目前已有很多Python和数据可视化方面的书。然而，对于有一定Python知识储备的人来说，几乎很少有把两者内容结合在一起的书值得推荐。有关简化代码、重复使用的小生境（niche）技术的讨论更是少之又少。对于有强烈学习兴趣的Python开发人员，本书将提供一系列获得分析结果和产生惊人可视化效果的方法。

数据可视化旨在清楚明了地提供信息，帮助读者定性理解这些信息。俗话说，一图胜千字（百闻不如一见）。这里，可以换个说法，“一幅图讲述了一个故事，如同万语千言。”因此，可视化是一个宝贵的工具，有助于读者快速理解相应的概念。然而，与其说数据可视化是一种技能，还不如说它是一门艺术。这是因为，如过度使用数据可视化会适得其反。
当前，有太多数据需要处理。这些数据包含着许多见解，这些见解是成功的关键。能够发现数据、清洗数据，并使用正确的工具实现可视化至关重要。本书讲解了用Python软件包实现数据可视化的不同方法，并给出很多不同领域的案例，比如，数值计算、金融模型、统计和机器学习，以及遗传学与网络。
本书提供在Mac OS X 10.10.5系统上运行的案例程序，具体用到Python 2.7、IPython 0.13.2、matplotlib 1.4.3、NumPy 1.9.2、SciPy 0.16.0和conda构建1.14.1版本。
本书主要内容
第1章阐述了数据可视化确实应该被称为“用于知识推断的数据可视化”。本章包含框架，讲解数据/信息如何转换为知识，以及有意义的呈现方式（通过取对数、颜色映射、散点图、相关性以及其他）如何能够帮助我们更容易地掌握知识。
第2章讲述可视化的重要性，展示可视化过程中的一些步骤，包括可选择的几种工具选项。可视化方法由来已久，很早之前我们就接触过这些方法；比如，连年幼的小孩都能解释条形图。交互式可视化有很多优点，本章将举例说明。
第3章解释了从Continuum Analytics使用Anaconda时，不必安装每个Python库的原因。Anaconda有简化的打包和部署方法，这些方法使得IPython notebook与其他库的并行运算变得更加容易。
第4章包括交互式绘图方法及在计算物理和应用数学中的实践案例。一些著名的案例包括用SciPy实现插值方法、近似、聚类、抽样、相关关系和凸优化。
第5章探索金融工程，该领域有很多数值计算和图表绘制的方法，是探索Python的一个有趣的案例。本章通过举例讲述股票报价、回归分析、蒙特卡洛算法和模拟方法。
第6章包含了用NumPy、SciPy、matplotlib和scikit-learn等工具进行处理的统计方法，比如，线性、非线性回归、聚类和分类。
第7章包含了有趣的案例，比如社交网络以及现实生活中的有向图举例，适用于这些问题的数据结构，以及网络分析。本章会用到一些具体的库，比如graph-tool、NetworkX、matplotlib、scipy和numpy。
第8章包含模拟方法和信号处理案例，用以展示一些可视化方法。这里，我们也给出了其他高级工具的对比，比如Julia和D3.js。
附录给出了conda概述，并列出多种Python库。
学习本书的准备工作
本书要求用户在操作系统上安装2.7.6或以上版本的Python。对于书中的案例，可以使用Mac OS X 10.10.5的Python默认版本（2.7.6）来实现。其他会用到的软件包是IPython—一个交互式Python环境。新版的IPython叫Jupyter，该版本现在有50种不同语言的内核函数。
安装提前打包好的用于科学计算的Python发行版，如果可能的话，可以从Continuum安装Anaconda，或安装Enthought Python Distribution。Anaconda一般自带300多个Python软件包。你可以用pip或conda安装不在自带软件包列表中的Python软件包。有一些案例可见附录。
本书适用对象
目前已有很多Python和数据可视化方面的书。然而，对于有一定Python知识储备的人来说，几乎很少有把两者内容结合在一起的书值得推荐。有关简化代码、重复使用的小生境（niche）技术的讨论更是少之又少。对于有强烈学习兴趣的Python开发人员，本书将提供一系列获得分析结果和产生惊人可视化效果的方法。
本书提供了解决实际问题的一系列分析方法。虽然本书并不是面向初学者的，但是如果有需要，你可以搜索书中推荐阅读的文献资料。如果这是你初次体验Python编程或数据可视化，提前阅读一些入门教材会有很大帮助。我最喜欢的书有John Guttag教授的《Introduction to Computer Science and Programming》（可从MIT OpenCourseWare上免费下载）和来自UCLA的Nathan Yau的《Visualize This》。

