Pandas для всех: анализ данных на Python (серия Addison-Wesley Data & Analytics) на русском

Практическое, насыщенное примерами введение в анализ данных с помощью Pandas в Python.

Сегодня аналитикам приходится работать с данными, характеризующимися необычайным разнообразием, скоростью и объемом. Используя библиотеку с открытым исходным кодом Pandas, вы можете с помощью Python быстро автоматизировать и выполнять практически любую задачу анализа данных, независимо от ее масштаба или сложности. Pandas поможет вам обеспечить достоверность ваших данных, визуализировать их для принятия эффективных решений и надежно воспроизводить анализ на нескольких наборах данных.

Книга «Pandas для всех» объединяет практические знания и понимание решения реальных задач с помощью Pandas, даже если вы новичок в анализе данных на Python. Дэниел Й. Чен знакомит с ключевыми понятиями на простых, но практичных примерах, постепенно развивая их для решения более сложных задач из реального мира.

Чен дает быстрый старт в использовании Pandas с реалистичным набором данных и рассматривает объединение наборов данных, обработку пропущенных данных и структурирование наборов данных для упрощения анализа и визуализации. Он демонстрирует мощные методы очистки данных, от базовых операций со строками до одновременного применения функций к нескольким датафреймам.

После того как ваши данные будут готовы, Чен проведет вас через процесс построения моделей для прогнозирования, кластеризации, вывода и исследования. Он даст советы по производительности и масштабируемости, а также познакомит вас с более широкой экосистемой анализа данных на Python.

• Работайте с DataFrames и Series, а также импортируйте и экспортируйте данные.
• Создавайте графики с помощью matplotlib, seaborn и pandas.
• Объединение наборов данных и обработка пропущенных данных.
• Преобразуйте, упорядочьте и очистите наборы данных, чтобы с ними было проще работать.
• Преобразование типов данных и обработка текстовых строк.
• Применяйте функции для масштабирования операций с данными.
• Агрегируйте, преобразуйте и фильтруйте большие наборы данных с помощью функции groupby.
• Воспользуйтесь расширенными возможностями библиотеки Pandas для работы с датами и временем.
• Постройте линейные модели, используя библиотеки statsmodels и scikit-learn.
• Используйте обобщенное линейное моделирование для построения моделей с различными зависимыми переменными.
• Сравните несколько моделей, чтобы выбрать «лучшую».
• Регуляризация необходима для преодоления переобучения и повышения производительности.
• Использование кластеризации в машинном обучении без учителя.