-
第一部分Python简介与基本数据类型
数据科学概述，数据科学的组成部分与常用的数据处理方法、工具；Python语言简介，Python在数据科学中的应用领域。
-
●1.1Python简介与基本数据类型
给出Python简介以及基本的数据类型介绍。
-
●1.2整型等基本数据类型
介绍整型、字符串型等基本数据类型。
-
●1.3浮点型等数据类型
介绍浮点型、布尔型、复数型等数据类型。
-
●1.4赋值运算符
介绍赋值运算符、数学运算符、成员运算符等内容。
-
●1.5逻辑运算符
介绍逻辑运算符。
-
●1.6math数学库
介绍math库中的函数与常量等。
-
●1.7内置数学函数
介绍Python内置数学函数。
-
第二部分分支结构
介绍if...else...分支结构的使用。
-
●2.1单分支双分支结构
介绍if单独使用，以及if...else搭配使用方式。
-
●2.2多分支结构
介绍if...elif...else结构的多分支结构的使用方式。
-
第三部分while循环结构
介绍如何使用while循环编程。
-
●3.1while循环基本结构
介绍循环的基本结构。
-
●3.2while循环应用实例
以几个简单的示例讲解如何使用while循环。
-
●3.3break与continue
以简单的示例讲解break与continue的用法与区别。
-
第四部分for循环结构
讲解for循环的基本形式，以及一些简单的应用示例。
-
●4.1for循环range函数
介绍for循环以及经常与for循环搭配使用的range函数。
-
●4.2for循环应用实例
讲解for循环的应用示例。
-
第五部分函数的定义
介绍函数的定义形式，函数的参数，返回值等相关内容。
-
●5.1函数的定义
介绍函数定义的形式。
-
●5.2判断整数是否为回文素数
用判断是否是回文素数来让学生理解使用函数的优势。
-
●5.3函数的定义形式
给出函数的严格定义形式，以及以实例的方式演示如何使用函数。
-
●5.4函数的调用
介绍函数调用的时候参数是如何传递的。
-
第六部分函数的参数
介绍函数的参数可以是哪些类型。
-
●6.1必备参数与哥德巴赫猜想
介绍具备必备参数的函数是如何定义与使用的。
-
●6.2默认值参数
介绍具有默认值参数的函数是如何定义与使用的。
-
●6.3键值参数
介绍具备键值参数的函数是如何定义与使用的。
-
第七部分模块化程序设计
介绍如何采用模块化程序设计进行编程。
-
●7.1什么是模块化程序设计
介绍什么是模块化程序设计。
-
●7.2模块化程序设计示例
以一个实例来介绍模块化程序设计的流程。
-
●7.3模块化程序设计的引用
如何制作能够被引用的模块。
-
第八部分递归函数
介绍如何使用递归函数的思想来设计递归函数程序。
-
●8.1递归函数定义形式
介绍递归函数的基本形式。
-
●8.2递归函数简单示例
从简单的示例来介绍递归函数如何构造。
-
第九部分字符串
介绍字符串数据类型，以及可使用的相关函数。
-
●9.1字符串的访问
介绍如何访问字符串中的字符与子串。
-
●9.2字符串中字符替换示例
介绍如何实现字符串中子串的替换。
-
●9.3转义字符
介绍转义字符的含义，以及如何实现去除转义字符的含义。
-
●9.4字符串的分割函数
介绍用于分割字符串的相关函数。
-
●9.5字符串中大小写字母转换
介绍如何将字符串中的大小写字母相互转换。
-
●9.6去掉字符串中多余的空格
介绍如何去掉字符串中多余的空格的相关函数。
-
●9.7字符串比较大小
介绍字符串之间如何比较大小。
-
第十部分列表
介绍列表数据类型，以及可以使用的函数。
-
●10.1列表的定义与访问
介绍什么是列表，以及如何访问列表中的元素。
-
●10.2列表作为函数参数
介绍如何编写以列表为参数的函数。
-
●10.3列表相关的函数
介绍列表适用的函数是如何使用的。
-
第十一部分元组与集合
介绍元组与集合两种数据类型，以及常用函数。
-
●11.1什么是元组
介绍什么是元组数据类型，以及与列表的差别。
-
●11.2可变长度参数
介绍如何使用可变长参数设计函数。
-
●11.3集合的定义与访问
介绍什么是集合，以及适用于集合的函数。
-
●11.4集合的应用实例与子集
介绍集合的子集方法。
-
第十二部分字典
介绍字典数据类型，以及字典的访问方式。
-
●12.1字典的定义
介绍什么是字典数据类型。
-
●12.2字典的赋值
介绍如何对字典进行赋值。
-
●12.3字典访问函数
介绍适用于字典数据类型的访问函数。
-
第十三部分文件
介绍文件的读取操作。
-
●13.1文件1
文件的读取实例。
-
●13.2文件2
文件的读取实例。
-
●13.3文件3
文件的读取实例。
-
第十四部分Python数据分析常用库
介绍Python的常用库。
-
●14.1Jupyter notebook简介
介绍Jupyter notebook是什么，如何使用。
-
●14.2NumPy库
介绍Numpy库的使用方式。
-
●14.3Pandas库
介绍Scipy库的使用方式。
-
●14.4Pandas数据处理
介绍Pandas库的使用方式。
-
●14.5Matplotlib库
介绍如何使用Pandas进行数据处理。
-
●14.6Scipy库
介绍Matplotlib库的使用方式。
-
第十五部分Python数据读取
介绍Pycharm环境的安装，以及如何从文件中读取数据。
-
●15.1PyCharm环境安装
介绍Pycharm环境的安装过程。
-
●15.2从文件中读取数据
介绍从excel与文本文件中读取数据的方式。
