![Python数据科学手册 - [美] Jake VanderPlas](https://static.book345.com/covers/9787115475893.jpg)
书籍介绍
本书是对以数据深度需求为中心的科学、研究以及针对计算和统计方法的参考书。本书共五章，每章介绍一到两个Python数据科学中的重点工具包。首先从IPython和Jupyter开始，它们提供了数据科学家需要的计算环境；第2章讲解能提供ndarray对象的NumPy，它可以用Python高效地存储和操作大型数组；第3章主要涉及提供DataFrame对象的Pandas，它可以用Python高效地存储和操作带标签的/列式数据；第4章的主角是Matplotlib，它为Python提供了许多数据可视化功能；第5章以Scikit-Learn为主，这个程序库为最重要的机器学习算法提供了高效整洁的Python版实现。
本书适合有编程背景，并打算将开源Python工具用作分析、操作、可视化以及学习数据的数据科学研究人员。
AI导读
核心看点
- 系统讲解IPython、NumPy、Pandas、Matplotlib及Scikit-Learn五大核心工具包
- 代码示例开源可执行，配套Notebook方便读者直接运行验证，实战性强
- 侧重原理与实践结合，知识点衔接紧密，适合作为数据科学进阶参考手册
适合谁读
- 具备一定编程基础，希望系统掌握Python数据科学工具链的研究人员
- 已入门Python，寻求从基础语法向数据分析与机器学习进阶的开发者
- 需要高效查阅NumPy、Pandas等库用法及最佳实践的数据分析师
读前提醒
- 本书非零基础入门书，建议先掌握Python基础语法再阅读，否则易遇障碍
- 推荐结合GitHub开源Notebook同步学习，直接运行代码以加深理解
- 可视作工具书查阅，遇到具体功能需求时针对性阅读相关章节效率更高
读者共识
- 内容精炼且结构清晰，相比其他书籍更侧重原理，适合查漏补缺与进阶
- 配套代码开源且可执行，极大降低了学习门槛，是数据科学经典读物
- 虽评分极高，但部分读者认为机器学习部分较简略，需结合其他资料
本导读基于书籍简介、目录、原文摘录、短评和书评生成，不等同于全文精读。
精彩摘录
- "Looking through the Python 3.4 source code, we find that the integer (long) type definition effectively looks like this (once the C macros are expanded):"
- "Here PyObject_HEAD is the part of the structure containing the reference count, type code, and other pieces mentioned before. Notice the difference here: a C integer is essentially a label for a position in memory whose bytes encode an integer value. A Python integer is a pointer to a position in me"
- "速度很快，而且不需要选择超参数， 所以通常很适合作为初步分类手段， 在借助更复杂的模型进行优化之前使用。"
作者简介
Jake VanderPlas，Python科学栈深度用户和开发者，尤其擅长Python科学计算和数据可视化，是altair等可视化程序库的创建人，并为Scikit-Learn、IPython等Python程序库做了大量贡献。现任美国华盛顿大学eScience学院物理科学研究院院长。
目录
用户评论
Well-organized 凡是碰到的概念都提前声明了
很好 notebook在github上开源可执行。竟然还包括如何实现书中所有图的代码。
除了版本低了，还是看2版吧。
这本书涉及到了数据分析常用的东西，跟实际操作接轨了。可以用做平时工作时的一个辅助，查询忘记了的东西。
实话告诉我，pandas那张是不是删了点什么....merge函数开始，on参数那里上来就说最好的办法是...前面问题你好歹告诉我啊！后面的例子举的真的很莫名其妙啊。不过是很好的工具书了，祝我渡劫python课。
这本书的厚度很适合作为数据工程的指标，1/2的pd+plt，1/3的mL，相比李庆辉(2021)这本书的策略更直白，能上eval和query的全上。其他部分写的中等偏上，PLT没有写成图层语法是一个缺憾，机器学习作为方法罗列疏密得当，差评在于没写成FP的形式。数据科学真的更适合FP，因为大部分的操作都是【纯】的。
比那本鼹鼠（？）书更详细
机器学习的篇幅很多
可视化也有一整章介绍，不过我选择R（？）
说实话，我感觉和看官方文档差异不大...可能就一些实操案例比较好吧，但是这种资源现在网上太多了
一刷完，属于Python进阶，决定先看Python crash course，再刷numpy、pandas，特别是pandas。
翻看除了机器学习的前四章，举的例子总体不错，作为手册突出查阅的共时性而非学习的历时性还是合适的。然而手册只是说明书，只能留下工具可以做什么的大概印象，因此看的时候主要也是看了结果而非实现方式。具体该做什么或者该怎么做，还是得等到在实践中结合目的因，才能慢慢体会。
下载
收藏