Python per la scienza dei dati: Un'introduzione pratica

Recensioni dei lettori

Il libro ha ricevuto recensioni contrastanti: alcuni lettori hanno apprezzato le informazioni fornite, mentre molti altri ne hanno criticato la chiarezza, la mancanza di materiale supplementare essenziale e la qualità generale della scrittura. Gli utenti hanno riscontrato problemi con il repository GitHub collegato e hanno trovato alcuni concetti di codifica mal spiegati, rendendo il libro difficile da seguire per i principianti.

⬤ Contiene buone informazioni
⬤ alcuni capitoli migliorano con l'avanzare del libro
⬤ il libro soddisfa alcune aspettative per i lettori che hanno una certa familiarità con l'argomento.

⬤ Mancano soluzioni adeguate nel repository GitHub
⬤ i primi capitoli sono vaghi e confusi per i principianti
⬤ introduzione improvvisa di concetti di codifica complessi senza spiegazioni
⬤ scarsa qualità di scrittura
⬤ file di supporto mancanti
⬤ insoddisfazione generale per il valore del libro.

(basato su 5 recensioni dei lettori)

Titolo originale:

Python for Data Science: A Hands-On Introduction

Contenuto del libro:

Un'introduzione pratica e reale all'analisi dei dati con il linguaggio di programmazione Python, ricca di esempi di ampio respiro.

Python è la scelta ideale per accedere, manipolare e ricavare informazioni da dati di ogni tipo. Python for Data Science vi introduce al mondo dell'analisi dei dati con un approccio “learn-by-doing”, basato su esempi pratici e attività pratiche. Imparerete a scrivere codice Python per ottenere, trasformare e analizzare i dati, mettendo in pratica tecniche di elaborazione dei dati all'avanguardia per casi d'uso nella gestione aziendale, nel marketing e nel supporto alle decisioni.

Scoprirete il ricco set di strutture dati integrate in Python per le operazioni di base, nonché il robusto ecosistema di librerie open-source per la scienza dei dati, tra cui NumPy, pandas, scikit-learn, matplotlib e altre ancora. Gli esempi mostrano come caricare i dati in vari formati, come ottimizzare, raggruppare e aggregare le serie di dati e come creare grafici, mappe e altre visualizzazioni. I capitoli successivi approfondiscono le dimostrazioni di applicazioni di dati reali, come l'uso dei dati di localizzazione per alimentare un servizio di taxi, l'analisi del paniere di mercato per identificare gli articoli comunemente acquistati insieme e l'apprendimento automatico per prevedere i prezzi delle azioni.