-
第十六部分数据预处理Python实践
介绍如何使用Pandas进行数据预处理。
-
●16.1数据预处理
介绍数据预处理需要的过程，以及实现方法。
-
●16.2缺失值填充
介绍数据清洗方法及其实现方法。
-
第十七部分关联规则挖掘与Python实践
介绍关联规则挖掘的基本思想，基本算法，以及Python实践方法。
-
●17.1什么是关联规则挖掘
介绍了关联规则挖掘的社会需求，挖掘步骤，挖掘思想。
-
●17.2关联规则挖掘思路
介绍了最经典的关联规则挖掘算法——Apriori算法的原理、计算实例。
-
●17.3Apriori算法
介绍了Apriori算法的优势与局限性，并针对局限性，介绍了几种改进的策略。
-
●17.4关联规则挖掘的Python实践
介绍如何使用Python语言进行关联规则挖掘。
-
第十八部分决策树分类分析与Python实践
介绍分类分析的基本思想，决策树分类算法及其Python实践方法。
-
●18.1什么是分类分析
介绍了分类分析的社会需求，以及分类分析适合解决的问题。
-
●18.2决策树分类的基本思想
介绍了分类分析的算法原理，并以一个简单的算法示例介绍决策树分类的整个流程。
-
●18.3ID3决策树算法
以一个实际的应用示例，介绍了最经典的ID3决策树算法，介绍了信息增益的概念，介绍了决策树的构建过程。
-
●18.4决策树算法的优劣
介绍了ID3决策树算法的优势与局限性，引出下一步探索思路。
-
●18.5C4.5分类算法原理
针对ID3决策树算法不能处理连续属性，以及信息增益衡量指标的局限性，提出了信息增益比的测算指标，并且能够处理连续属性的C4.5决策树分类算法。
-
●18.6C4.5算法处理连续属性
以一个连续属性为例，介绍了C4.5算法处理连续属性的流程。
-
●18.7C4.5算法处理缺失值
以一个简单的示例，介绍C4.5算法处理缺失值的计算流程。
-
●18.8决策树的Python实践
介绍如何使用Python进行决策树构建。
-
第十九部分随机森林与Python实践
介绍随机森林算法，以及如何使用Python语言进行实践。
-
●19.1随机森林基本思想
介绍随机森林算法的基本思想。
-
●19.2随机森林CART算法
介绍CART二叉树生成算法。
-
●19.3随机森林的投票机制
介绍随机森林的投票机制。
-
●19.4随机森林的Python实践
介绍随机森林的Python实践。
-
●19.5随机森林模型训练与预测
介绍如何使用随机森林模型进行训练与预测。
-
●19.6交叉验证
介绍如何使用Python进行交叉验证，评估模型精度。
-
第二十部分朴素贝叶斯与Python实践
介绍朴素贝叶斯基本原理与算法，以及采用Python语言的实践。
-
●20.1朴素贝叶斯算法
介绍朴素贝叶斯算法。
-
●20.2sklearn中朴素贝叶斯模型简介
讲解如何用Python语言进行朴素贝叶斯分类。
-
●20.3朴素贝叶斯的Python实践
介绍高斯朴素贝叶斯的实现方式。
-
第二十一部分Kmeans划分聚类与Python实践
介绍Kmean算法的基本思想、算法，以及Python实践方法。
-
●21.1聚类分析的基本思想
介绍聚类分析的基本思想。
-
●21.2相似性测量方法
介绍相似性测量方式。
-
●21.3Kmeans算法
介绍Kmeans算法的基本原理以及适用范围。
-
●21.4Kmeans类介绍
介绍sklearn中的Kmeans类。
-
●21.5Kmeans聚类Python实践
介绍如何使用Python开展朴素贝叶斯分类。
-
第二十二部分Birch层次聚类与Python实践
介绍层次聚类的基本思想，BIRCH算法，以及Python的实践方式。
-
●22.1什么是层次聚类
介绍什么是层次聚类。
-
●22.2Birch算法原理
介绍BIRCH算法的基本原理。
-
●22.3Birch层次聚类示例
讲解一个采用BIRCH算法的应用实例。
-
●22.4Birch层次聚类Python实践
介绍如何使用Python进行层次聚类实践。
-
第二十三部分DBSCAN密度聚类与Python实践
介绍密度聚类的适用范围，DBSCAN算法，以及Python实践方法。
-
●23.1密度聚类算法原理
介绍密度聚类算法的原理以及适用范围。
-
●23.2DBSCAN算法
介绍DBSCAN算法思想。
-
●23.3DBSCAN算法示例
讲解一个DBSCAN算法的实例。
-
●23.4DBSCAN算法优缺点
介绍DBSCAN算法的优缺点。
-
●23.5DBSCAN密度聚类Python实践
介绍DBSCAN算法的Python实现过程。
-
第二十四部分OPTICS密度聚类与Python实践
介绍OPTICS密度聚类算法的基本思想，以及如何使用Python进行实践。
-
●24.1OPTICS密度聚类算法思想
介绍了OPTICS密度聚类的基本思想，介绍了核心距离、可达距离等概念。
-
●24.2OPTICS算法示例-1
以一个数据集为例，介绍OPTICS算法的运行过程，这里展示该示例的前半部分。
-
●24.3OPTICS算法示例-2
接着上一节内容，以一个数据集为例，介绍OPTICS算法的运行过程，讲解示例的后半部分。
-
●24.4OPTICS算法描述
介绍OPTICS算法的伪代码描述方式。
-
●24.5OPTICS密度聚类Python实践
以一个实际的案例为例，讲解采用Python语言实现基于OPTICS的密度聚类的过程。
-
●24.6OPTICS密度聚类的可达距离图绘制
以一个实际的案例为例，讲解采用Python语言实现密度聚类结果的可视化的过程。
