全书共12章，从Python程式库入门、NumPy数组和Pandas入门开始，陆续介绍了数据的检索、数据加工与存储、数据可视化等内容。同时，本书还介绍了信号处理与时间序列、套用资料库、分析文本数据与社交媒体、预测性分析与机器学习、Python生态系统的外部环境和云计算、性能最佳化及分析、并发性等内容。在本书的最后，还採用3个附录的形式为读者补充了一些重要概念、常用函式以及线上资源等重要内容。

第 1章　Python程式库入门 1
1．1　安装Python 3　3
1．1．1　安装数据分析程式库　3
1．1．2　Linux平台或Mac OS X平台　3
1．1．3　Windows平台　4
1．2　将IPython用作shell　4
1．3　学习手册页　6
1．4　Jupyter Notebook　7
1．5　NumPy数组　8
1．6　一个简单的套用　8
1．7　从何处寻求帮助和参考资料　11
1．8　查看Python库中包含的模组　12
1．9　通过Matplotlib实现数据的可视化　12
1．10　小结　14
第　2章 NumPy数组　15
2．1　NumPy数组对象　16
2．2　创建多维数组　17
2．3　选择NumPy数组元素　17
2．4　NumPy的数值类型　18
2．4．1　数据类型对象　20
2．4．2　字元码　20
2．4．3　dtype构造函式　21
2．4．4　dtype属性　22
2．5　一维数组的切片与索引　23
2．6　处理数组形状　23
2．6．1　堆叠数组　25
2．6．2　拆分NumPy数组　28
2．6．3　NumPy数组的属性　30
2．6．4　数组的转换　34
2．7　创建数组的视图和拷贝　35
2．8　花式索引　36
2．9　基于位置列表的索引方法　38
2．10　用布尔型变数索引NumPy数组　39
2．11　NumPy数组的广播　41
2．12　小结　44
2．13　参考资料　44
第3章　Pandas入门　45
3．1　Pandas的安装与概览　46
3．2　Pandas数据结构之DataFrame　47
3．3　Pandas数据结构之Series　49
3．4　利用Pandas查询数据　52
3．5　利用Pandas的DataFrame进行统计计算　56
3．6　利用Pandas的DataFrame实现
数据聚合　58
3．7　DataFrame的串联与附加
操作　62
3．8　连线DataFrames　63
3．9　处理缺失数据问题　65
3．10　处理日期数据　67
3．11　数据透视表　70
3．12　小结　71
3．13　参考资料　71
第4章　统计学与线性代数　72
4．1　用NumPy进行简单的描述性统计计算　72
4．2　用NumPy进行线性代数运算　75
4．2．1　用NumPy求矩阵的逆　75
4．2．2　用NumPy解线性方程组　77
4．3　用NumPy计算特徵值和特徵向量　78
4．4　NumPy随机数　80
4．4．1　用二项式分布进行博弈　81
4．4．2　常态分配採样　83
4．4．3　用SciPy进行正态检验　84
4．5　创建掩码式NumPy数组　86
4．6　忽略负值和极值　88
4．7　小结　91
第5章　数据的检索、加工与存储　92
5．1　利用NumPy和pandas对CSV档案进行写操作　92
5．2　二进制．npy与pickle格式　94
5．3　使用PyTables存储数据　97
5．4　Pandas DataFrame与HDF5仓库之间的读写操作　99
5．5　使用Pandas读写Excel档案　102
5．6　使用REST Web服务和JSON　103
5．7　使用Pandas读写JSON　105
5．8　解析RSS和Atom订阅　106
5．9　使用Beautiful Soup解析HTML　108
5．10　小结　114
5．11　参考资料　114