译者序
前 言
第1章 数据可视化概念框架1
1.1 数据、信息、知识和观点2
1.1.1 数据2
1.1.2 信息2
1.1.3 知识3
1.1.4 数据分析和观点3
1.2 数据转换4
1.2.1 数据转换为信息4
1.2.2 信息转换为知识7
1.2.3 知识转换为观点7
1.3 数据可视化历史8
1.4 可视化如何帮助决策10
1.4.1 可视化适用于哪里11
1.4.2 如今的数据可视化12
1.5 可视化图像15
1.5.1 条形图和饼图19
1.5.2 箱线图22
1.5.3 散点图和气泡图23
1.5.4 核密度估计图26
1.6 总结29
第2章 数据分析与可视化30
2.1 为什么可视化需要规划31
2.2 Ebola案例31
2.3 体育案例37
2.4 用数据编写有趣的故事47
2.4.1 为什么故事如此重要47
2.4.2 以读者驱动为导向的故事47
2.4.3 以作者驱动为导向的故事53
2.5 感知与表达方法55
2.6 一些最好的可视化实践57
2.6.1 比较和排名57
2.6.2 相关性58
2.6.3 分布59
2.6.4 位置定位或地理数据61
2.6.5 局部到整体的关系61
2.6.6 随时间的变化趋势62
2.7 Python中的可视化工具62
2.8 交互式可视化64
2.8.1 事件监听器64
2.8.2 布局设计65
2.9 总结67
第3章 开始使用Python IDE69
3.1 Python中的IDE工具70
3.1.1 Python 3.x和Python 2.770
3.1.2 交互式工具类型70
3.1.3 Python IDE类型72
3.2 Anaconda可视化绘图83
3.2.1 表面三维图83
3.2.2 方形图85
3.3 交互式可视化软件包89
3.3.1 Bokeh 89
3.3.2 VisPy90
3.4 总结91
第4章 数值计算和交互式绘图92
4.1 NumPy、SciPy和MKL函数93
4.1.1 NumPy93
4.1.2 SciPy99
4.1.3 MKL函数105
4.1.4 Python的性能106
4.2 标量选择106
4.3 切片107
4.4 数组索引108
4.4.1 数值索引108
4.4.2 逻辑索引109
4.5 其他数据结构110
4.5.1 栈110
4.5.2 元组111
4.5.3 集合112
4.5.4 队列113
4.5.5 字典114
4.5.6 字典的矩阵表示115
4.5.7 Trie树120
4.6 利用matplotlib进行可视化121
4.6.1 词云122
4.6.2 安装词云122
4.6.3 词云的输入 124
4.6.4 绘制股票价格图129
4.7 体育运动中的可视化案例136
4.8 总结140
第5章 金融和统计模型141
5.1 确定性模型142
5.2 随机性模型150
5.2.1 蒙特卡洛模拟150
5.2.2 投资组合估值168
5.2.3 模拟模型 170
5.2.4 几何布朗运动模拟170
5.2.5 基于扩散模拟173
5.3 阈值模型175
5.4 统计与机器学习综述179
5.4.1 k-最近邻算法179
5.4.2 广义线性模型181
5.5 创建动画和交互图184
5.6 总结188
第6章 统计与机器学习189
6.1 分类方法190
6.1.1 理解线性回归191
6.1.2 线性回归193
6.1.3 决策树196
6.1.4 贝叶斯理论199
6.1.5 朴素贝叶斯分类器200
6.1.6 用TextBlob构建朴素贝叶斯分类器202
6.1.7 用词云观察积极情绪206
6.2 k-最近邻208
6.3 逻辑斯谛回归211
6.4 支持向量机214
6.5 主成分分析216
6.6 k-均值聚类220
6.7 总结223
第7章 生物信息学、遗传学和网络模型224
7.1 有向图和多重图225
7.1.1 存储图表数据225
7.1.2 图表展示227
7.2 图的聚集系数235
7.3 社交网络分析238
7.4 平面图测试 240
7.5 有向无环图测试 242
7.6 最大流量和最小切割244
7.7 遗传编程示例245
7.8 随机区组模型247
7.9 总结250
第8章 高级可视化252
8.1 计算机模拟253
8.1.1 Python的random包253
8.1.2 SciPy的random函数254
8.1.3 模拟示例255
8.1.4 信号处理258
8.1.5 动画制作261
8.1.6 利用HTML5进行可视化263
8.1.7 Julia和Python有什么区别267
8.1.8 用D3.js进行可视化267
8.1.9 仪表盘268
8.2 总结269
附录 继续探索可视化270
