Datenanalyse mit python Auswertung von Daten mit Pandas, NumPy und IPython
Dieses konsequent praxisbezogene Buch zeigt Ihnen anhand konkreter Fallbeispiele, wie Sie eine Vielzahl von typischen Datenanalyse-Problemen mit Python-Bibliotheken wie Pandas, NumPy und IPython lösen.Es bietet zudem einen praktischen Einstieg in das wissenschaftliche Computing für datenintensive An...
| Otros Autores: | , , |
|---|---|
| Formato: | Libro electrónico |
| Idioma: | Alemán |
| Publicado: |
Heidelberg, [Germany] :
O'Reilly
2015.
|
| Edición: | 1. Auflage |
| Materias: | |
| Ver en Biblioteca Universitat Ramon Llull: | https://discovery.url.edu/permalink/34CSUC_URL/1im36ta/alma991009629677406719 |
Tabla de Contenidos:
- Titel; Impressum; Inhalt; Kapitel 1: Einleitung; Wovon handelt dieses Buch?; Warum Python zur Datenanalyse?; Essenzielle Python-Bibliotheken; Installation und Einrichtung; Community und Konferenzen; Navigation durch dieses Buch; Typografische Konventionen; Benutzung von Codebeispielen; Danksagungen; Kapitel 2: Einführende Beispiele; 1.USA.gov-Daten von bit.ly; MovieLens 1M Data Set; US-Babynamen von 1880 bis 2010; Fazit und der Weg vor Ihnen; Kapitel 3: IPython: Eine interaktive Rechen- und Entwicklungsumgebung; IPython-Grundlagen; Verwenden der Befehlschronik
- Interaktion mit dem BetriebssystemWerkzeuge zur Softwareentwicklung; IPython HTML Notebook; Tipps zur produktiven Codeentwicklung mit IPython; Fortgeschrittene Features von IPython; Danksagung; Kapitel 4: Grundlagen von NumPy: Arrays und vektorisierte Berechnung; Das ndarray von NumPy: ein mehrdimensionales Array-Objekt; Universelle Funktionen: Schnelle elementweise Array-Funktionen; Datenverarbeitung mit Arrays; Dateiein- und -ausgabe bei Arrays; Lineare Algebra; Erzeugen von Zufallszahlen; Beispiel: Random Walks; Kapitel 5: Erste Schritte mit pandas
- Einführung in die Datenstrukturen von pandasEssenzielle Funktionalität; Zusammenfassen und Berechnen deskriptiver Statistik; Behandlung fehlender Daten; Hierarchisches Indizieren; Weitere Themen in pandas; Kapitel 6: Laden und Speichern von Daten sowie Dateiformate; Lesen und Schreiben von Daten im Textformat; Binäre Datenformate; Interagieren mit HTML und Web-APIs; Interaktion mit Datenbanken; Kapitel 7: Datenaufbereitung: Säubern, Transformieren, Verknüpfen und Umformen; Kombinieren und Verknüpfen von Datensätzen; Umformen und Transponieren; Transformieren von Daten
- Manipulation von StringsFallstudie: Die USDA-Nahrungsmitteldatenbank; Kapitel 8: Plotten und Visualisieren; Kurze Einführung in die matplotlib-API; Plotten von Funktionen in pandas; Karten zeichnen: Visualisieren der Daten aus der Erdbebenkrise auf Haiti; Das Ökosystem der Visualisierungstools in Python; Kapitel 9: Aggregation von Daten und Gruppenoperationen; GroupBy-Mechanismen; Aggregation von Daten; Gruppenweise Operationen und Transformationen; Pivot-Tabellen und Kreuztabellierung; Fallstudie: Die Datenbank des US-Bundeswahlausschusses von 2012; Kapitel 10: Zeitreihen
- Datentypen und Werkzeuge für Datum und ZeitGrundlagen von Zeitreihen; Datumsbereiche, Frequenzen und Verschiebungen; Berücksichtigung von Zeitzonen; Perioden und Arithmetik von Perioden; Resampling und Konvertieren von Frequenzen; Plotten von Zeitreihen; Funktionen mit gleitenden Fenstern; Notizen zu Rechengeschwindigkeit und Speichernutzung; Kapitel 11: Anwendungen auf Daten aus Finanzwelt und Ökonomie; Themen aus der Datenklempnerei; Gruppentransformationen und Analyse; Weitere Anwendungsbeispiele; Kapitel 12: NumPy für Fortgeschrittene; Interna von ndarray-Objekten
- Fortgeschrittene Manipulation von Arrays