计算机科学/大数据分析与处理

随着海量信息的增长，有太多数据需要处理。这些数据包含着许多掌控当代成功命脉的看法与见解。能够发现数据、清洗数据，并使用正确的工具实现可视化至关重要。本书讲解了用Python软件包实现数据可视化的一些不同方法，并给出很多不同领域的案例，比如，数值计算、财务模型、统计机器学习，以及遗传学与网络等。

通过阅读本书，你会学到：
• 收集、清理、获取数据，并将数据映射到可视化框架
• 识别可用的可视化方法，学习数据可视化的最佳案例
• 熟悉以读者驱动为导向的故事和以作者驱动为导向的故事以及感知原则
• 理解为何Python能够成为像MATLAB一样有效的数值计算工具，探索一些相应的有趣的数据结构
• 探索Python在金融学和统计学领域相关计算的多种可视化选择
• 了解为什么Python成为继Java后的第二种选择，以及为何Python在机器学习领域使用的如此频繁
• 比较Python和其他可视化方法，包括Julia及一种基于JavaScript的框架（如D3.js）
• 发现Python如何与NoSQL（如Hive）结合使用，在分布式环境中高效生成结果

[印度] 科斯?拉曼（Kirthi Raman）著：暂无简介

海量信息的不断增长，不断刺激着读者对数据可视化的渴望与诉求。作为一种功能强大的开源编程语言，Python包含了丰富的软件包和绘图技术，从而帮助用户完成数据分析、构建统计模型并展现研究结果。
本书尤其关注Python在众多应用领域中的可视化功能，全面覆盖Python的各种绘图选项，配合丰富的实际案例，为Python初学者和资深人士提供了一本实用指南。对于Python，我不敢自称有丰富的实战经验，但却有过自学和运用的经历。在承担本书翻译工作的同时，我自己也重温了一次Python可视化之旅，收益颇多。故劝荐诸位，不妨深读此书，系统体验Python在数据可视化方面的贡献。与音乐一样，知识的传播没有国界。因此，翻译不仅是知识表达语言的转换，更是一次学习和交流的机会。与原作者对话，高山仰止，受益匪浅；与读者对话，高山流水，闻过则喜。
在此，感谢我的朋友钟琰在整个翻译过程中提供的帮助。感谢我的至爱刘钰洁在译稿校对阶段给出的建议。我要感谢我的博士生导师—中国人民大学的易丹辉教授。感谢我在美国联合培养期间的导师—美国哥伦比亚大学的韦颖副教授。特别感谢我父母和家人，是他们给予我前行的动力和勇气。最后，非常感谢机械工业出版社华章分社的编辑让我接触到这本书，并给予中肯建议。感谢身边所有的良师益友。
鉴于个人时间与水平有限，如有纰漏，还望各位读者予以反馈，不吝赐教！

