目錄

對(duì)本書(shū)的贊譽(yù) xv

譯者序 xvii

前言 xix

第 一部分　Jupyter：超越Python

第 1章　IPython和Jupyter入門(mén) 3

1.1 啟動(dòng)IPython shell 3

1.2 啟動(dòng)Jupyter Notebook 3

1.3 IPython的幫助和文檔 4

1.3.1 用符號(hào) 獲取文檔 5

1.3.2 用符號(hào) 獲取源代碼 6

1.3.3 用Tab補(bǔ)全的方式探索模塊 6

1.4 IPython shell中的快捷鍵 8

1.4.1 導(dǎo)航快捷鍵 8

1.4.2 文本輸入快捷鍵 9

1.4.3 命令歷史快捷鍵 9

1.4.4 其他快捷鍵 10

第 2章　增強(qiáng)的交互功能 11

2.1 IPython魔法命令 11

2.1.1 執(zhí)行外部代碼：%run 11

2.1.2 計(jì)算代碼運(yùn)行時(shí)間：%timeit 12

2.1.3 魔法函數(shù)的幫助： 、%magic和%lsmagic 12

2.2 輸入和輸出歷史 13

2.2.1 IPython的輸入和輸出對(duì)象 13

2.2.2 下劃線(xiàn)快捷鍵和以前的輸出 14

2.2.3 禁止輸出 14

2.2.4 相關(guān)的魔法命令 15

2.3 IPython和shell命令 15

2.3.1 shell快速入門(mén) 15

2.3.2 IPython中的shell命令 16

2.3.3 在shell中傳入或傳出值 16

2.3.4 與shell相關(guān)的魔法命令 17

第3章　調(diào)試及性能分析 19

3.1 錯(cuò)誤和調(diào)試 19

3.1.1 控制異常：%xmode 19

3.1.2 調(diào)試：當(dāng)閱讀軌跡追溯不足以解決問(wèn)題時(shí) 21

3.2 代碼性能與耗時(shí)分析 23

3.2.1 代碼段計(jì)時(shí)：%timeit和%time 23

3.2.2 對(duì)整個(gè)腳本進(jìn)行性能分析：%prun 24

3.2.3 用%lprun進(jìn)行逐行性能分析 25

3.2.4 用%memit和%mprun進(jìn)行內(nèi)存分析 26

3.3 IPython參考資料 27

3.3.1 網(wǎng)絡(luò)資源 27

3.3.2 相關(guān)圖書(shū) 28

第二部分　 NumPy入門(mén)

