[套装书]数据结构与算法：Python语言实现+利用Python进行数据分析（原书第2版）（2册）

作者
（美）迈克尔 T. 古德里奇[美]韦斯·麦金尼（Wes McKinney）
丛书名
计算机科学丛书
出版社
机械工业出版社
ISBN
9782002101050
简要
简介
内容简介书籍计算机书籍 ---------------------------数据结构与算法：Python语言实现--------------------------- 本书采用Python语言介绍数据结构和算法，包括其设计、分析和实施。本书源代码简洁、明确，面向对象的观点贯穿始终，通过继承最大限度地提高代码重用，同时彰显不同抽象数据类型和算法之间的异同。 ---------------------------利用Python进行数据分析（原书第2版）--------------------------- 阅读本书可以获得关于在Python下操作、处理、清洗、规整数据集的完整说明。本书第2版针对Python 3.6进行了更新，并增加了实际案例向你展示如何高效地解决一系列数据分析问题。你将在阅读过程中学习到最新版本的pandas、NumPy、IPython和Jupyter。
目录



---------------------------数据结构与算法：Python语言实现---------------------------


出版者的话
译者序
前言
致谢
作者简介
第1章　Python入门 1
1.1　Python概述 1
1.1.1　Python解释器 1
1.1.2　Python程序预览 1
1.2　Python对象 2
1.2.1　标识符、对象和赋值语句 2
1.2.2　创建和使用对象 4
1.2.3　Python的内置类 4
1.3　表达式、运算符和优先级 8
1.4　控制流程 12
1.4.1　条件语句 12
1.4.2　循环语句 14
1.5　函数 16
1.5.1　信息传递 17
1.5.2　Python的内置函数 19
1.6　简单的输入和输出 20
1.6.1　控制台输入和输出 21
1.6.2　文件 21
1.7　异常处理 22
1.7.1　抛出异常 23
1.7.2　捕捉异常 24
1.8　迭代器和生成器 26
1.9　Python的其他便利特点 28
1.9.1　条件表达式 29
1.9.2　解析语法 29
1.9.3　序列类型的打包和解包 30
1.10　作用域和命名空间 31
1.11　模块和import语句 32
1.12　练习 34
扩展阅读 36
第2章　面向对象编程 37
2.1　目标、原则和模式 37
2.1.1　面向对象的设计目标 37
2.1.2　面向对象的设计原则 38
2.1.3　设计模式 39
2.2　软件开发 40
2.2.1　设计 40
2.2.2　伪代码 41
2.2.3　编码风格和文档 42
2.2.4　测试和调试 43
2.3　类定义 44
2.3.1　例子：CreditCard类 45
2.3.2 运算符重载和Python的特殊方法 48
2.3.3　例子：多维向量类 50
2.3.4　迭代器 51
2.3.5　例子：Range类 52
2.4　继承 53
2.4.1　扩展CreditCard类 54
2.4.2　数列的层次图 57
2.4.3　抽象基类 60
2.5　命名空间和面向对象 62
2.5.1　实例和类命名空间 62
2.5.2　名称解析和动态调度 65
2.6　深拷贝和浅拷贝 65
2.7　练习 67
扩展阅读 70
第3章　算法分析 71
3.1　实验研究 71
3.2　本书使用的7种函数 74
3.2.1　常数函数 74
3.2.2　对数函数 74
3.2.3　线性函数 75
3.2.4　n-log-n函数 75
3.2.5　二次函数 76
3.2.6　三次函数和其他多项式 77
3.2.7　指数函数 77
3.2.8　比较增长率 79
3.3　渐近分析 79
3.3.1　大O符号 80
3.3.2　比较分析 82
3.3.3　算法分析示例 84
3.4　简单的证明技术 89
3.4.1　示例 89
3.4.2　反证法 89
3.4.3　归纳和循环不变量 90
3.5　练习 91
扩展阅读 95
第4章　递归 96
4.1　说明性的例子 96
4.1.1　阶乘函数 96
4.1.2　绘制英式标尺 97
4.1.3　二分查找 99
4.1.4　文件系统 101
4.2　分析递归算法 104
4.3　递归算法的不足 106
4.4　递归的其他例子 109
4.4.1　线性递归 109
4.4.2　二路递归 112
4.4.3　多重递归 113
4.5　设计递归算法 114
4.6　消除尾递归 115
4.7　练习 116
扩展阅读 118
第5章　基于数组的序列 119
5.1　Python序列类型 119
5.2　低层次数组 119
5.2.1　引用数组 121
5.2.2　Python中的紧凑数组 122
5.3　动态数组和摊销 124
5.3.1　实现动态数组 126