程豪
2016年12月15日

译者序
前　言
第1章　数据可视化概念框架 1
1.1　数据、信息、知识和观点 2
1.1.1　数据 2
1.1.2　信息 2
1.1.3　知识 3
1.1.4　数据分析和观点 3
1.2　数据转换 4
1.2.1　数据转换为信息 4
1.2.2　信息转换为知识 7
1.2.3　知识转换为观点 7
1.3　数据可视化历史 8
1.4　可视化如何帮助决策 10
1.4.1　可视化适用于哪里 11
1.4.2　如今的数据可视化 12
1.5　可视化图像 15
1.5.1　条形图和饼图 19
1.5.2　箱线图 22
1.5.3　散点图和气泡图 23
1.5.4　核密度估计图 26
1.6　总结 29
第2章　数据分析与可视化 30
2.1　为什么可视化需要规划 31
2.2　Ebola案例 31
2.3　体育案例 37
2.4　用数据编写有趣的故事 47
2.4.1　为什么故事如此重要 47
2.4.2　以读者驱动为导向的故事 47
2.4.3　以作者驱动为导向的故事 53
2.5　感知与表达方法 55
2.6　一些最好的可视化实践 57
2.6.1　比较和排名 57
2.6.2　相关性 58
2.6.3　分布 59
2.6.4　位置定位或地理数据 61
2.6.5　局部到整体的关系 61
2.6.6　随时间的变化趋势 62
2.7　Python中的可视化工具 62
2.8　交互式可视化 64
2.8.1　事件监听器 64
2.8.2　布局设计 65
2.9　总结 67
第3章　开始使用Python IDE 69
3.1　Python中的IDE工具 70
3.1.1　Python 3.x和Python 2.7 70
3.1.2　交互式工具类型 70
3.1.3　Python IDE类型 72
3.2　Anaconda可视化绘图 83
3.2.1　表面三维图 83
3.2.2　方形图 85
3.3　交互式可视化软件包 89
3.3.1　Bokeh 89
3.3.2　VisPy 90
3.4　总结 91
第4章　数值计算和交互式绘图 92
4.1　NumPy、SciPy和MKL函数 93
4.1.1　NumPy 93
4.1.2　SciPy 99
4.1.3　MKL函数 105
4.1.4　Python的性能 106
4.2　标量选择 106
4.3　切片 107
4.4　数组索引 108
4.4.1　数值索引 108
4.4.2　逻辑索引 109
4.5　其他数据结构 110
4.5.1　栈 110
4.5.2　元组 111
4.5.3　集合 112
4.5.4　队列 113
4.5.5　字典 114
4.5.6　字典的矩阵表示 115
4.5.7　Trie树 120
4.6　利用matplotlib进行可视化 121
4.6.1　词云 122
4.6.2　安装词云 122
4.6.3　词云的输入 124
4.6.4　绘制股票价格图 129
4.7　体育运动中的可视化案例 136
4.8　总结 140
第5章　金融和统计模型 141
5.1　确定性模型 142
5.2　随机性模型 150
5.2.1　蒙特卡洛模拟 150
5.2.2　投资组合估值 168
5.2.3　模拟模型 170
5.2.4　几何布朗运动模拟 170
5.2.5　基于扩散模拟 173
5.3　阈值模型 175
5.4　统计与机器学习综述 179
5.4.1　k-最近邻算法 179
5.4.2　广义线性模型 181
5.5　创建动画和交互图 184
5.6　总结 188
第6章　统计与机器学习 189
6.1　分类方法 190
6.1.1　理解线性回归 191
6.1.2　线性回归 193
6.1.3　决策树 196
6.1.4　贝叶斯理论 199
6.1.5　朴素贝叶斯分类器 200
6.1.6　用TextBlob构建朴素贝叶斯分类器 202
6.1.7　用词云观察积极情绪 206
6.2　k-最近邻 208
6.3　逻辑斯谛回归 211
6.4　支持向量机 214
6.5　主成分分析 216
6.6　 k-均值聚类 220
6.7　总结 223
第7章　生物信息学、遗传学和网络模型 224
7.1　有向图和多重图 225
7.1.1　存储图表数据 225
7.1.2　图表展示 227
7.2　图的聚集系数 235
7.3　社交网络分析 238
7.4　平面图测试 240
7.5　有向无环图测试 242
7.6　最大流量和最小切割 244
7.7　遗传编程示例 245
7.8　随机区组模型 247
7.9　总结 250
第8章　高级可视化 252
8.1　计算机模拟 253
8.1.1　Python的random包 253
8.1.2　SciPy的random函数 254
8.1.3　模拟示例 255
8.1.4　信号处理 258
8.1.5　动画制作 261
8.1.6　利用HTML5进行可视化 263
8.1.7　Julia和Python有什么区别 267
8.1.8　用D3.js进行可视化 267
8.1.9　仪表盘 268
8.2　总结 269
附录　继续探索可视化 270