第 1 章 IPython：超越 Python
核心内容：IPython 交互式环境与 Jupyter Notebook 的使用技巧，包括快捷键、魔法命令、调试工具、代码分析与计时方法。
重点：高效的交互式编程环境、帮助文档查阅、shell 命令集成、代码调试与性能优化。
第 2 章 NumPy 入门
核心内容：NumPy 数组的存储与操作，向量化计算、广播机制、花哨索引、结构化数组。
重点：
数组基础：属性、索引、切片、变形与拼接。
通用函数（ufunc）与广播机制。
统计聚合（求和、均值、分位数）。
结构化数据存储与操作。
第 3 章 Pandas 数据处理
核心内容：Pandas 的 Series 与 DataFrame 数据结构，数据清洗、合并、分组与可视化。
重点：
Series 与 DataFrame 的索引与选择。
缺失值处理、层级索引、数据合并（concat 与 merge）。
分组操作（GroupBy）、数据透视表（Pivot Table）。
向量化字符串操作与时间序列处理。
第 4 章 Matplotlib 数据可视化
核心内容：Matplotlib 的绘图功能，结合 Seaborn 与地理数据可视化。
重点：
基础绘图（线图、散点图、直方图）。
多子图布局、颜色条、文本注释。
三维绘图与地理数据可视化（Basemap）。
统计图表（Seaborn 集成）。
第 5 章 机器学习
核心内容：Scikit-Learn 的机器学习算法与模型构建。
重点：
模型验证（交叉验证、网格搜索）。
特征工程（文本、图像特征处理）。
经典算法（SVM、随机森林、主成分分析）。
聚类与降维（k-means、流形学习）。
实际案例（人脸识别、手写数字分类）。
中心思想
本书系统地介绍了 Python 在数据科学领域的核心工具，通过以下核心目标帮助读者掌握数据科学实践：
工具整合：
以 IPython 为交互环境，NumPy 进行高效数值计算，Pandas 处理结构化数据，Matplotlib 可视化分析结果，Scikit-Learn 实现机器学习算法，形成完整的数据科学工作流。
数据驱动分析：
强调向量化计算（NumPy）与灵活的数据操作（Pandas），结合可视化（Matplotlib）和统计建模（Scikit-Learn），帮助读者从原始数据中提取洞见。
跨学科能力培养：
融合统计学（如聚合、分位数）、计算机科学（如高效算法、内存优化）和领域知识（如特征工程），培养解决实际数据问题的综合能力。
实战导向：
通过大量案例（如行星数据、食谱数据库、天气数据）演示工具的应用，强调数据清洗、分析与模型部署的全流程。
目标读者：具备编程基础的数据科学从业者，旨在掌握 Python 生态工具链，高效完成数据存储、处理、可视化与建模任务。
电子书下载地址：
通过网盘分享的文件：Python数据科学手册.pdf
链接: https://pan.baidu.com/s/1YsNcMhj7zwcLCOyM68gS4A 提取码: h5rr
