Data Science mit Python: das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Weitere Verfasser: | |
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Frechen
mitp
2018
|
| Ausgabe: | 1. Auflage |
| Schlagworte: | |
| Online-Zugang: | Inhaltstext Inhaltsverzeichnis |
| Beschreibung: | 549 Seiten Illustrationen, Diagramme, Karten 24 cm x 17 cm |
| ISBN: | 9783958456952 3958456952 |
Internformat
MARC
| LEADER | 00000nam a2200000 c 4500 | ||
|---|---|---|---|
| 001 | BV044552452 | ||
| 003 | DE-604 | ||
| 005 | 20240417 | ||
| 007 | t | ||
| 008 | 171024s2018 gw a||| |||| 00||| ger d | ||
| 015 | |a 17,N37 |2 dnb | ||
| 016 | 7 | |a 1139453327 |2 DE-101 | |
| 020 | |a 9783958456952 |c Broschur : EUR 49.99 (DE), circa EUR 51.40 (AT) |9 978-3-95845-695-2 | ||
| 020 | |a 3958456952 |9 3-95845-695-2 | ||
| 024 | 3 | |a 9783958456952 | |
| 035 | |a (OCoLC)1014105916 | ||
| 035 | |a (DE-599)DNB1139453327 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-NW | ||
| 049 | |a DE-824 |a DE-M347 |a DE-29T |a DE-860 |a DE-706 |a DE-703 |a DE-1102 |a DE-19 |a DE-20 |a DE-859 |a DE-11 |a DE-573 |a DE-634 |a DE-83 |a DE-1043 |a DE-92 |a DE-739 |a DE-355 |a DE-384 |a DE-91G |a DE-525 |a DE-B768 |a DE-861 |a DE-91 |a DE-1050 |a DE-898 |a DE-1049 | ||
| 082 | 0 | |a 005.133 |2 22/ger | |
| 082 | 0 | |a 004 |2 23 | |
| 084 | |a ST 250 |0 (DE-625)143626: |2 rvk | ||
| 084 | |a ST 265 |0 (DE-625)143634: |2 rvk | ||
| 084 | |a ST 510 |0 (DE-625)143676: |2 rvk | ||
| 084 | |a ST 530 |0 (DE-625)143679: |2 rvk | ||
| 084 | |a ST 601 |0 (DE-625)143682: |2 rvk | ||
| 084 | |a XC 4011 |0 (DE-625)152514:12917 |2 rvk | ||
| 084 | |a DAT 708f |2 stub | ||
| 084 | |a 004 |2 sdnb | ||
| 084 | |a DAT 600f |2 stub | ||
| 084 | |a DAT 366f |2 stub | ||
| 100 | 1 | |a VanderPlas, Jake |e Verfasser |0 (DE-588)1122834322 |4 aut | |
| 240 | 1 | 0 | |a Python data science handbook |
| 245 | 1 | 0 | |a Data Science mit Python |b das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn |c Jake VanderPlas ; Übersetzung aus dem Englischen von Knut Lorenzen |
| 250 | |a 1. Auflage | ||
| 264 | 1 | |a Frechen |b mitp |c 2018 | |
| 300 | |a 549 Seiten |b Illustrationen, Diagramme, Karten |c 24 cm x 17 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 650 | 0 | 7 | |a Datenanalyse |0 (DE-588)4123037-1 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Python |g Programmiersprache |0 (DE-588)4434275-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Data Science |0 (DE-588)1140936166 |2 gnd |9 rswk-swf |
| 653 | |a Programmierer aus den Bereichen Big Data und Data Science | ||
| 653 | |a NumPy | ||
| 653 | |a SciPy | ||
| 653 | |a pandas | ||
| 653 | |a Big Data | ||
| 653 | |a Algorithmen | ||
| 653 | |a Datenanalyse | ||
| 653 | |a Data Scientist | ||
| 653 | |a Sentiment Analyse | ||
| 653 | |a Sentiment Analysis | ||
| 689 | 0 | 0 | |a Data Science |0 (DE-588)1140936166 |D s |
| 689 | 0 | |5 DE-604 | |