第4章　理解Python中的數(shù)據(jù)類(lèi)型 31

4.1 Python整型不僅僅是一個(gè)整型 32

4.2 Python列表不僅僅是一個(gè)列表 33

4.3 Python中的固定類(lèi)型數(shù)組 35

4.4 從Python列表創(chuàng)建數(shù)組 35

4.5 從頭創(chuàng)建數(shù)組 36

4.6 NumPy標(biāo)準(zhǔn)數(shù)據(jù)類(lèi)型 37

第5章　NumPy數(shù)組基礎(chǔ) 38

5.1 NumPy數(shù)組的屬性 38

5.2 數(shù)組索引：獲取單個(gè)元素 39

5.3 數(shù)組切片：獲取子數(shù)組 40

5.3.1 一維子數(shù)組 40

5.3.2 多維子數(shù)組 41

5.3.3 非副本視圖的子數(shù)組 41

5.3.4 創(chuàng)建數(shù)組的副本 42

5.4 數(shù)組的變形 42

5.5 數(shù)組拼接和拆分 43

5.5.1 數(shù)組的拼接 43

5.5.2 數(shù)組的拆分 44

第6章　NumPy數(shù)組的計(jì)算：通用函數(shù) 46

6.1 緩慢的循環(huán) 46

6.2 通用函數(shù)介紹 47

6.3 探索NumPy的通用函數(shù) 48

6.3.1 數(shù)組的運(yùn)算 48

6.3.2 絕對(duì)值 49

6.3.3 三角函數(shù) 49

6.3.4 指數(shù)和對(duì)數(shù) 50

6.3.5 專(zhuān)業(yè)的通用函數(shù) 51

6.4 高級(jí)的通用函數(shù)特性 51

6.4.1 指定輸出 51

6.4.2 聚合 52

6.4.3 外積 52

6.5 通用函數(shù)：更多的信息 53

第7章　聚合：最小值、最大值和其他值 54

7.1 數(shù)組值求和 54

7.2 最小值和最大值 55

7.2.1 多維度聚合 55

7.2.2 其他聚合函數(shù) 56

7.3 示例：美國(guó)總統(tǒng)的平均身高是多少 56

第8章　數(shù)組的計(jì)算：廣播 59

8.1 廣播的介紹 59

8.2 廣播的規(guī)則 61

8.2.1 廣播示例1 61

8.2.2 廣播示例2 62

8.2.3 廣播示例3 62

8.3 廣播的實(shí)際應(yīng)用 63

8.3.1 數(shù)組的歸一化 63

8.3.2 畫(huà)一個(gè)二維函數(shù) 64

第9章　比較、掩碼和布爾邏輯 65

9.1 示例：統(tǒng)計(jì)下雨天數(shù) 65

9.2　將比較運(yùn)算符看作通用函數(shù) 66

9.3 操作布爾數(shù)組 67

9.3.1 統(tǒng)計(jì)記錄的個(gè)數(shù) 68

9.3.2 布爾運(yùn)算符 69

9.4 將布爾數(shù)組作為掩碼 70

9.5 使用關(guān)鍵字and/or與邏輯操作運(yùn)算符&/| 70

第 10章　花式索引 73

10.1 探索花式索引 73

10.2 組合索引 74

10.3 示例：選擇隨機(jī)點(diǎn) 75

10.4 用花式索引修改值 76

10.5 示例：數(shù)據(jù)區(qū)間劃分 77

第 11章　數(shù)組排序 80

11.1 NumPy中的快速排序：np.sort和np.argsort 81

11.2 沿著行或列排序 81

11.3 部分排序：分區(qū) 82

11.4 示例：k個(gè)最近鄰 82

第 12章　結(jié)構(gòu)化數(shù)據(jù)：NumPy的結(jié)構(gòu)化數(shù)組 86

12.1 生成結(jié)構(gòu)化數(shù)組 87

12.2 更高級(jí)的復(fù)合數(shù)據(jù)類(lèi)型 88

12.3 記錄數(shù)組：結(jié)構(gòu)化數(shù)組的扭轉(zhuǎn) 89

12.4 關(guān)于pandas 89

第三部分　pandas數(shù)據(jù)處理

第 13章　pandas對(duì)象簡(jiǎn)介 93

13.1 pandas的Series對(duì)象 93

13.1.1 Serise是通用的NumPy數(shù)組 94