5.3.2　动态数组的摊销分析 127
5.3.3　Python列表类 130
5.4　Python序列类型的效率 130
5.4.1　Python的列表和元组类 130
5.4.2　Python的字符串类 134
5.5　使用基于数组的序列 136
5.5.1　为游戏存储高分 136
5.5.2　为序列排序 138
5.5.3　简单密码技术 140
5.6　多维数据集 142
5.7　练习 145
扩展阅读 147
第6章　栈、队列和双端队列 148
6.1　栈 148
6.1.1　栈的抽象数据类型 148
6.1.2 简单的基于数组的栈实现 149
6.1.3　使用栈实现数据的逆置 152
6.1.4　括号和HTML标记匹配 152
6.2　队列 155
6.2.1　队列的抽象数据类型 155
6.2.2　基于数组的队列实现 156
6.3　双端队列 160
6.3.1 双端队列的抽象数据类型 160
6.3.2 使用环形数组实现双端队列 161
6.3.3 Python collections模块中的双端队列 162
6.4　练习 163
扩展阅读 165
第7章　链表 166
7.1　单向链表 166
7.1.1　用单向链表实现栈 169
7.1.2　用单向链表实现队列 171
7.2　循环链表 173
7.2.1　轮转调度 173
7.2.2　用循环链表实现队列 174
7.3　双向链表 175
7.3.1　双向链表的基本实现 177
7.3.2　用双向链表实现双端队列 179
7.4　位置列表的抽象数据类型 180
7.4.1 含位置信息的列表抽象数据类型 182
7.4.2　双向链表实现 183
7.5　位置列表的排序 186
7.6　案例研究：维护访问频率 186
7.6.1　使用有序表 187
7.6.2　启发式动态调整列表 188
7.7 基于链接的序列与基于数组的序列 190
7.8　练习 192
扩展阅读 195
第8章　树 196
8.1　树的基本概念 196
8.1.1　树的定义和属性 196
8.1.2　树的抽象数据类型 199
8.1.3　计算深度和高度 201
8.2　二叉树 203
8.2.1　二叉树的抽象数据类型 204
8.2.2　二叉树的属性 206
8.3　树的实现 207
8.3.1　二叉树的链式存储结构 207
8.3.2　基于数组表示的二叉树 212
8.3.3　一般树的链式存储结构 214
8.4　树的遍历算法 214
8.4.1　树的先序和后序遍历 214
8.4.2　树的广度优先遍历 216
8.4.3　二叉树的中序遍历 216
8.4.4　用Python实现树遍历 217
8.4.5　树遍历的应用 220
8.4.6　欧拉图和模板方法模式* 223
8.5　案例研究：表达式树 227
8.6　练习 230
扩展阅读 235
第9章　优先级队列 236
9.1　优先级队列的抽象数据类型 236
9.1.1　优先级 236
9.1.2 优先级队列的抽象数据类型的实现 236
9.2　优先级队列的实现 237
9.2.1　组合设计模式 237
9.2.2 使用未排序列表实现优先级队列 238
9.2.3 使用排序列表实现优先级队列 239
9.3　堆 241
9.3.1　堆的数据结构 241
9.3.2　使用堆实现优先级队列 242
9.3.3　基于数组的完全二叉树表示 244
9.3.4　Python的堆实现 246
9.3.5　基于堆的优先级队列的分析 248
9.3.6　自底向上构建堆* 248
9.3.7　Python的heapq模块 251
9.4　使用优先级队列排序 252
9.4.1　选择排序和插入排序 253
9.4.2　堆排序 254
9.5　适应性优先级队列 255
9.5.1　定位器 256
9.5.2　适应性优先级队列的实现 256
9.6　练习 259
扩展阅读 263
第10章　映射、哈希表和跳跃表 264
10.1　映射和字典 264
10.1.1　映射的抽象数据类型 264
10.1.2　应用：单词频率统计 266
10.1.3 Python的MutableMapping抽象基类 267
10.1.4　我们的MapBase类 267
10.1.5　简单的非有序映射实现 268
10.2　哈希表 269
10.2.1　哈希函数 270
10.2.2　哈希码 271
10.2.3　压缩函数 274
10.2.4　冲突处理方案 274
10.2.5 负载因子、重新哈希和效率 276
10.2.6　Python哈希表的实现 278
10.3　有序映射 281
10.3.1　排序检索表 282
10.3.2　有序映射的两种应用 286
10.4　跳跃表 288
10.4.1 跳跃表中的查找和更新操作 289
10.4.2　跳跃表的概率分析* 292
10.5　集合、多集和多映射 294
10.5.1　集合的抽象数据类型 294
10.5.2 Python的MutableSet抽象基类 295
10.5.3 集合、多集和多映射的实现 297
