ApacheCN 数据科学译文集 2020.8

协议：CC BY-NC-SA 4.0

不要担心自己的形象，只关心如何实现目标。——《原则》，生活原则 2.3.c

• 在线阅读
• ApacheCN 面试求职交流群 724187166
• ApacheCN 学习资源

目录

• TutorialsPoint NumPy 教程
• NumPy 秘籍中文第二版
  • 零、前言
  • 一、使用 IPython
  • 二、高级索引和数组概念
  • 三、掌握常用函数
  • 四、将 NumPy 与世界的其他地方连接
  • 五、音频和图像处理
  • 六、特殊数组和通用函数
  • 七、性能分析和调试
  • 八、质量保证
  • 九、使用 Cython 加速代码
  • 十、Scikits 的乐趣
  • 十一、最新最强的 NumPy
  • 十二、使用 NumPy 进行探索性和预测性数据分析
• NumPy 初学者指南中文第三版
  • 零、前言
  • 一、NumPy 快速入门
  • 二、从 NumPy 基本原理开始
  • 三、熟悉常用函数
  • 四、为您带来便利的便利函数
  • 五、使用矩阵和 ufunc
  • 六、深入探索 NumPy 模块
  • 七、了解特殊例程
  • 八、通过测试确保质量
  • 九、matplotlib 绘图
  • 十、当 NumPy 不够用时 - SciPy 及更多
  • 十一、玩转 Pygame
  • 附录 A：小测验答案
  • 附录 B：其他在线资源
  • 附录 C：NumPy 函数的参考
• NumPy 基础知识
  • 零、前言
  • 一、NumPy 简介
  • 二、NumPy ndarray对象
  • 三、使用 NumPy 数组
  • 四、NumPy 核心和子模块
  • 五、NumPy 中的线性代数
  • 六、NumPy 中的傅立叶分析
  • 七、构建和分发 NumPy 代码
  • 八、使用 Cython 加速 NumPy
  • 九、NumPy C-API 简介
  • 十、扩展阅读
• 精通 NumPy 数值分析
  • 零、前言
  • 一、使用 NumPy 数组
  • 二、NumPy 线性代数
  • 三、使用 NumPy 统计函数对波士顿住房数据进行探索性数据分析
  • 四、使用线性回归预测房价
  • 五、使用 NumPy 对批发分销商的客户进行聚类
  • 六、NumPy，SciPy，Pandas 和 Scikit-Learn
  • 七、高级 NumPy
  • 八、高性能数值计算库概述
  • 九、性能基准
• NumPy 数组学习手册
  • 零、前言
  • 一、NumPy 入门
  • 二、NumPy 基础
  • 三、使用 NumPy 的基本数据分析
  • 四、使用 NumPy 的简单预测性分析
  • 五、信号处理技术
  • 六、性能分析，调试和测试
  • 七、Python 科学生态系统
• 精通 SciPy
  • 零、前言
  • 一、数值线性代数
  • 二、插值和近似
  • 三、微分与积分
  • 四、非线性方程式和最优化
  • 五、常微分方程的初值问题
  • 六、计算几何
  • 七、描述性统计
  • 八、推断和数据分析
  • 九、数字图像处理
• Pandas 秘籍
  • 零、前言
  • 一、Pandas 基础
  • 二、数据帧基本操作
  • 三、开始数据分析
  • 四、选择数据子集
  • 五、布尔索引
  • 六、索引对齐
  • 七、分组以进行汇总，过滤和转换
  • 八、将数据重组为整齐的表格
  • 九、组合 Pandas 对象
  • 十、时间序列分析
  • 十一、Pandas，Matplotlib 和 Seaborn 的可视化
• Pandas 学习手册中文第二版
  • 零、前言
  • 一、Pandas 与数据分析
  • 二、启动和运行 Pandas
  • 三、用序列表示单变量数据
  • 四、用数据帧表示表格和多元数据
  • 五、数据帧的结构操作
  • 六、索引数据
  • 七、类别数据
  • 八、数值统计方法
  • 九、存取数据
  • 十、整理数据
  • 十一、合并，连接和重塑数据
  • 十二、数据聚合
  • 十三、时间序列建模
  • 十四、可视化
  • 十五、历史股价分析
• 精通 Pandas
  • 零、前言
  • 一、Pandas 和数据分析简介
  • 二、Pandas 安装和支持软件
  • 三、Pandas 数据结构
  • 四、Pandas 的操作，第一部分 – 索引和选择
  • 五、Pandas 的操作，第二部分 – 数据的分组，合并和重塑
  • 六、处理缺失数据，时间序列和 Matplotlib 绘图
  • 七、统计之旅 – 经典方法
  • 八、贝叶斯统计简介
  • 九、Pandas 库体系结构
  • 十、R 与 Pandas 的比较
  • 十一、机器学习简介
• NumPy 和 Pandas 数据分析实用指南
  • 零、前言
  • 一、配置 Python 数据分析环境
  • 二、探索 NumPy
  • 三、NumPy 数组上的运算
  • 四、Pandas 很有趣！ 什么是 Pandas？
  • 五、Pandas 的算术，函数应用以及映射
  • 六、排序，索引和绘图
• 精通 Pandas 探索性分析
  • 零、前言
  • 一、处理不同种类的数据集
  • 二、数据选择
  • 三、处理，转换和重塑数据
  • 四、像专业人士一样可视化数据
• Matplotlib 3.0 秘籍
  • 零、前言
  • 一、Matplotlib 的剖析
  • 二、基本绘图入门
  • 三、绘制多个图表和子图
  • 四、开发可视化来提高发布质量
  • 五、使用高级功能的绘图
  • 六、嵌入文本和表达式
  • 七、以不同格式保存图形
  • 八、开发交互式绘图
  • 九、在图形用户界面中嵌入绘图
  • 十、使用mplot3d工具包绘制 3D 图形
  • 十一、使用axisartist工具包
  • 十二、使用axes_grid1工具包
  • 十三、使用 Cartopy 工具包绘制地理地图
  • 十四、使用 Seaborn 工具包的探索性数据分析
• Matplotlib 绘图秘籍
  • 零、前言
  • 一、第一步
  • 二、自定义颜色和样式
  • 三、处理标注
  • 四、处理图形
  • 五、文件输出
  • 六、处理地图
  • 七、处理 3D 图形
  • 八、用户界面
• Sklearn 秘籍
  • 第一章 模型预处理
  • 第二章 处理线性模型
  • 第三章 使用距离向量构建模型
  • 第四章 使用 scikit-learn 对数据分类
  • 第五章 模型后处理
• Sklearn 学习手册
  • 一、机器学习 - 温和的介绍
  • 二、监督学习
  • 三、无监督学习
  • 四、高级功能

贡献指南

本项目需要校对，欢迎大家提交 Pull Request。

请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）

联系方式

负责人

• 飞龙: 562826179

其他

• 在我们的 apachecn/apachecn-ds-zh github 上提 issue.
• 发邮件到 Email: [email protected].
• 在我们的 组织学习交流群 中联系群主/管理员即可.

赞助我们

通过平台自带的打赏功能，或点击这里。