13.1.2 Series是特殊的字典 95

13.1.3 創(chuàng)建Series對(duì)象 95

13.2 pandas的DataFrame對(duì)象 96

13.2.1 DataFrame是通用的NumPy數(shù)組 96

13.2.2 DataFrame是特殊的字典 97

13.2.3 創(chuàng)建DataFrame對(duì)象 97

13.3 pandas的Index對(duì)象 99

13.3.1 將Index看作不可變數(shù)組 99

13.3.2 將Index看作有序集合 99

第 14章　數(shù)據(jù)取值與選擇 101

14.1 Series數(shù)據(jù)選擇方法 101

14.1.1 將Series看作字典 101

14.1.2 將Series看作一維數(shù)組 102

14.1.3 索引器：loc和iloc 103

14.2 DataFrame數(shù)據(jù)選擇方法 104

14.2.1 將DataFrame看作字典 104

14.2.2 將DataFrame看作二維數(shù)組 105

14.2.3 其他取值方法 107

第 15章　pandas數(shù)值運(yùn)算方法 108

15.1 通用函數(shù)：保留索引 108

15.2 通用函數(shù)：索引對(duì)齊 109

15.2.1 Series索引對(duì)齊 109

15.2.2 DataFrame索引對(duì)齊 110

15.3 通用函數(shù)：DataFrame與Series的運(yùn)算 111

第 16章　處理缺失值 113

16.1 處理缺失值的方法選擇 113

16.2 pandas的缺失值 114

16.2.1 None作為哨兵值 114

16.2.2 NaN：數(shù)值類(lèi)型的缺失值 115

16.2.3 pandas中NaN與None的差異 115

16.3 pandas可空類(lèi)型 116

16.4 處理缺失值 117

16.4.1 發(fā)現(xiàn)缺失值 117

16.4.2 剔除缺失值 117

16.4.3 填充缺失值 119

第 17章　分層索引 121

17.1 多級(jí)索引Series 121

17.1.1 笨辦法 121

17.1.2 好辦法：pandas多級(jí)索引 122

17.1.3 高維數(shù)據(jù)的多級(jí)索引 123

17.2 多級(jí)索引的創(chuàng)建方法 124

17.2.1 顯式地創(chuàng)建多級(jí)索引 125

17.2.2 多級(jí)索引的級(jí)別名稱(chēng) 125

17.2.3 多級(jí)列索引 126

17.3 多級(jí)索引的取值與切片 127

17.3.1 Series多級(jí)索引 127

17.3.2 DataFrame多級(jí)索引 128

17.4 多級(jí)索引行列轉(zhuǎn)換 129

17.4.1 有序的索引和無(wú)序的索引 129

17.4.2 索引stack與unstack 130

17.4.3 索引的設(shè)置與重置 131

第 18章　合并數(shù)據(jù)集：concat與append操作 132

18.1 知識(shí)回顧：NumPy數(shù)組的合并 133

18.2 通過(guò)pd.concat實(shí)現(xiàn)簡(jiǎn)單合并 133

18.2.1 索引重復(fù) 134

18.2.2 類(lèi)似join的合并 135

18.2.3 append方法 136

第 19章　合并數(shù)據(jù)集：合并與連接 137

19.1 關(guān)系代數(shù) 137

19.2 數(shù)據(jù)連接的類(lèi)型 138

19.2.1 一對(duì)一連接 138

19.2.2 多對(duì)一連接 139

19.2.3 多對(duì)多連接 139

19.3 設(shè)置數(shù)據(jù)合并的鍵 140

19.3.1　參數(shù)on的用法 140

19.3.2 left_on與right_on參數(shù) 140

19.3.3 left_index與right_index參數(shù) 141

19.4 設(shè)置數(shù)據(jù)連接的集合操作規(guī)則 142

