內(nèi)容簡介:　　《Python數(shù)據(jù)可視化》介紹了利用Python實(shí)現(xiàn)數(shù)據(jù)可視化。并介紹了數(shù)據(jù)、信息與知識之間的關(guān)系。書中涉及的可視化過程應(yīng)用了大量流行的Python庫，你會學(xué)到采用Numpy、Scipy、IPython、MatPotLib、Pandas、Patsy和Scikit-Learn等生成可視化結(jié)果的不同方法。

目錄:譯者序
前　言
第1章　數(shù)據(jù)可視化概念框架1
1.1　數(shù)據(jù)、信息、知識和觀點(diǎn)2
1.1.1　數(shù)據(jù)2
1.1.2　信息2
1.1.3　知識3
1.1.4　數(shù)據(jù)分析和觀點(diǎn)3
1.2　數(shù)據(jù)轉(zhuǎn)換4
1.2.1　數(shù)據(jù)轉(zhuǎn)換為信息4
1.2.2　信息轉(zhuǎn)換為知識7
1.2.3　知識轉(zhuǎn)換為觀點(diǎn)7
1.3　數(shù)據(jù)可視化歷史8
1.4　可視化如何幫助決策10
1.4.1　可視化適用于哪里11
1.4.2　如今的數(shù)據(jù)可視化12
1.5　可視化圖像15
1.5.1　條形圖和餅圖19
1.5.2　箱線圖22
1.5.3　散點(diǎn)圖和氣泡圖23
1.5.4　核密度估計(jì)圖26
1.6　總結(jié)29
第2章　數(shù)據(jù)分析與可視化30
2.1　為什么可視化需要規(guī)劃31
2.2　Ebola案例31
2.3　體育案例37
2.4　用數(shù)據(jù)編寫有趣的故事47
2.4.1　為什么故事如此重要47
2.4.2　以讀者驅(qū)動為導(dǎo)向的故事47
2.4.3　以作者驅(qū)動為導(dǎo)向的故事53
2.5　感知與表達(dá)方法55
2.6　一些最好的可視化實(shí)踐57
2.6.1　比較和排名57
2.6.2　相關(guān)性58
2.6.3　分布59
2.6.4　位置定位或地理數(shù)據(jù)61
2.6.5　局部到整體的關(guān)系61
2.6.6　隨時間的變化趨勢62
2.7　Python中的可視化工具62
2.8　交互式可視化64
2.8.1　事件監(jiān)聽器64
2.8.2　布局設(shè)計(jì)65
2.9　總結(jié)67
第3章　開始使用Python IDE69
3.1　Python中的IDE工具70
3.1.1　Python 3.x和Python 2.770
3.1.2　交互式工具類型70
3.1.3　Python IDE類型72
3.2　Anaconda可視化繪圖83
3.2.1　表面三維圖83
3.2.2　方形圖85
3.3　交互式可視化軟件包89
3.3.1　Bokeh 89
3.3.2　VisPy90
3.4　總結(jié)91
第4章　數(shù)值計(jì)算和交互式繪圖92
4.1　NumPy、SciPy和MKL函數(shù)93
4.1.1　NumPy93
4.1.2　SciPy99
4.1.3　MKL函數(shù)105
4.1.4　Python的性能106
4.2　標(biāo)量選擇106
4.3　切片107
4.4　數(shù)組索引108
4.4.1　數(shù)值索引108
4.4.2　邏輯索引109
4.5　其他數(shù)據(jù)結(jié)構(gòu)110
4.5.1　棧110
4.5.2　元組111
4.5.3　集合112
4.5.4　隊(duì)列113
4.5.5　字典114
4.5.6　字典的矩陣表示115
4.5.7　Trie樹120
4.6　利用matplotlib進(jìn)行可視化121
4.6.1　詞云122
4.6.2　安裝詞云122
4.6.3　詞云的輸入 124
4.6.4　繪制股票價格圖129
4.7　體育運(yùn)動中的可視化案例136
4.8　總結(jié)140
第5章　金融和統(tǒng)計(jì)模型141
5.1　確定性模型142
5.2　隨機(jī)性模型150
5.2.1　蒙特卡洛模擬150
5.2.2　投資組合估值168
5.2.3　模擬模型 170
5.2.4　幾何布朗運(yùn)動模擬170
5.2.5　基于擴(kuò)散模擬173
5.3　閾值模型175
5.4　統(tǒng)計(jì)與機(jī)器學(xué)習(xí)綜述179
5.4.1　k-最近鄰算法179
5.4.2　廣義線性模型181
5.5　創(chuàng)建動畫和交互圖184
5.6　總結(jié)188
第6章　統(tǒng)計(jì)與機(jī)器學(xué)習(xí)189
6.1　分類方法190
6.1.1　理解線性回歸191
6.1.2　線性回歸193
6.1.3　決策樹196
6.1.4　貝葉斯理論199
6.1.5　樸素貝葉斯分類器200
6.1.6　用TextBlob構(gòu)建樸素貝葉斯分類器202
6.1.7　用詞云觀察積極情緒206
6.2　k-最近鄰208
6.3　邏輯斯諦回歸211
6.4　支持向量機(jī)214
6.5　主成分分析216
6.6　 k-均值聚類220
6.7　總結(jié)223
第7章　生物信息學(xué)、遺傳學(xué)和網(wǎng)絡(luò)模型224
7.1　有向圖和多重圖225
7.1.1　存儲圖表數(shù)據(jù)225
7.1.2　圖表展示227
7.2　圖的聚集系數(shù)235
7.3　社交網(wǎng)絡(luò)分析238
7.4　平面圖測試 240
7.5　有向無環(huán)圖測試 242
7.6　最大流量和最小切割244
7.7　遺傳編程示例245
7.8　隨機(jī)區(qū)組模型247
7.9　總結(jié)250
第8章　高級可視化252
8.1　計(jì)算機(jī)模擬253
8.1.1　Python的random包253
8.1.2　SciPy的random函數(shù)254
8.1.3　模擬示例255
8.1.4　信號處理258
8.1.5　動畫制作261
8.1.6　利用HTML5進(jìn)行可視化263
8.1.7　Julia和Python有什么區(qū)別267
8.1.8　用D3.js進(jìn)行可視化267
8.1.9　儀表盤268
8.2　總結(jié)269
附錄　繼續(xù)探索可視化270