로그인정보 입력 영역

아이디

비밀번호

• 홈
• 전자책

책소개

데이터 과학자가 되기 위한 첫걸음!

파이썬 초급자나 중급자가 데이터 분석과 머신러닝을 배우고자 마음먹었다면 이 책을 선택해야 한다. 필수 라이브러리를 소개하고 설치부터 예제 코드를 따라 하면서 자연스럽게 익숙해지도록 안내하고 있기 때문이다. 어려울 것 같은 수학과 통계학적 이론은 가능한 한 낮추고 실습하며 최소한의 설명으로 결과값과 확인할 수 있도록 하였다. 또한 방대한 텍스트보다는 다이어그램 등과 같은 도식화에 신경을 기울여 한눈에 이해할 수 있도록 구성하였다. 누구나 데이터 과학자가 될 수 있다. 그 출발 선상에 섰다면 이 책과 함께 예제코드를 하나씩 실행해보면, 파이썬 데이터 분석을 즐기고 있는 본인을 발견할 것이다.

저자소개

과학고, 서울대를 졸업하고, 중국 CKGSB MBA, FRM(미국 재무위험관리사) 자격을 보유하고 있다. 국내 주요 금융기관과 대기업에서 기업(산업) 분석 및 전략 기획 전문가로 근무했다. IT 비전공자이지만 Python과 R을 익히고, 데이터 기반 전략적 의사결정을 실무에 적용하기 위한 연구 중이다. Python 데이터 분석의 저변확대를 위해 블로그 운영 및 강연 활동 등을 통한 지식 나눔 활동을 병행하고 있다.

목차

PART 1. 판다스 입문 
1. 데이터과학자가 판다스를 배우는 이유 
2. 판다스 자료구조 
  2-1. 시리즈 
  2-2. 데이터프레임 
3. 인덱스 활용 
4. 산술연산 
  4-1. 시리즈 연산 
  4-2. 데이터프레임 연산 

PART 2. 데이터 입출력
1. 외부 파일 읽어오기 
  1-1. CSV 파일 
  1-2. Excel 파일 
  1-3. JSON 파일 
2. 웹(web)에서 가져오기 
  2-1. HTML 웹 페이지에서 표 속성 가져오기 
  2-2. 웹 스크래핑 
3. API 활용하여 데이터 수집하기 
4. 데이터 저장하기 
  4-1. CSV 파일로 저장 
  4-2. JSON 파일로 저장 
  4-3. Excel 파일로 저장 
  4-4. 여러 개의 데이터프레임을 하나의 Excel 파일로 저장 

PART 3. 데이터 살펴보기
1. 데이터프레임의 구조 
  1-1. 데이터 내용 미리보기 
  1-2. 데이터 요약 정보 확인하기 
  1-3. 데이터 개수 확인 
2. 통계 함수 적용 
  2-1. 평균값 
  2-2. 중간값 
  2-3. 최대값 
  2-4. 최소값 
  2-5. 표준편차 
  2-6. 상관계수 
3. 판다스 내장 그래프 도구 활용 

PART 4. 시각화 도구
1. Matplotlib - 기본 그래프 도구 
  1-1. 선 그래프 
  1-2. 면적 그래프 
  1-3. 막대 그래프 
  1-4. 히스토그램 
  1-5. 산점도 
  1-6. 파이 차트 
  1-7. 박스 플롯 
2. Seaborn 라이브러리 - 고급 그래프 도구 
3. Folium 라이브러리 - 지도 활용 

PART 5. 데이터 사전 처리
1. 누락 데이터 처리 
2. 중복 데이터 처리 
3. 데이터 표준화 
  3-1. 단위 환산 
  3-2. 자료형 변환 
4. 범주형(카테고리) 데이터 처리 
  4-1. 구간 분할 
  4-2. 더미 변수 
5. 정규화 
6. 시계열 데이터 
  6-1. 다른 자료형을 시계열 객체로 변환 
  6-2. 시계열 데이터 만들기 
  6-3. 시계열 데이터 활용 

PART 6. 데이터프레임의 다양한 응용
1. 함수 매핑 
  1-1. 개별 원소에 함수 매핑 
  1-2. 시리즈 객체에 함수 매핑 
  1-3. 데이터프레임 객체에 함수 매핑 
2. 열 재구성 
  2-1. 열 순서 변경 
  2-2. 열 분리 
3. 필터링 
  3-1. 불린 인덱싱 
  3-2. isin( ) 메소드 활용 
4. 데이터프레임 합치기 
  4-1. 데이터프레임 연결 
  4-2. 데이터프레임 병합 
  4-3. 데이터프레임 결합 
5. 그룹 연산 
  5-1. 그룹 객체 만들기(분할 단계) 
  5-2. 그룹 연산 메소드(적용-결합 단계) 
6. 멀티 인덱스 
7. 피벗 

PART 7. 머신러닝 데이터 분석
1. 머신러닝 개요 
  1-1. 머신러닝이란? 
  1-2. 지도 학습 vs 비지도 학습 
  1-3. 머신러닝 프로세스 
2. 회귀분석 
  2-1. 단순회귀분석 
  2-2. 다항회귀분석 
  2-3, 다중회귀분석 
3. 분류 
  3-1. KNN 
  3-2. SVM 
  3-3. Decision Tree 
4. 군집 
  4-1. k-Means 
  4-2. DBSCAN