Python数据科学手册([美]JakeVanderPlas)

书: https://pan.baidu.com/s/1hMg-9fMkkzntAfHoLymQMA?pwd=2tx9
笔记如下：

1. IPython与Jupyter Notebook

• IPython魔法命令（%timeit、%matplotlib inline）
• Jupyter交互式数据探索（Markdown注释+代码执行）

1. NumPy高效数组

• 向量化操作替代循环（arr[arr > 0]布尔索引）
• 广播机制实现数组运算（不同形状数组自动对齐）

1. Pandas数据处理

• DataFrame核心操作：groupby聚合、pivot_table透视
• 时间序列处理：resample重采样、rolling移动窗口

1. Matplotlib可视化

• 面向对象API（fig, ax = plt.subplots()）
• 多子图布局（plt.GridSpec复杂排版）

1. Seaborn统计绘图

• 分布可视化：distplot、jointplot
• 分类数据：boxplot、violinplot

1. Scikit-learn机器学习

• 统一API模式：fit()/predict()
• 管道工具（Pipeline组合预处理+模型）

1. 文本数据处理

• 词袋模型（CountVectorizer）
• TF-IDF加权（TfidfVectorizer）

1. 特征工程方法

• 分箱离散化（pd.cut）
• 特征交叉（PolynomialFeatures）

1. 无监督学习

• K-Means聚类（KMeans）
• 流形学习（Isomap降维）

1. 模型评估技术
   • 学习曲线诊断过拟合
   • 混淆矩阵可视化（ConfusionMatrixDisplay）
2. 高效内存管理
   • 分类数据类型（category减少内存）
   • 分块处理大文件（pd.read_csv(chunksize=1000)）
3. 时间序列分析
   • 滞后特征构建（shift()）
   • ARIMA模型（statsmodels库）
4. 缺失值处理策略
   • 多重插补（IterativeImputer）
   • 缺失模式标记（MissingIndicator）
5. 模型持久化
   • joblib保存训练好的模型
   • PMML格式跨平台导出
6. 并行计算
   • joblib.Parallel加速交叉验证
   • Dask处理超出内存的数据集
7. 交互可视化
   • Plotly动态图表
   • Altair声明式语法
8. 数据库交互
   • SQL查询→DataFrame（pd.read_sql）
   • 内存数据库（sqlite3+Pandas）
9. 正则表达式应用
   • str.extract()提取结构化信息
   • 文本清洗（str.replace+正则）
10. 高性能计算技巧
    • NumPy的einsum张量运算
    • Numba加速自定义函数
11. 完整案例流程
    • 从原始数据到部署模型的端到端示例
    • 包括数据获取→清洗→建模→可视化全链条