Értékelés:
A könyvről vegyes vélemények születtek, egyes olvasók értékelik a benne foglalt információkat, míg sokan mások kritizálják a könyv áttekinthetőségét, a lényeges kiegészítő anyagok hiányát és az általános írás minőségét. A felhasználók problémákat tapasztaltak a linkelt GitHub-tárral kapcsolatban, és bizonyos kódolási fogalmakat kevéssé magyarázottnak találtak, ami a kezdők számára nehezen követhetővé teszi a könyvet.
Előnyök:⬤ Jó információkat tartalmaz
⬤ egyes fejezetek a könyv előrehaladtával javulnak
⬤ a könyv megfelel bizonyos elvárásoknak a témában valamelyest jártas olvasók számára.
⬤ Hiányoznak a megfelelő megoldások a GitHub adattárban
⬤ a korai fejezetek homályosak és zavarosak a kezdők számára
⬤ hirtelen bevezetett bonyolult kódolási fogalmak magyarázat nélkül
⬤ gyenge írásminőség
⬤ hiányzó segédfájlok
⬤ összességében elégedetlen a könyv értékével.
(5 olvasói vélemény alapján)
A Python programozási nyelvvel történő adatelemzés gyakorlatias, valós bevezetése, széleskörű példákkal.
A Python ideális választás mindenféle adat eléréséhez, manipulálásához és a belőlük nyerhető információkhoz. A Python for Data Science gyakorlati példákban és gyakorlati tevékenységekben gyökerező, tanulással egybekötött megközelítéssel vezet be az adatelemzés pythoni világába. Megtanulja, hogyan írjon Python-kódot az adatok megszerzéséhez, átalakításához és elemzéséhez, és gyakorolja a legkorszerűbb adatfeldolgozási technikákat az üzleti menedzsment, a marketing és a döntéstámogatás felhasználási eseteiben.
Felfedezheti a Python beépített adatszerkezetek gazdag készletét az alapvető műveletekhez, valamint a nyílt forráskódú könyvtárak robusztus ökoszisztémáját az adattudomány számára, beleértve a NumPy, pandas, scikit-learn, matplotlib és sok mást. A példák megmutatják, hogyan tölthetünk be különböző formátumú adatokat, hogyan racionalizálhatjuk, csoportosíthatjuk és aggregálhatjuk az adathalmazokat, és hogyan hozhatunk létre diagramokat, térképeket és egyéb vizualizációkat. A későbbi fejezetek mélyrehatóan bemutatnak valós adatalkalmazásokat, például a helymeghatározási adatok felhasználásával egy taxiszolgáltatást, a piaci kosárelemzéssel a gyakran együtt vásárolt termékek azonosítását, valamint a gépi tanulással a részvényárfolyamok előrejelzését.
