章  Python入门知识 1
1.1  Python简介与本书的教学理念 1
1.2  Python的下载与安装 2
1.2.1  下载Python（Anaconda平台） 2
1.2.2  安装Python（Anaconda平台） 4
1.2.3  Anaconda Prompt（Anaconda3） 6
1.2.4  Spyder（Anaconda3）的介绍及偏好设置 7
1.2.5  Spyder（Anaconda3）窗口介绍 10
1.3  Python注释、基本输入与输出 16
1.3.1  Python的注释 16
1.3.2  print函数 17
1.3.3  input函数 17
1.4  Python变量和数据类型 18
1.4.1  Python的保留字与标识符 18
1.4.2  Python的变量 19
1.4.3  Python的基本数据类型 20
1.4.4  Python的数据运算符 23
1.5  Python序列 25
1.5.1  索引（Indexing） 26
1.5.2  切片（Slicing） 26
1.5.3  相加（Adding） 27
1.5.4  相乘（Multiplying） 28
1.5.5  元素检查 28
1.5.6  与序列相关的内置函数 28
1.6  Python列表 30
1.6.1  列表的基本操作 30
1.6.2  列表元素的基本操作 32
1.6.3  列表推导式 33
1.7  Python元组 34
1.7.1  元组的基本操作 34
1.7.2  元组元素的基本操作 35
1.7.3  元组推导式 36
1.8  Python字典 37
1.8.1  字典的基本操作 37
1.8.2  字典元素的基本操作 39
1.8.3  字典推导式 40
1.9  Python集合 41
1.10  Python字符串 42
1.11  习题 46
第2章  Python进阶知识 48
2.1  Python流程控制语句 48
2.1.1  选择语句 48
2.1.2  循环语句 50
2.1.3  跳转语句 52
2.2  Python函数 53
2.2.1  函数的创建和调用 53
2.2.2  参数的相关概念与操作 53
2.2.3  变量的作用域 56
2.3  Python模块和包 58
2.3.1  模块的创建和导入 58
2.3.2  包的创建和使用 61
2.4  Python numpy模块中的数组 63
2.4.1  数组的创建 63
2.4.2  数组的计算 65
2.4.3  使用数组开展矩阵运算 66
2.4.4  数组的排序、索引和切片 66
2.5  Python pandas模块中的序列与数据框 67
2.5.1  序列的相关操作 67
2.5.2  数据框的相关操作 69
2.6  Python对象与类 74
2.6.1  类的定义 74
2.6.2  定义适用于类对象的方法 75
2.6.3  子类从父类继承 76
2.7  Python数据读取 76
2.7.1  读取文本文件（CSV或者TXT文件） 77
2.7.2  读取EXCEL数据 80
2.7.3  读取SPSS数据 81
2.7.4  读取Stata数据 82
2.8  Python数据检索 83
2.9  Python数据缺失值处理 84
2.9.1  查看数据集中的缺失值 84
2.9.2  填充数据集中的缺失值 86
2.9.3  删除数据集中的缺失值 89
2.10  Python数据重复值处理 91
2.10.1  查看数据集中的重复值 91
2.10.2  删除数据集中的重复值 92
2.11  Python数据行列处理 94
2.11.1  删除变量列、样本行 94
2.11.2  更改变量列名称、调整变量列顺序 95
2.11.3  改变列的数据格式 96
2.11.4  多列转换 96
2.11.5  数据百分比格式转换 97
2.12  习题 98
第3章  机器学习介绍 99
3.1  机器学习概述 99
3.2  机器学习术语 100
3.3  机器学习分类 101
3.4  误差、泛化、过拟合与欠拟合 102
3.5  偏差、方差与噪声 103
3.5.1  偏差 103
3.5.2  方差 103
3.5.3  噪声 103
3.5.4  误差与偏差、方差、噪声的关系 104
3.5.5  偏差与方差的权衡 104
3.6  性能量度 105
3.6.1  “回归问题监督式学习”的性能量度 105
3.6.2  “分类问题监督式学习”的性能量度 106
3.7  模型评估 111
3.7.1  验证集法 111
3.7.2  K折交叉验证 112
3.7.3  自助法 113
3.8  机器学习项目流程 114
3.9  习题 118
第4章  线性回归算法 119
4.1  线性回归算法的基本原理 119
4.1.1  线性回归算法的概念及数学解释 119
4.1.2  线性回归算法的优缺点 120
4.2  数据准备 121
4.2.1  导入分析所需要的模块和函数 121
4.2.2  数据读取及观察 122
4.3  描述性分析 123
4.4  图形绘制 125
4.4.1  直方图 125
4.4.2  密度图 127
4.4.3  箱图 128
4.4.4  小提琴图 128
4.4.5  正态QQ图 129
4.4.6  散点图和线图 130
4.4.7  热力图 131
4.4.8  回归拟合图 132
4.4.9  联合分布图 132
4.5  正态性检验 133
4.5.1  Shapiro-Wilk test检验 133
4.5.2  kstest检验 134
4.6  相关性分析 135
4.7  使用statsmodels进行线性回归 137
4.7.1  使用 smf 进行线性回归 137
4.7.2  多重共线性检验 139
4.7.3  解决多重共线性问题 140
4.7.4  绘制拟合回归平面 141
4.8  使用sklearn进行线性回归 142
4.8.1  使用验证集法进行模型拟合 142
4.8.2  更换随机数种子，使用验证集法进行模型拟合 143......

数字化转型背景下，Python作为一门简单、易学、速度快、免费、开源的主流编程语言，广泛应用于大数据处理、人工智能、云计算等各个领域，是众多高等院校学生的必修基础课程，也是堪与Office办公软件应用比肩的职场人士的技能。同时随着数据存储、数据处理等大数据技术的快速进步，机器学习的各种算法在各行各业得以广泛应用，同样成为高校师生、职场人士迎接数字化浪潮、与时俱进提升专业技能的必修课程。本书将“Python课程学习”与“机器学习课程学习”结合，推动数字化人才的培养，提升人才的实践应用能力。 全书内容共17章。、2章介绍Python的入门知识和进阶知识；第3章介绍机器学习的概念及各种术语及评价标准；第4~10章介绍相对简单的监督式学习方法，包括线性回归算法、二元Logistic回归算法、多元Logistic回归算法、判别分析算法、朴素贝叶斯算法、高维数据惩罚回归算法、K近邻算法；1、12章介绍主成分分析算法、聚类分析算法两种非监督式学习算法；3~15章介绍相对复杂的监督式学习算法，包括决策树算法和随机森林算法、提升法两种集成学习算法；6、17章介绍支持向量机算法、神经网络算法两种监督式学习算法。 本书可以作为经济学、管理学、统计学、金融学、社会学、医学、电子商务等相关专业的学生学习Python或机器学习应用的专业教材、参考书；也可以作为企事业单位数字化人才培养的教科书、工具书，还可以作为职场人士自学掌握Python机器学习应用、提升数据挖掘分析能力进而提高工作效能和改善绩效水平的工具书。

......