| 689 | 1 | 0 | |a Python |g Programmiersprache |0 (DE-588)4434275-5 |D s |
| 689 | 1 | 1 | |a Data Science |0 (DE-588)1140936166 |D s |
| 689 | 1 | |5 DE-604 | |
| 689 | 2 | 0 | |a Datenanalyse |0 (DE-588)4123037-1 |D s |
| 689 | 2 | 1 | |a Python |g Programmiersprache |0 (DE-588)4434275-5 |D s |
| 689 | 2 | |5 DE-604 | |
| 700 | 1 | |a Lorenzen, Knut |0 (DE-588)1020241446 |4 trl | |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, PDF/ePub |z 978-3-95845-697-6 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, PDF/ePub |z 978-3-95845-696-9 |
| 856 | 4 | 2 | |m X:MVB |q text/html |u http://deposit.dnb.de/cgi-bin/dokserv?id=2460b3b998544a24a1b253c7feab2aca&prov=M&dok_var=1&dok_ext=htm |3 Inhaltstext |
| 856 | 4 | 2 | |m Digitalisierung UB Passau - ADAM Catalogue Enrichment |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029951280&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-029951280 | |
Datensatz im Suchindex
| _version_ | 1806414192495820800 |
|---|---|
| adam_text |
Inhaltsverzeichnis
Einleitung. 13
Über den Autor. 18
1 Mehr als normales Python: IPython. 19
1.1 Shell oder Notebook?. 19
1.1.1 Die IPython-Shell starten. 20
1.1.2 Das Jupyter-Notebook starten. 20
1.2 Hilfe und Dokumentation in IPython. 21
1.2.1 Mit ? auf die Dokumentation zugreifen. 22
1.2.2 Mit ?? auf den Quellcode zugreifen. 23
1.2.3 Module mit der Tab-Vervollständigung erkunden. 24
1.3 Tastaturkürzel in der IPython-Shell. 26
1.3.1 Tastaturkürzel zum Navigieren. 27
1.3.2 Tastaturkürzel bei der Texteingabe . 27
1.3.3 Tastaturkürzel für den Befehlsverlauf. 28
1.3.4 Sonstige Tastaturkürzel. 29
1.4 Magische Befehle in IPython. 29
1.4.1 Einfügen von Codeblöcken mit %paste und %cpaste. 29
1.4.2 Externen Code ausführen mit %run. 31
1.4.3 Messung der Ausführungszeit von Code mit %timeit. 31
1.4.4 Hilfe für die magischen Funktionen anzeigen mit ?,
%magic und %lsmagic. 32
1.5 Verlauf der Ein- und Ausgabe. 32
1.5.1 Die IPython-Objekte In und Out. 33
1.5.2 Der Unterstrich als Abkürzung und vorhergehende Ausgaben . 34
1.5.3 Ausgaben unterdrücken . 34
1.5.4 Weitere ähnliche magische Befehle. 35
1.6 IPython und Shell-Befehle. 35
1.6.1 Kurz vorgestellt: die Shell. 36
1.6.2 Shell-Befehle in IPython. 37
1.6.3 Werte mit der Shell austauschen. 37
1.7 Magische Befehle für die Shell. 38
1.8 Fehler und Debugging. 39
1.8.1 Exceptions handhaben: %xmode. 39
1.8.2 Debugging: Wenn das Lesen von Tracebacks nicht ausreicht. 41
1.9 Profiling und Timing von Code . 44
1.9.1 Timing von Codeschnipseln: %timeit und %time . 45
1.9.2 Profiling kompletter Skripte: %prun. 46
Inhaltsverzeichnis
1.93 Zeilenweises Profiling mit %lprun_._. 47
1.9.4 Profiling des Speicherbedarfs: %memit und %mprun . 48
1.10 Weitere IPython-Ressourcen. 50
1.10.1 Quellen im Internet. 50
1.10.2 Bücher. 50
2 Einführung in NumPy. 51
2.1 Die Datentypen in Python. 52
2.1.1 Python-Integers sind mehr als nur ganzzahlige Werte. 53
2.1.2 Python-Listen sind mehr als nur einfache listen. 54