19.5 重復(fù)列名：suffixes參數(shù) 143

19.6 案例：美國(guó)各州的統(tǒng)計(jì)數(shù)據(jù) 144

第 20章　聚合與分組 149

20.1 行星數(shù)據(jù) 149

20.2 pandas的簡(jiǎn)單聚合功能 150

20.3 groupby：分割、應(yīng)用和組合 152

20.3.1 分割、應(yīng)用和組合 152

20.3.2 GroupBy對(duì)象 153

20.3.3 聚合、過(guò)濾、轉(zhuǎn)換和應(yīng)用 155

20.3.4 設(shè)置分割的鍵 157

第 21章　數(shù)據(jù)透視表 160

21.1 演示數(shù)據(jù)透視表 160

21.2 手工制作數(shù)據(jù)透視表 161

21.3 數(shù)據(jù)透視表語(yǔ)法 161

21.3.1 多級(jí)數(shù)據(jù)透視表 162

21.3.2 其他數(shù)據(jù)透視表選項(xiàng) 162

21.4 案例：美國(guó)人的生日 163

第 22章　向量化字符串操作 168

22.1 pandas字符串操作簡(jiǎn)介 168

22.2 pandas字符串方法列表 169

22.2.1 與Python字符串方法相似的方法 169

22.2.2 使用正則表達(dá)式的方法 170

22.2.3 其他字符串方法 171

22.3 案例：食譜數(shù)據(jù)庫(kù) 173

22.3.1 制作簡(jiǎn)單的美食推薦系統(tǒng) 174

22.3.2 繼續(xù)完善美食推薦系統(tǒng) 175

第 23章　處理時(shí)間序列 176

23.1 Python的日期與時(shí)間工具 176

23.1.1 Python的原生日期與時(shí)間工具：datetime與dateutil 177

23.1.2 時(shí)間類(lèi)型數(shù)組：NumPy的datetime64類(lèi)型 177

23.1.3 pandas的日期與時(shí)間工具：理想與現(xiàn)實(shí)的最佳解決方案 179

23.2 pandas時(shí)間序列：用時(shí)間作索引 179

23.3 pandas時(shí)間序列數(shù)據(jù)結(jié)構(gòu) 180

23.4 有規(guī)律的時(shí)間序列：pd.date_range 181

23.5 時(shí)間頻率與偏移量 182

23.6 重采樣、移位和窗口 183

23.6.1 重采樣與頻率轉(zhuǎn)換 184

23.6.2 時(shí)間移位 186

23.6.3 滾動(dòng)窗口 186

23.7 案例：美國(guó)西雅圖自行車(chē)統(tǒng)計(jì)數(shù)據(jù)的可視化 188

23.7.1 數(shù)據(jù)可視化 189

23.7.2 深入挖掘數(shù)據(jù) 191

第 24章　高性能pandas：eval與query 194

24.1 query與eval的設(shè)計(jì)動(dòng)機(jī)：復(fù)合表達(dá)式 194

24.2 用pandas.eval實(shí)現(xiàn)高性能運(yùn)算 195

24.3 用DataFrame.eval實(shí)現(xiàn)列間運(yùn)算 196

24.3.1 用DataFrame.eval新增列 197

24.3.2 DataFrame.eval使用局部變量 198

24.4 DataFrame.query方法 198

24.5 性能決定使用時(shí)機(jī) 199

24.6 參考資料 199

第四部分　Matplotlib數(shù)據(jù)可視化

第 25章　Matplotlib常用技巧 203

25.1 導(dǎo)入Matplotlib 203

25.2 設(shè)置繪圖樣式 203

25.3 用不用show？如何顯示圖形 203

25.3.1 在腳本中畫(huà)圖 204

25.3.2 在IPython shell中畫(huà)圖 204

25.3.3 在Jupyter Notebook中畫(huà)圖 204

25.3.4 將圖形保存為文件 205

25.3.5 兩種畫(huà)圖接口 206

