《利用Python进行数据分析》内容简介：学习NumPy（NumericalPython）的基础和高级知识；
从pandas库的数据分析工具开始利用高性能工具对数据进行加载、清理、转换、合并以及重塑；
利用matpIotlib创建散点图以及静态或交互式的可视化结果；
利用pandas的groupby功能对数据集进行切片、切块和汇总操作；
处理各种各样的时间序列数据。
IPython基础49
内省51
使用命令历史60
与操作系统交互63
软件开发工具66
IPythonHTMLNotebook75
利用IPython提高代码开发效率的几点提示77
高级IPython功能79
致谢81
第4章NumPy基础：数组和矢量计算82
NumPy的ndarray：一种多维数组对象83
通用函数：快速的元素级数组函数98
利用数组进行数据处理100
用于数组的文件输入输出107
线性代数109
随机数生成111
范例：随机漫步112
第5章pandas入门115
pandas的数据结构介绍116
基本功能126
汇总和计算描述统计142
处理缺失数据148
层次化索引153
其他有关pandas的话题158
第6章数据加载、存储与文件格式162
读写文本格式的数据162
二进制数据格式179
使用HTML和WebAPI181
使用数据库182
第7章数据规整化：清理、转换、合并、重塑186
合并数据集186
重塑和轴向旋转200
数据转换204
字符串操作217
示例：USDA食品数据库224
第8章绘图和可视化231
matplotlibAPI入门231
pandas中的绘图函数244
绘制地图：图形化显示海地地震危机数据254
Python图形化工具生态系统260
第9章数据聚合与分组运算263
GroupBy技术264
数据聚合271
分组级运算和转换276
透视表和交叉表288
示例：2012联邦选举委员会数据库291
第10章时间序列302
日期和时间数据类型及工具303
时间序列基础307
日期的范围、频率以及移动311
时区处理317
时期及其算术运算322
重采样及频率转换327
时间序列绘图334
移动窗口函数337
性能和内存使用方面的注意事项342
第11章金融和经济数据应用344
数据规整化方面的话题344
分组变换和分析355
更多示例应用361
第12章NumPy高级应用368
ndarray对象的内部机理368
高级数组操作370
广播378
ufunc高级应用383
结构化和记录式数组386
更多有关排序的话题388
NumPy的matrix类393
高级数组输入输出395
性能建议397