2.13 Arrays feststehenden Typs in Python. 56
2.1.4 Arrays anhand von Listen erzeugen. 56
2.1.5 Neue Arrays erzeugen. 57
2.1.6 NumPys Standarddatentypen. 58
2.2 Grundlagen von NumPy-Arrays. 59
2.2.1 Attribute von NumPy-Arrays. 60
2.2.2 Indizierung von Arrays: Zugriff auf einzelne Elemente. 61
2.23 Slicing: Teilmengen eines Arrays auswählen. 62
2.2.4 Arrays umformen. 65
2.2.5 Arrays verketten und aufteilen. 66
23 Berechnungen mit NumPy-Arrays: universelle Funktionen. 68
23.1 Langsame Schleifen. 68
23.2 Kurz vorgestellt: UFuncs. 70
2.33 NumPys UFuncs im Detail. 70
23.4 UFunc-Features für Fortgeschrittene.,. 75
2.3.5 UFuncs: mehr erfahren. 77
2.4 Aggregationen: Minimum, Maximum und alles dazwischen. 77
2.4.1 Summieren der Werte eines Arrays. 77
2.4.2 Minimum und Maximum. 78
2.4.3 Beispiel: Durchschnittliche Größe der US-Präsidenten. 80
2.5 Berechnungen mit Arrays: Broadcasting. 82
2.5.1 Kurz vorgestellt: Broadcasting. 82
2.5.2 Für das Broadcasting geltende Regeln. 84
2.5.3 Broadcasting in der Praxis. 87
2.6 Vergleiche, Maskierungen und boolesche Logik . 88
2.6.1 Beispiel: Regentage zählen. 89
2.6.2 Vergleichsoperatoren als UFuncs. 90
2.63 Boolesche Arrays verwenden. 91
2.6.4 Boolesche Arrays als Maskierungen. 94
2.7 Fancy Indexing. 97
2.7.1 Fancy Indexing im Detail. 97
2.7.2 Kombinierte Indizierung. 98
2.7.3 Beispiel: Auswahl zufälliger Punkte. 99
2.7.4 Werte per Fancy Indexing modifizieren . 101
2.7.5 Beispiel: Daten gruppieren. 102
Inhaltsverzeichnis
2.8 Arrays sortieren. 104
2.8.1 Schnelle Sortierung in NumPy: np.sort und np.argsort. 105
2.8.2 Teilsortierungen: Partitionierung. 107
2.8.3 Beispiel: k nächste Nachbarn. 107
2.9 Strukturierte Daten: NumPys strukturierte Arrays. 112
2.9.1 Strukturierte Arrays erzeugen. 113
2.9.2 Erweiterte zusammengesetzte Typen. 114
2.9.3 Record-Arrays: strukturierte Arrays mit Pfiff . 115
2.9.4 Weiter mit Pandas. 115
3 Datenbearbeitung mit Pandas. 117
3.1 Pandas installieren und verwenden. 117
3.2 Kurz vorgestellt: Pandas-Objekte. 118
3.2.1 Das Pandas-Series-Objekt. 118
3.2.2 Das Pandas-DataFrame-Objekt. 122
3.2.3 Das Pandas-Index-Objekt. 126
3.3 Daten indizieren und auswählen. 127
3.3.1 Series-Daten auswählen. 127
3.3.2 DataFrame-Daten auswählen. 131
3.4 Mit Pandas-Daten arbeiten. 135
3.4.1 UFuncs: Indexerhaltung. 136
3.4.2 UFuncs: Indexanpassung. 137
3.4.3 UFuncs: Operationen mit DataFrame und Series. 139
3.5 Handhabung fehlender Daten. 140
3.5.1 Überlegungen zu fehlenden Daten . 141
3.5.2 Fehlende Daten in Pandas. 141
3.5.3 Mit null-Werten arbeiten. 145
3.6 Hierarchische Indizierung. 149
3.6.1 Mehrfach indizierte Series. 149
3.6.2 Methoden zum Erzeugen eines Multiindex . 153
3.6.3 Indizierung und Slicing eines Multiindex. 156
3.6.4 Multi-Indizes umordnen. 159
3.6.5 Datenaggregationen mit Multi-Indizes. 162
3.7 Datenmengen kombinieren: concat und append. 164
3.7.1 Verkettung von NumPy-Arrays. 165
3.7.2 Einfache Verkettungen mit pd.concat. . 165
3.8 Datenmengen kombinieren: Merge und Join . 169