第 26章　簡(jiǎn)單線(xiàn)形圖 209

26.1 調(diào)整圖形：線(xiàn)條的顏色與風(fēng)格 212

26.2 調(diào)整圖形：坐標(biāo)軸上下限 214

26.3 設(shè)置圖形標(biāo)簽 216

26.4 Matplotlib陷阱 218

第 27章　簡(jiǎn)單散點(diǎn)圖 219

27.1 用plt.plot畫(huà)散點(diǎn)圖 219

27.2 用plt.scatter畫(huà)散點(diǎn)圖 222

27.3 plot與scatter：效率對(duì)比 224

27.4 可視化誤差 224

27.4.1 基本誤差線(xiàn) 225

27.4.2 連續(xù)誤差 226

第 28章　密度圖與等高線(xiàn)圖 228

28.1 三維函數(shù)的可視化 228

28.2 頻次直方圖、數(shù)據(jù)區(qū)間劃分和分布密度 232

28.3 二維頻次直方圖與數(shù)據(jù)區(qū)間劃分 234

28.3.1 plt.hist2d：二維頻次直方圖 235

28.3.2 plt.hexbin：六邊形區(qū)間劃分 235

28.3.3 核密度估計(jì) 236

第 29章　配置圖例 238

29.1 選擇圖例顯示的元素 241

29.2 在圖例中顯示不同尺寸的點(diǎn) 242

29.3 同時(shí)顯示多個(gè)圖例 243

第30章　配置顏色條 245

30.1 配置顏色條 246

30.1.1 選擇配色方案 247

30.1.2 顏色條刻度的限制與擴(kuò)展功能的設(shè)置 249

30.1.3 離散型顏色條 250

30.2 案例：手寫(xiě)數(shù)字 250

第31章　多子圖 253

31.1 plt.axes：手動(dòng)創(chuàng)建子圖 253

31.2 plt.subplot：簡(jiǎn)單網(wǎng)格子圖 255

31.3 plt.subplots：用一行代碼創(chuàng)建網(wǎng)格 256

31.4 plt.GridSpec：實(shí)現(xiàn)更復(fù)雜的排列方式 257

第32章　文字與注釋 260

32.1 案例：節(jié)假日對(duì)美國(guó)出生率的影響 260

32.2 坐標(biāo)變換與文字位置 262

32.3 箭頭與注釋 264

第33章　自定義坐標(biāo)軸刻度 267

33.1 主要刻度與次要刻度 267

33.2 隱藏刻度與標(biāo)簽 268

33.3 增減刻度數(shù)量 270

33.4 花哨的刻度格式 272

33.5 格式生成器與定位器小結(jié) 274

第34章　Matplotlib自定義：配置文件與樣式表 276

34.1 手動(dòng)配置圖形 276

34.2 修改默認(rèn)配置：rcParams 278

34.3 樣式表 280

34.3.1 默認(rèn)風(fēng)格 280

34.3.2 FiveThirtyEight風(fēng)格 281

34.3.3 ggplot風(fēng)格 281

34.3.4 bmh風(fēng)格 282

34.3.5 黑色背景風(fēng)格 282

34.3.6 灰度風(fēng)格 283

34.3.7 Seaborn風(fēng)格 283

第35章　用Matplotlib畫(huà)三維圖 285

35.1 三維數(shù)據(jù)點(diǎn)與線(xiàn) 286

35.2 三維等高線(xiàn)圖 287

35.3 線(xiàn)框圖和曲面圖 289

35.4 曲面三角剖分 291

35.5 案例：默比烏斯帶 292

第36章　用Seaborn做數(shù)據(jù)可視化 294

36.1 Seaborn圖形介紹 295

36.1.1 頻次直方圖、KDE和密度圖 295

36.1.2 成對(duì)圖 297

36.1.3 分面頻次直方圖 298

36.2 分類(lèi)圖 299

36.2.1 聯(lián)合分布 300

36.2.2 條形圖 301

36.3 案例：探索馬拉松比賽成績(jī)數(shù)據(jù) 302

36.4 參考資料 309

36.5 其他Python畫(huà)圖程序庫(kù) 310

第五部分　機(jī)器學(xué)習(xí)