10.6　练习 298
扩展阅读 302
第11章　搜索树 303
11.1　二叉搜索树 303
11.1.1　遍历二叉搜索树 303
11.1.2　搜索 305
11.1.3　插入和删除 306
11.1.4　Python实现 307
11.1.5　二叉搜索树的性能 311
11.2　平衡搜索树 312
11.3　AVL树 316
11.3.1　更新操作 318
11.3.2　Python实现 320
11.4　伸展树 322
11.4.1　伸展 322
11.4.2　何时进行伸展 323
11.4.3　Python实现 324
11.4.4　伸展树的摊销分析* 325
11.5　（2，4）树 328
11.5.1　多路搜索树 328
11.5.2　（2，4）树的操作 330
11.6　红黑树 334
11.6.1　红黑树的操作 335
11.6.2　Python实现 341
11.7　练习 343
扩展阅读 348
第12章　排序与选择 349
12.1　为什么要学习排序算法 349
12.2　归并排序 349
12.2.1　分治法 349
12.2.2 基于数组的归并排序的实现 351
12.2.3　归并排序的运行时间 353
12.2.4　归并排序与递归方程* 354
12.2.5　归并排序的可选实现 355
12.3　快速排序 357
12.3.1　随机快速排序 361
12.3.2　快速排序的额外优化 362
12.4　再论排序：算法视角 364
12.4.1　排序下界 365
12.4.2 线性时间排序：桶排序和基数排序 366
12.5　排序算法的比较 367
12.6　Python的内置排序函数 369
12.7　选择 370
12.7.1　剪枝搜索 370
12.7.2　随机快速选择 371
12.7.3　随机快速选择分析 371
12.8　练习 372
扩展阅读 376
第13章　文本处理 377
13.1　数字化文本的多样性 377
13.2　模式匹配算法 378
13.2.1　穷举 378
13.2.2　Boyer-Moore算法 379
13.2.3　Knuth-Morris-Pratt算法 382
13.3　动态规划 385
13.3.1　矩阵链乘积 385
13.3.2　DNA和文本序列比对 386
13.4　文本压缩和贪心算法 389
13.4.1　霍夫曼编码算法 390
13.4.2　贪心算法 391
13.5　字典树 391
13.5.1　标准字典树 391
13.5.2　压缩字典树 394
13.5.3　后缀字典树 395
13.5.4　搜索引擎索引 396
13.6　练习 397
拓展阅读 400
第14章　图算法 401
14.1　图 401
14.2　图的数据结构 405
14.2.1　边列表结构 406
14.2.2　邻接列表结构 407
14.2.3　邻接图结构 408
14.2.4　邻接矩阵结构 409
14.2.5　Python实现 409
14.3　图遍历 412
14.3.1　深度优先搜索 413
14.3.2 深度优先搜索的实现和扩展 416
14.3.3　广度优先搜索 419
14.4　传递闭包 421
14.5　有向非循环图 424
14.6　最短路径 426
14.6.1　加权图 427
14.6.2　Dijkstra算法 428
14.7　最小生成树 434
14.7.1　Prim-Jarník算法 435
14.7.2　Kruskal算法 438
14.7.3 不相交分区和联合查找结构 442
14.8　练习 445
扩展阅读 451
第15章　内存管理和B树 452
15.1　内存管理 452
15.1.1　内存分配 452
15.1.2　垃圾回收 453
15.1.3 Python解释器使用的额外内存 455
15.2　存储器层次结构和缓存 456
15.2.1　存储器系统 456
15.2.2　高速缓存策略 456
15.3　外部搜索和B树 460
15.3.1　（a，b）树 460
15.3.2　B树 462
15.4　外部存储器中的排序 462
15.5　练习 464
拓展阅读 465
附录A　Python中的字符串 466
附录B　有用的数学定理 469
参考文献 474



---------------------------利用Python进行数据分析（原书第2版）---------------------------


前言1
第1章 准备工作7
1.1 本书内容7
1.1.1 什么类型的数据7
1.2 为何利用Python进行数据分析8
1.2.1 Python作为胶水8
1.2.2 解决“双语言”难题8
1.2.3 为何不使用Python9
1.3 重要的Python库9
1.3.1 NumPy9
1.3.2 pandas10
1.3.3 matplotlib11
1.3.4 IPython与Jupyter11
1.3.5 SciPy12
1.3.6 scikit-learn12
1.3.7 statsmodels13
