Datenanalyse mit Python : [Auswertung von Daten mit Pandas

Datenanalyse mit Python
Wes
Deutsche
McKinney
Übersetzung von
Christian Tismer und Kristian Rother
O'REILLY
Inhalt
1
Einleitung
1
Wovon handelt dieses Buch?
1
Warum
Python
Essenzielle
2
4
Einrichtung
7
Community und Konferenzen
10
durch dieses Buch
10
Navigation
Typografische
Konventionen
12
Benutzung von Codebeispielen
13
Danksagungen
13
Einführende
Beispiele
15
l.USA.gov-Daten von bit.ly
16
MovieLens IM Data Set
25
US-Babynamen
Fazit und der
3
Datenanalyse?
Python-Bibliotheken
Installation und
2
zur
von
Weg
1880 bis 2010
vor
31
Ihnen
43
IPython: Eine interaktive Rechen- und Entwicklungsumgebung
45
IPython-Grundlagen
46
Verwenden der Befehlschronik
58
Interaktion mit dem
61
Werkzeuge
IPython
Tipps
zur
Betriebssystem
Softwareentwicklung
63
HTML Notebook
zur
74
produktiven Codeentwicklung
Fortgeschrittene Features
von
mit
IPython
75
IPython
78
Danksagung
80
I
v
4
Grundlagen von NumPy: Arrays
Das
ndarray
von
NumPy:
und vektorisierte
Universelle Funktionen: Schnelle elementweise
Datenverarbeitung
Dateiein- und
Lineare
mit
Berechnung
82
Array-Funktionen
97
99
Arrays
-ausgäbe bei Arrays
106
Algebra
Erzeugen
von
107
Zufallszahlen
109
Beispiel: Random Walks
5
Erste Schritte mit
Einführung
110
115
pandas
in die Datenstrukturen
von
pandas
Essenzielle Funktionalität
Behandlung fehlender
deskriptiver Statistik
Daten
147
152
Weitere Themen in
157
Laden und
pandas
Speichern
von
von
Daten sowie Dateiformate
Daten im Textformat
Binäre Datenformate
Interagieren
mit HTML und Web-APIs
179
180
Verknüpfen
von
Datensätzen
183
Umformen und Transponieren
196
Transformieren
201
Manipulation
Fallstudie: Die
von
von
Daten
Strings
213
USDA-Nahmngsmitteldatenbank
Plotten und Visualisieren
Kurze
Einführung
Plotten
von
in
Funktionen in
Das
Ökosystem
Aggregation
der
von
228
pandas
241
aus
der Erdbebenkrise auf Haiti
Visualisierungstools in Python
Daten und
Gruppenoperationen
GroupBy-Mechanismen
Aggregation von
Daten
Gruppenweise Operationen und Transformationen
|
Inhalt
220
227
die matplotlib-API
Karten zeichnen: Visualisieren der Daten
VI
161
Datenaufbereitung: Säubern, Transformieren, Verknüpfen und Umformen 183
Kombinieren und
9
161
177
Interaktion mit Datenbanken
8
141
Hierarchisches Indizieren
Lesen und Schreiben
7
116
126
Zusammenfassen und Berechnen
6
81
Array-Objekt
ein mehrdimensionales
252
258
261
262
270
275
Pivot-Tabellen und
Kreuztabellierung
285
Fallstudie: Die Datenbank des US-Bundeswahlausschusses
von
2012
288
10 Zeitreihen
299
Datentypen
und
Werkzeuge
Grundlagen
von
Zeitreihen
für Datum und Zeit
303
Datumsbereiche, Frequenzen
Berücksichtigung
von
Resampling
Plotten
Zeitreihen
Notizen
11
von
und Konvertieren
von
313
Perioden
von
317
Frequenzen
323
330
gleitenden
der
aus
332
aus
Finanzwelt und
338
Ökonomie
341
Datenklempnerei
Gruppentransformationen
12
307
Fenstern
Anwendungen auf Daten
Weitere
Verschiebungen
Rechengeschwindigkeit und Speichernutzung
zu
Themen
und
Zeitzonen
Perioden und Arithmetik
Funktionen mit
300
und
341
Analyse
353
Anwendungsbeispiele
358
NumPy für Fortgeschrittene
367
Interna
von
ndarray-Objekten
Fortgeschrittene Manipulation
367
von
Arrays
369
Broadcasting
377
Fortgeschrittene Nutzung
Strukturierte und
Mehr
zum
ufuncs
382
Record-Arrays
385
Thema Sortieren
Die Klasse Matrix in
Ein- und
von
Ausgabe
387
NumPy
von
392
Arrays für Fortgeschrittene
393
Tipps für höhere Leistung
395
Anhang: Grundlagen der Programmiersprache Python
399
Index
449
Inhalt
|
VII