数据科学 IPython 笔记本
Introduction
数据科学 IPython 笔记本
一、TensorFlow
二、TensorFlow 练习
三、Theano
四、Keras
五、scikit-learn
六、SciPy 统计推断
七、Pandas
7.1 Pandas
7.2 数据整理
7.3 Pandas 数据操作
7.4 Pandas 对象介绍
7.5 数据索引和选择
7.6 Pandas 中的数据操作
7.7 处理缺失数据
7.8 分层索引
7.9 组合数据集：连接和附加
7.10 组合数据集：合并和连接
7.11 聚合和分组
7.12 透视表
7.13 向量化字符串操作
7.14 处理时间序列
7.15 高性能 Pandas：eval()和query()
八、Matplotlib
8.1 matplotlib
8.2 Matplotlib 的应用
8.3 Matplotlib 可视化
8.4 简单的折线图
8.5 简单的散点图
8.6 可视化误差
8.7 密度和等高线图
8.8 直方图，分箱和密度
8.9 自定义图例
8.10 自定义颜色条
8.11 多个子图
8.12 文本和注解
8.13 自定义刻度
8.14 自定义 Matplotlib：配置和样式表
8.15 Matplotlib 中的三维绘图
8.16 地理数据和 Basemap
8.17 使用 Seaborn 的可视化
九、NumPy
9.1 NumPy
9.2 NumPy 简介
9.3 理解 Python 中的数据类型
9.4 NumPy 数组的基础
9.5 NumPy 数组上的计算：通用函数
9.6 聚合：最小、最大和之间的任何东西
9.7 数组上的计算：广播
9.8 比较，掩码和布尔逻辑
9.9 花式索引
9.10 数组排序
9.11 结构化数据：NumPy 的结构化数组
Powered by
GitBook
五、scikit-learn
五、scikit-learn
（略）
results matching "
"
No results matching "
"