1.4 安装与设置13
1.4.1 Windows14
1.4.2 Apple（OS X和macOS）14
1.4.3 GNU/Linux14
1.4.4 安装及更新Python包15
1.4.5 Python 2和Python 316
1.4.6 集成开发环境和文本编辑器16
1.5 社区和会议17
1.6 快速浏览本书17
1.6.1 代码示例18
1.6.2 示例数据18
1.6.3导入约定18
1.6.4术语19
第2章 Python语言基础、IPython及Jupyter notebook20
2.1 Python解释器21
2.2 IPython基础22
2.2.1 运行IPython命令行22
2.2.2 运行 Jupyter notebook23
2.2.3 Tab补全25
2.2.4 内省27
2.2.5 %run命令28
2.2.6 执行剪贴板中的程序30
2.2.7 终端快捷键30
2.2.8 关于魔术命令31
2.2.9　matplotlib集成33
2.3 Python语言基础34
2.3.1 语言语义34
2.3.2 标量类型42
2.3.3 控制流49
第3章 内建数据结构、函数及文件54
3.1 数据结构和序列54
3.1.1 元组54
3.1.2 列表57
3.1.3 内建序列函数61
3.1.4 字典64
3.1.5集合67
3.1.6 列表、集合和字典的推导式69
3.2 函数72
3.2.1 命名空间、作用域和本地函数72
3.2.2 返回多个值73
3.2.3 函数是对象74
3.2.4 匿名（Lambda）函数75
3.2.5 柯里化：部分参数应用76
3.2.6 生成器77
3.2.7 错误和异常处理79
3.3 文件与操作系统82
3.3.1 字节与Unicode文件85
3.4 本章小结86
第4章 NumPy基础：数组与向量化计算87
4.1 NumPy ndarray：多维数组对象89
4.1.1 生成ndarray90
4.1.2 ndarray的数据类型92
4.1.3 NumPy数组算术94
4.1.4 基础索引与切片95
4.1.5 布尔索引100
4.1.6 神奇索引103
4.1.7 数组转置和换轴104
4.2 通用函数：快速的逐元素数组函数106
4.3 使用数组进行面向数组编程109
4.3.1 将条件逻辑作为数组操作110
4.3.2 数学和统计方法111
4.3.3 布尔值数组的方法113
4.3.4 排序114
4.3.5 唯一值与其他集合逻辑115
4.4 使用数组进行文件输入和输出115
4.5 线性代数116
4.6 伪随机数生成118
4.7 示例：随机漫步120
4.7.1 一次性模拟多次随机漫步121
4.8 本章小结122
第5章 pandas入门123
5.1 pandas数据结构介绍123
5.1.1 Series123
5.1.2 DataFrame128
5.1.3 索引对象134
5.2 基本功能135
5.2.1 重建索引136
5.2.2 轴向上删除条目138
5.2.3 索引、选择与过滤140
5.2.4 整数索引144
5.2.5 算术和数据对齐145
5.2.6 函数应用和映射150
5.2.7 排序和排名152
5.2.8 含有重复标签的轴索引155
5.3 描述性统计的概述与计算157
5.3.1 相关性和协方差159
5.3.2 唯一值、计数和成员属性161
5.4 本章小结164
第6章 数据载入、存储及文件格式165
6.1 文本格式数据的读写165
6.1.1 分块读入文本文件171
6.1.2 将数据写入文本格式172
6.1.3 使用分隔格式174
6.1.4 JSON数据176
6.1.5 XML和HTML：网络抓取177
6.2 二进制格式180
6.2.1 使用HDF5格式181
6.2.2 读取Microsoft Excel文件183
6.3 与Web API交互184
6.4 与数据库交互186
6.5 本章小结187
第7章 数据清洗与准备188
7.1 处理缺失值188
7.1.1 过滤缺失值189
7.1.2 补全缺失值191
7.2 数据转换194
7.2.1 删除重复值194
7.2.2 使用函数或映射进行数据转换195
7.2.3 替代值197
7.2.4 重命名轴索引198
7.2.5 离散化和分箱199
7.2.6 检测和过滤异常值202
7.2.7 置换和随机抽样203
7.2.8 计算指标/虚拟变量204
7.3 字符串操作207
7.3.1 字符串对象方法208
7.3.2 正则表达式210
7.3.3 pandas中的向量化字符串函数213
7.4 本章小结215
第8章 数据规整：连接、联合与重塑216
8.1 分层索引216
8.1.1重排序和层级排序219
8.1.2 按层级进行汇总统计220
8.1.3 使用DataFrame的列进行索引220
8.2 联合与合并数据集221
8.2.1 数据库风格的DataFrame连接222
8.2.2 根据索引合并226
