导语

  

内容提要

  

    托马斯·哈斯尔万特著的《Python统计分析》以基础的统计学知识和假设检验为重点，简明扼要地讲述了Python在数据分析、可视化和统计建模中的应用。主要包括Python的简单介绍、研究设计、数据管理、概率分布、不同数据类型的假设检验、广义线性模型、生存分析和贝叶斯统计学等从入门到高级的内容。
    本书利用Python这门开源语言，不仅在直观上对数据分析和统计检验提供了很好的理解，而且在相关数学公式的讲解上也能够做到深入浅出。本书的可操作性很强，配套提供相关的代码和数据，读者可以依照书中所讲，复现和加深对相关知识的理解。
    本书适合对统计学和Python有兴趣的读者，特别是在实验学科中需要利用Python的强大功能来进行数据处理和统计分析的学生和研究人员。

第一部分  Python和统计学
  第1章  为什么学习统计学
  第2章  Python
    2.1  开始
    2.1.1  惯例
    2.1.2  发行版和包
    2.1.3  安装Python
    2.1.4  安装R和rpy
    2.1.5  个性化IPython/Jupyter
    2.1.6  Python资源
    2.1.7  第一个Python程序
    2.2  Python数据结构
    2.2.1  Python数据类型
    2.2.2  索引和切片
    2.2.3  向量和数组
    2.3  IPython/Jupyter：一个交互式的Python编程环境
    2.3.1  Qt控制台的第一个会话
    2.3.2  Notebook和rpy
    2.3.3  IPython小贴士
    2.4  开发Python程序
    2.4.1  将交互式命令转化为一个Python程序
    2.4.2  函数、模块和包
    2.4.3  Python小贴士
    2.4.4  代码版本控制
    2.5  Pandas：用于统计学的数据结构
    2.5.1  数据处理
    2.5.2  分组（Grouping）
    2.6  Statsmodels：统计建模的工具
    2.7  Seaborn：数据可视化
    2.8  一般惯例
    2.9  练习
  第3章  数据输入
    3.1  从文本文件中输入
    3.1.1  目视检查
    3.1.2  读入ASCII数据到Python中
    3.2  从MSExcel中导入
    3.3  从其他格式导入数据
  第4章  统计数据的展示
    4.1  数据类型
    4.1.1  分类数据
    4.1.2  数值型
    4.2  在Python中作图
    4.2.1  函数式和面向对象式的绘图方法
    4.2.2  交互式绘图
    4.3  展示统计学数据集
    4.3.1  单变量数据
    4.3.2  二元变量和多元变量绘图
    4.4  练习
第二部分  分布和假设检验
  第5章  背景
    5.1  总体和样本
    5.2  概率分布
    5.2.1  离散分布
    5.2.2  连续分布
    5.2.3  期望值和方差
    5.3  自由度
    5.4  研究设计
    5.4.1  术语
    5.4.2  概述
    5.4.3  研究类型
    5.4.4  实验设计
    5.4.5  个人建议
    5.4.6  临床研究计划
  第6章  单变量的分布
    6.1  分布的特征描述
    6.1.1  分布中心
    6.1.2  量化变异度
    6.1.3  分布形状的参数描述
    6.1.4  概率密度的重要展示
    6.2  离散分布
    6.2.1  伯努利分布
    6.2.2  二项分布
    6.2.3  泊松分布
    6.3  正态分布
    6.3.1  正态分布的例子
    6.3.2  中心极限定理
    6.3.3  分布和假设检验
    6.4  来自正态分布的连续型分布
    6.4.1  t分布
    6.4.2  卡方分布
    6.4.3  F分布
    6.5  其他连续型分布
    6.5.1  对数正态分布
    6.5.2  韦伯分布
    6.5.3  指数分布
    6.5.4  均匀分布
    6.6  练习
  第7章  假设检验
    7.1  典型分析步骤
    7.1.1  数据筛选和离群值
    7.1.2  正态性检验
    7.1.3  转换
    7.2  假设概念、错误、p值和样本量
    7.2.1  一个例子
    7.2.2  推广和应用
    7.2.3  p值的解释
    7.2.4  错误的类型
    7.2.5  样本量
    7.3  灵敏度和特异度
    7.4  受试者操作特征（ROC）曲线
  第8章  数值型数据的均值检验
    8.1  样本均值的分布
    8.1.1  单样本均值的t检验
    8.1.2  Wilcoxon符号秩和检验
    8.2  两组之间的比较
    8.2.1  配对t检验
    8.2.2  独立组别之间的t检验
    8.2.3  两组之间的非参数比较：Mann-Whitney检验
    8.2.4  统计学假设检验与统计学建模
    8.3  多组比较
    8.3.1  方差分析（ANOVA）
    8.3.2  多重比较
    8.3.3  Kruskal–Wallis检验
    8.3.4  两因素方差分析
    8.3.5  三因素方差分析
    8.4  总结：选择正确的检验方法进行组间比较
    8.4.1  典型的检验
    8.4.2  假设的例子
    8.5  练习
  第9章  分类数据的检验
    9.1  单个率
    9.1.1  置信区间
    9.1.2  解释
    9.1.3  例子
    9.2  频数表
    9.2.1  单因素卡方检验
    9.2.2  卡方列联表检验
    9.2.3  Fisher精确检验
    9.2.4  McNemar检验
    9.2.5  Cochran'sQ检验
    9.3  练习
  第10章  生存时间分析
    10.1  生存分布
    10.2  生存概率
    10.2.1  删失
    10.2.2  Kaplan–Meier生存曲线
    10.3  在两组间比较生存曲线
第三部分  统计建模
  第11章  线性回归模型
    11.1  线性相关
    11.1.1  相关系数
    11.1.2  秩相关
    11.2  一般线性回归模型
    11.2.1  例子1：简单线性回归
    11.2.2  例子2：二次方拟合
    11.2.3  决定系数
    11.3  Patsy：公式的语言
    11.4  用Python进行线性回归分析
    11.4.1  例子1：拟合带置信区间的直线
    11.4.2  例子2：嘈杂的二次多项式
    11.5  线性回归模型的结果
    11.5.1  例子：英国的烟草和酒精
    11.5.2  带有截距的回归的定义
    11.5.3  R2值
    11.5.4  调整后的R2值
    11.5.5  模型的系数和它们的解释
    11.5.6  残差分析
    11.5.7  异常值
    11.5.8  用Sklearn进行回归
    11.5.9  结论
    11.6  线性回归模型的假设
    11.7  线性回归模型结果的解释
    11.8  Bootstrapping
    11.9  练习
  第12章  多元数据分析
    12.1  可视化多元相关
    12.1.1  散点图矩阵
    12.1.2  相关性矩阵
    12.2  多重线性回归
  第13章  离散数据的检验
    13.1  等级资料的组间比较
    13.2  Logistic回归
    13.3  广义线性模型
    13.3.1  指数族分布
    13.3.2  线性预测器和连接函数
    13.4  有序Logistic回归
    13.4.1  问题定义
    13.4.2  优化
    13.4.3  代码
    13.4.4  性能
  第14章  贝叶斯统计学
    14.1  贝叶斯学派与频率学派的解释
    14.2  计算机时代的贝叶斯方法
    14.3  例子：用马尔可夫链蒙特卡洛模拟分析挑战者号灾难
    14.4  总结
参考答案
术语表
参考文献