第37章　什么是機(jī)器學(xué)習(xí) 313

37.1 機(jī)器學(xué)習(xí)的分類(lèi) 313

37.2 機(jī)器學(xué)習(xí)應(yīng)用的定性示例 314

37.2.1 分類(lèi)：預(yù)測(cè)離散標(biāo)簽 314

37.2.2 回歸：預(yù)測(cè)連續(xù)標(biāo)簽 316

37.2.3 聚類(lèi)：為無(wú)標(biāo)簽數(shù)據(jù)添加標(biāo)簽 318

37.2.4 降維：推斷無(wú)標(biāo)簽數(shù)據(jù)的結(jié)構(gòu) 320

37.3 小結(jié) 321

第38章　scikit-learn簡(jiǎn)介 322

38.1 scikit-learn的數(shù)據(jù)表示 322

38.1.1 特征矩陣 323

38.1.2 目標(biāo)數(shù)組 323

38.2 scikit-learn的估計(jì)器API 325

38.2.1 API基礎(chǔ)知識(shí) 326

38.2.2 監(jiān)督學(xué)習(xí)示例：簡(jiǎn)單線(xiàn)性回歸 326

38.2.3 監(jiān)督學(xué)習(xí)示例：鳶尾花數(shù)據(jù)分類(lèi) 329

38.2.4 無(wú)監(jiān)督學(xué)習(xí)示例：鳶尾花數(shù)據(jù)降維 330

38.2.5 無(wú)監(jiān)督學(xué)習(xí)示例：鳶尾花數(shù)據(jù)聚類(lèi) 331

38.3 應(yīng)用：手寫(xiě)數(shù)字探索 332

38.3.1 加載并可視化手寫(xiě)數(shù)字 332

38.3.2 無(wú)監(jiān)督學(xué)習(xí)：降維 333

38.3.3 數(shù)字分類(lèi) 334

38.4 小結(jié) 337

第39章　超參數(shù)與模型驗(yàn)證 338

39.1 模型驗(yàn)證 338

39.1.1 錯(cuò)誤的模型驗(yàn)證方法 338

39.1.2 正確的模型驗(yàn)證方法：留出集 339

39.1.3 交叉驗(yàn)證 339

39.2 選擇最優(yōu)模型 341

39.2.1 偏差與方差的均衡 342

39.2.2 scikit-learn驗(yàn)證曲線(xiàn) 343

39.3 學(xué)習(xí)曲線(xiàn) 347

39.4 驗(yàn)證實(shí)踐：網(wǎng)格搜索 350

39.5 小結(jié) 351

第40章　特征工程 352

40.1 分類(lèi)特征 352

40.2 文本特征 353

40.3 圖像特征 354

40.4 衍生特征 355

40.5 缺失值插補(bǔ) 357

40.6 特征管道 358

第41章　專(zhuān)題：樸素貝葉斯分類(lèi) 359

41.1 貝葉斯分類(lèi) 359

41.2 高斯樸素貝葉斯 360

41.3 多項(xiàng)式樸素貝葉斯 362

41.4 樸素貝葉斯的應(yīng)用場(chǎng)景 365

第42章　專(zhuān)題：線(xiàn)性回歸 367

42.1 簡(jiǎn)單線(xiàn)性回歸 367

42.2 基函數(shù)回歸 370

42.2.1 多項(xiàng)式基函數(shù) 370

42.2.2 高斯基函數(shù) 371

42.3 正則化 373

42.3.1 嶺回歸（L2范數(shù)正則化） 375

42.3.2 Lasso回歸（L1范數(shù)正則化） 376

42.4 案例：預(yù)測(cè)自行車(chē)流量 377

第43章　專(zhuān)題：支持向量機(jī) 382

43.1 支持向量機(jī)的由來(lái) 382

43.2 支持向量機(jī)：間隔最大化 384

43.2.1 擬合支持向量機(jī) 385

43.2.2 超越線(xiàn)性邊界：核函數(shù)SVM模型 387

43.2.3 SVM優(yōu)化：軟化間隔 390

43.3 案例：人臉識(shí)別 391

43.4 小結(jié) 395

第44章　專(zhuān)題：決策樹(shù)與隨機(jī)森林 397

44.1 隨機(jī)森林的基礎(chǔ)：決策樹(shù) 397

44.1.1 創(chuàng)建一棵決策樹(shù) 398

44.1.2 決策樹(shù)與過(guò)擬合 400

44.2 估計(jì)器集成算法：隨機(jī)森林 401

44.3 隨機(jī)森林回歸 403

44.4 案例：用隨機(jī)森林識(shí)別手寫(xiě)數(shù)字 404

44.5 小結(jié) 407

第45章　專(zhuān)題：主成分分析 408

45.1 PCA簡(jiǎn)介 408

45.1.1 用PCA降維 411

45.1.2 用PCA做數(shù)據(jù)可視化：手寫(xiě)數(shù)字 412

45.1.3 成分的含義 413

45.1.4 選擇成分的數(shù)量 414

45.2 用PCA做噪聲過(guò)濾 415

45.3 案例：特征臉 417

45.4 小結(jié) 419

第46章　專(zhuān)題：流形學(xué)習(xí) 420

46.1 流形學(xué)習(xí)：HELLO 420

46.1.1 多維標(biāo)度法（MDS） 422

46.1.2 將MDS用于流形學(xué)習(xí) 424

46.2 非線(xiàn)性嵌入：當(dāng)MDS失敗時(shí) 426

46.3 非線(xiàn)性流形：局部線(xiàn)性嵌入 427