8.2.3 沿轴向连接230
8.2.4 联合重叠数据235
8.3 重塑和透视236
8.3.1 使用多层索引进行重塑236
8.3.2 将“长”透视为“宽”240
8.3.3 将“宽”透视为“长”242
8.4 本章小结244
第9章 绘图与可视化245
9.1 简明matplotlib API入门245
9.1.1 图片与子图246
9.1.2 颜色、标记和线类型250
9.1.3 刻度、标签和图例252
9.1.4 注释与子图加工255
9.1.5 将图片保存到文件258
9.1.6 matplotlib设置258
9.2 使用pandas和seaborn绘图259
9.2.1 折线图259
9.2.2 柱状图262
9.2.3 直方图和密度图266
9.2.4 散点图或点图269
9.2.5 分面网格和分类数据270
9.3 其他Python可视化工具271
9.4 本章小结272
第10章 数据聚合与分组操作274
10.1 GroupBy机制274
10.1.1 遍历各分组278
10.1.2 选择一列或所有列的子集279
10.1.3 使用字典和Series分组280
10.1.4 使用函数分组281
10.1.5 根据索引层级分组282
10.2 数据聚合282
10.2.1 逐列及多函数应用284
10.2.2 返回不含行索引的聚合数据287
10.3 应用：通用拆分-应用-联合288
10.3.1 压缩分组键290
10.3.2 分位数与桶分析291
10.3.3 示例：使用指定分组值填充缺失值292
10.3.4 示例：随机采样与排列294
10.3.5 示例：分组加权平均和相关性296
10.3.6 示例：逐组线性回归298
10.4 数据透视表与交叉表298
10.4.1 交叉表：crosstab301
10.5 本章小结302
第11章 时间序列303
11.1 日期和时间数据的类型及工具303
11.1.1 字符串与datetime互相转换305
11.2 时间序列基础307
11.2.1 索引、选择、子集308
11.2.2 含有重复索引的时间序列311
11.3 日期范围、频率和移位312
11.3.1 生成日期范围313
11.3.2 频率和日期偏置316
11.3.3 移位（前向和后向）日期317
11.4 时区处理320
11.4.1 时区的本地化和转换320
11.4.2 时区感知时间戳对象的操作323
11.4.3 不同时区间的操作324
11.5 时间区间和区间算术324
11.5.1 区间频率转换326
11.5.2 季度区间频率327
11.5.3 将时间戳转换为区间（以及逆转换）329
11.5.4 从数组生成PeriodIndex330
11.6 重新采样与频率转换332
11.6.1 向下采样334
11.6.2 向上采样与插值336
11.6.3 使用区间进行重新采样337
11.7 移动窗口函数339
11.7.1 指数加权函数342
11.7.2 二元移动窗口函数343
11.7.3 用户自定义的移动窗口函数344
11.8 本章小结344
第12章 高阶pandas346
12.1 分类数据346
12.1.1 背景和目标346
12.1.2 pandas中的Categorical类型348
12.1.3 使用Categorical对象进行计算350
12.1.4 分类方法352
12.2 高阶GroupBy应用355
12.2.1 分组转换和“展开”GroupBy355
12.2.2 分组的时间重新采样359
12.3 方法链技术361
12.3.1 pipe方法362
12.4 本章小结363
第13章 Python建模库介绍364
13.1 pandas与建模代码的结合364
13.2 使用Patsy创建模型描述367
13.2.1 Patsy公式中的数据转换369
13.2.2 分类数据与Patsy371
13.3 statsmodels介绍373
13.3.1 评估线性模型374
13.3.2 评估时间序列处理377
13.4 scikit-learn介绍377
13.5 继续你的教育381
第14章 数据分析示例382
14.1 从Bitly获取1.USA.gov数据382
14.1.1 纯Python时区计数383
14.1.2 使用pandas进行时区计数385
14.2 MovieLens 1M数据集392
14.2.1 测量评价分歧396
14.3 美国1880～2010年的婴儿名字397
14.3.1分析名字趋势402
14.4 美国农业部食品数据库410
14.5 2012年联邦选举委员会数据库416
14.5.1 按职业和雇主的捐献统计419
14.5.2 捐赠金额分桶421
14.5.3 按州进行捐赠统计423
14.6 本章小结424
附录A 高阶NumPy425
附录B 更多IPython系统相关内容457



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4