

      6.4.1  算法原理

      6.4.2  算法实例

    6.5  随机森林分类法

      6.5.1  算法原理

      6.5.2  算法实例

    思考与练习

第7章  数据降维

    7.1  基本概念

      7.1.1  为什么要降维

      7.1.2  降维技术

    7.2  线性降维

      7.2.1  无监督降维PCA

      7.2.2  使用scikit-learn实现PCA

      7.2.3  监督压缩LDA

      7.2.4  使用scikit-learn实现LDA

    7.3  非线性降维

      7.3.1  LLE降维

      7.3.2  ISOMAP降维

      7.3.3  MDS降维

    思考与练习

第8章  网络数据分析

    8.1  基本概念

      8.1.1  社交网络的定义

      8.1.2  社会价值与应用

    8.2  结点排序

      8.2.1  主要方法

      8.2.2  评价指标

    8.3  链路预测

      8.3.1  主要方法

      8.3.2  评价指标

    8.4  社团检测

      8.4.1  社团检测方法

     8.4.2  评价指标

    思考与练习

第9章  数据可视化

    9.1  基本概念

    9.2  Matplotlib库

      9.2.1  Matplotlib库介绍

      9.2.2  Matplotlib库安装

    9.3  Pyplot方法

      9.3.1  Pyplot基础语法

      9.3.2  Pyplot动态rc参数

    9.4  线性图

      9.4.1  绘制散点图

      9.4.2  绘制折线图

    9.5  分布图

      9.5.1  绘制直方图

      9.5.2  绘制饼状图

      9.5.3  绘制箱线图

    9.6  完善图形

      9.6.1  添加文本

      9.6.2  添加网格

      9.6.3  添加图例

    9.7  高级可视化

      9.7.1  多面板图形绘制

      9.7.2  mplot3D图绘制

      9.7.3  networkx网络图绘制

      9.7.4  heatmap热力图绘制

    思考与练习

参考文献