Python per Data Science. Guida pratica

Python per Data Science, la guida perfetta per i programmatori di livello intermedio, mostra i modi migliori per sfruttare Python per le applicazioni basate sui dati. Ricco di esempi pratici, il libro offre un ampio tour delle funzionalità di Python per ottenere, trasformare e analizzare i dati. Scoprirete le strutture dati integrate in Python e il suo robusto ecosistema di librerie open source per la scienza dei dati, tra cui NumPy, pandas, scikit-learn e matplotlib. Vi eserciterete a caricare dati in vari formati, a ottimizzare, raggruppare e aggregare insiemi di dati e a creare visualizzazioni come grafici e mappe. Esempi approfonditi mostrano come costruire applicazioni di dati del mondo reale, tra cui un servizio di taxi alimentato dai dati di localizzazione, un’analisi delle regole di associazione dei dati delle transazioni per identificare gli articoli comunemente acquistati insieme e un modello di apprendimento automatico per prevedere l’andamento delle scorte. Ogni capitolo contiene esercizi che incoraggiano a provare le tecniche da soli. Imparerete a: Manipolare in modo efficiente strutture di dati come liste, dizionari, array NumPy e pandas DataFrames; Spostare dati da e verso database relazionali e NoSQL; Ottenere informazioni utili sui dati attraverso l’aggregazione, la visualizzazione e altri metodi di analisi; Lavorare con testi semplici, dati GPS, dati di serie temporali, file JSON e CSV e molti altri tipi e formati di dati; Utilizzare il machine learning per l’elaborazione del linguaggio naturale, come l’analisi del sentiment.

Python per Data Science, la guida perfetta per i programmatori di livello intermedio, mostra i modi migliori per sfruttare Python per le applicazioni basate sui dati. Ricco di esempi pratici, il libro offre un ampio tour delle funzionalità di Python per ottenere, trasformare e analizzare i dati. Scoprirete le strutture dati integrate in Python e il suo robusto ecosistema di librerie open source per la scienza dei dati, tra cui NumPy, pandas, scikit-learn e matplotlib. Vi eserciterete a caricare dati in vari formati, a ottimizzare, raggruppare e aggregare insiemi di dati e a creare visualizzazioni come grafici e mappe. Esempi approfonditi mostrano come costruire applicazioni di dati del mondo reale, tra cui un servizio di taxi alimentato dai dati di localizzazione, un’analisi delle regole di associazione dei dati delle transazioni per identificare gli articoli comunemente acquistati insieme e un modello di apprendimento automatico per prevedere l’andamento delle scorte. Ogni capitolo contiene esercizi che incoraggiano a provare le tecniche da soli. Imparerete a: Manipolare in modo efficiente strutture di dati come liste, dizionari, array NumPy e pandas DataFrames; Spostare dati da e verso database relazionali e NoSQL; Ottenere informazioni utili sui dati attraverso l’aggregazione, la visualizzazione e altri metodi di analisi; Lavorare con testi semplici, dati GPS, dati di serie temporali, file JSON e CSV e molti altri tipi e formati di dati; Utilizzare il machine learning per l’elaborazione del linguaggio naturale, come l’analisi del sentiment.