46.4 關(guān)于流形方法的一些思考 429

46.5 示例：用Isomap處理人臉數(shù)據(jù) 430

46.6 示例：手寫(xiě)數(shù)字的可視化結(jié)構(gòu) 433

第47章　專(zhuān)題：k-means聚類(lèi) 437

47.1 k-means簡(jiǎn)介 437

47.2 k-means算法：期望最大化 439

47.3 案例 444

47.3.1 案例1：用k-means算法處理手寫(xiě)數(shù)字 444

47.3.2 案例2：將k-means用于色彩壓縮 447

第48章　專(zhuān)題：高斯混合模型 451

48.1 高斯混合模型誕生的原因：k-means算法的缺陷 451

48.2 廣義E-M：高斯混合模型 454

48.3 選擇協(xié)方差的類(lèi)型 458

48.4 將GMM用作密度估計(jì)器 458

48.5 示例：用GMM生成新的數(shù)據(jù) 462

第49章　專(zhuān)題：核密度估計(jì) 465

49.1 KDE的由來(lái)：直方圖 465

49.2 核密度估計(jì)的實(shí)際應(yīng)用 469

49.3 通過(guò)交叉驗(yàn)證選擇帶寬 470

49.4 示例：不是很樸素的貝葉斯 471

49.4.1 解析自定義估計(jì)器 472

49.4.2 使用自定義估計(jì)器 474

第50章　應(yīng)用：人臉識(shí)別管道 476

50.1 HOG特征 476

50.2 HOG實(shí)戰(zhàn)：一個(gè)簡(jiǎn)單的人臉識(shí)別器 477

50.2.1 獲取一組正訓(xùn)練樣本 478

50.2.2 獲取一組負(fù)訓(xùn)練樣本 478

50.2.3 組合數(shù)據(jù)集并提取HOG特征 479

50.2.4 訓(xùn)練一個(gè)支持向量機(jī) 479

50.2.5 在新圖像中尋找人臉 480

50.3 注意事項(xiàng)與改進(jìn)方案 482

50.4 機(jī)器學(xué)習(xí)參考資料 483











目錄



對(duì)本書(shū)的贊譽(yù) xv

譯者序 xvii

前言 xix

第 一部分　Jupyter：超越Python

第 1章　IPython和Jupyter入門(mén) 3

第 2章　增強(qiáng)的交互功能 11

第3章　調(diào)試及性能分析 19

第二部分　 NumPy入門(mén)

第4章　理解Python中的數(shù)據(jù)類(lèi)型 31

第5章　NumPy數(shù)組基礎(chǔ) 38

第6章　NumPy數(shù)組的計(jì)算：通用函數(shù) 46

第7章　聚合：最小值、最大值和其他值 54

第8章　數(shù)組的計(jì)算：廣播 59

第9章　比較、掩碼和布爾邏輯 65

第 10章　花式索引 73

第 11章　數(shù)組排序 80

第 12章　結(jié)構(gòu)化數(shù)據(jù)：NumPy的結(jié)構(gòu)化數(shù)組 86

第三部分　pandas數(shù)據(jù)處理

第 13章　pandas對(duì)象簡(jiǎn)介 93

第 14章　數(shù)據(jù)取值與選擇 101

第 15章　pandas數(shù)值運(yùn)算方法 108

第 16章　處理缺失值 113

第 17章　分層索引 121

第 18章　合并數(shù)據(jù)集：concat與append操作 132

第 19章　合并數(shù)據(jù)集：合并與連接 137

第 20章　聚合與分組 149

第 21章　數(shù)據(jù)透視表 160

第 22章　向量化字符串操作 168

第 23章　處理時(shí)間序列 176

第 24章　高性能pandas：eval與query 194

第四部分　Matplotlib數(shù)據(jù)可視化

第 25章　Matplotlib常用技巧 203

第 26章　簡(jiǎn)單線(xiàn)形圖 209

第 27章　簡(jiǎn)單散點(diǎn)圖 219

第 28章　密度圖與等高線(xiàn)圖 228

第 29章　配置圖例 238

第30章　配置顏色條 245

第31章　多子圖 253

第32章　文字與注釋 260

第33章　自定義坐標(biāo)軸刻度 267

第34章　Matplotlib自定義：配置文件與樣式表 276

第35章　用Matplotlib畫(huà)三維圖 285

第36章　用Seaborn做數(shù)據(jù)可視化 294

第五部分　機(jī)器學(xué)習(xí)

第37章　什么是機(jī)器學(xué)習(xí) 313

第38章　scikit-learn簡(jiǎn)介 322

第39章　超參數(shù)與模型驗(yàn)證 338

第40章　特征工程 352

第41章　專(zhuān)題：樸素貝葉斯分類(lèi) 359

第42章　專(zhuān)題：線(xiàn)性回歸 367

第43章　專(zhuān)題：支持向量機(jī) 382

第44章　專(zhuān)題：決策樹(shù)與隨機(jī)森林 397

第45章　專(zhuān)題：主成分分析 408

第46章　專(zhuān)題：流形學(xué)習(xí) 420

第47章　專(zhuān)題：k-means聚類(lèi) 437

第48章　專(zhuān)題：高斯混合模型 451

第49章　專(zhuān)題：核密度估計(jì) 465

第50章　應(yīng)用：人臉識(shí)別管道 476