Python统计分析与建模

Pandas包是基于Python平台的数据管理利器，已经成为了Python进行数据分析和挖掘时的数据基础平台和事实上的工业标准，学习其使用方法，是使用Python进行数据分析和数据挖掘的必备条件。本课程将从中国高校综合排名和北京PM2.5实测数据两个实际案例出发，在实战中学习Pandas包的使用方法。学习完本课程后，学员将能够独立使用Pandas包完成数据读入、数据清理、数据准备方面的工作，学习如何使用统计图表工具进行数据信息呈现，为后续进一步进行数据分析建模和数据挖掘打下坚实基础。本课程已全部连载完成，未来将根据Pandas功能的变化不定期更新内容。【更新历史】2021年3月，对数据包和下载课件进行了更新2020年9月，针对课程发布后Pandas至最新的 1.1.1 版增加的新功能对各章节做了增补和更新2020年3月，增加第13章：如何优化Pandas2020年3月，更新第2章：增加如何无缝读写SPSS数据文件，增加对读写命令的整体介绍【课程长度】总时长：9小时【学员基础】学员需要懂得Python语言的基本编程知识，可以先学习免费课程“Python语言轻松入门”。学员事前不要求学习统计分析的基本知识。学员事前不要求有任何统计软件的使用经验。

以真实商业案例为数据基础，课程内容围绕scipy.stats和statsmodels包的相关功能展开，从统计分析实战的角度出发详细介绍了如何在Python中完成数据描述、t检验、单因素方差分析、卡方检验、相关回归等统计分析操作。通过本课程的学习，学员将深入学习如何正确考察这些方法的适用条件，正确选择所需的方法加以应用，从而既满足了相关统计分析功能的需求，又为进一步学习statsmodels包中的复杂建模功能打下坚实的基础。【课程大纲】第1章：变量的统计描述第2章：连续变量的比较：t检验第3章：检验方法适用条件的考察第4章：多组均数的比较：单因素方差分析第5章：有序分类变量的比较：非参数统计分析方法第6章：无序分类变量的比较：卡方检验第7章：变量间的关联性分析第8章：线性回归模型入门第9章：样本量的计算【课程长度】总时长：10小时【学员基础】学员需要懂得Python语言的基本编程知识。学员事前不要求学习统计分析的基本知识，但建议完全没有统计基础的学员事先学习免费视频课程《统计分析轻松入门》。学员事前不要求有任何统计软件的使用经验。

请至PC端网页下载本课程代码课件及数据。系统、多面的介绍方差分析模型、回归模型、logistic回归等各种经典统计模型，以及树模型、神经网络、支持向量机、最近邻方法等各种现代数据挖掘模型的算法原理，模型优缺点，适用条件及考查方式，并学习这些模型在sklearn和statsmodels中的具体实现方法。本课程为统计原理与操作并重，在详细阐明各种模型算法特点的基础上，再对这些方法的python实现进行学习。学习完本课程后，学员将能够独立使用sklearn和statsmodels拟合各种统计模型，满足实际研究工作或数据挖掘项目中的建模需求。【更新记录】2019.9：增加关联分析一章，1h+时长。【课程大纲】第1章：统计模型课程概述第2章：方差分析模型第3章：线性回归模型第4章：线性回归的衍生模型第5章：logitsic回归第6章：决策树模型第7章：神经网络第8章：支持向量机第9章：主成分分析与因子分析第10章：聚类分析第11章：最近邻分析第12章：生存分析第13章：关联分析【课程长度】总时长：20小时【学员基础】学员需要懂得Python语言的基本编程知识，有基本的程序查错能力。学员事前应当学习统计分析的基本知识，建议完全没有统计基础的学员事先学习免费视频课程《统计分析轻松入门》和《统计模型轻松入门》。本课程为python数据分析系列课程的高级内容，建议学员事先学习《玩转pandas》、《玩转统计分析》等基础课程。