3.8.1 Relationale Algebra. 170
3.8.2 Join-Kategorien. 170
3.8.3 Angabe der zu verknüpfenden Spalten. 173
3.8.4 M engenarithmetik bei Joins. 176
3.8.5 Konflikte bei Spaltennamen: das Schlüsselwort suffixes. 177
3.8.6 Beispiel: Daten von US-Bundesstaaten. 178
3.9 Aggregation und Gruppierung. 183
3.9.1 Planetendaten. 183
Inhaltsverzeichnis
3.9.2 Einfache Aggregationen in Pandas. 184
3.9.3 GroupBy: Aufteilen, Anwenden und Kombinieren. 186
3.10 Pivot-Tabellen. 195
3.10.1 Gründe für Pivot-Tabellen. 195
3.10.2 Pivot-Tabellen von Hand erstellen. 196
3.10.3 Die Syntax von Pivot-Tabellen. 197
3.10.4 Beispiel: Geburtenraten. 199
3.11 Vektorisierte String-Operationen. 204
3.11.1 Kurz vorgestellt: String-Operationen in Pandas. 204
3.11.2 Liste der Pandas-Stringmethoden. 206
3.11.3 Beispiel: Rezeptdatenbank. 211
3.12 Zeitreihen verwenden. 215
3.12.1 Kalenderdaten und Zeiten in Python. 215
3.12.2 Zeitreihen in Pandas: Indizierung durch Zeitangaben. 219
3.12.3 Datenstrukturen für Zeitreihen in Pandas. 220
3.12.4 Häufigkeiten und Abstände. 222
3.12.5 Re sampling, zeitliches Verschieben und geglättete Statistik. 224
3.12.6 Mehr erfahren. 229
3.12.7 Beispiel: Visualisierung von Fahrradzählungen in Seattle . 229
3.13 Leistungsstarkes Pandas: evalQ und query(). 236
3.13.1 Der Zweck von query() und eval(): zusammengesetzte
Ausdrücke. 236
3.13.2 Effiziente Operationen mit pandas.eval{). 237
3.13.3 DataFrame.eval() für spaltenweise Operationen. 239
3.13.4 Die DataFrame.query()-Methode. 241
3.13.5 Performance: Verwendung von eval() und query(). 242
3.14 Weitere Ressourcen. 242
4 Visualisierung mit Matplotlib. 245
4.1 Allgemeine Tipps zu Matplotlib. 246
4.1.1 Matplotlib importieren. 246
4.1.2 Stil einstellen. 246
4.1.3 show() oder kein show()? - Anzeige von Diagrammen. 246
4.1.4 Grafiken als Datei speichern . 248
4.2 Zwei Seiten derselben Medaille. 250
4.3 Einfache Liniendiagramme. 251
4.3.1 Anpassen des Diagramms: Linienfarben und -Stile. 254
4.3.2 Anpassen des Diagramms: Begrenzungen. 256
4.3.3 Diagramme beschriften. 258
4.4 Einfache Streudiagramme. 260
4.4.1 Streudiagramme mit plt.plot() erstellen. 260
4.4.2 Streudiagramme mit plt.scatterQ erstellen. 263
4.4.3 plot kontra scatter: eine Anmerkung zur Effizienz . 265
4.5 Visualisierung von Fehlem. 265
4.5.1 Einfache Fehlerbalken. 265
4.5.2 Stetige Fehler. 267
Inhaltsverzeichnis
4.6 Dichtediagramme und Konturdiagramme. 268
4.6.1 Visualisierung einer dreidimensionalen Funktion. 268
4.7 Histogramme, Binnings und Dichte . 272
4.7.1 Zweidimensionale Histogramme und Binnings. 274
4.8 Anpassen der Legende. 277
4.8.1 Legendenelemente festlegen. 279
4.8.2 Legenden mit Punktgrößen. 280
4.8.3 Mehrere Legenden. 282
4.9 Anpassen von Farbskalen. 283
4.9.1 Farbskala anpassen. 284
4.9.2 Beispiel: Handgeschriebene Ziffern. 288
4.10 Untergeordnete Diagramme. 290
4.10.1 plt.axes: Untergeordnete Diagramme von Hand erstellen. 290
4.10.2 plt.subplot: Untergeordnete Diagramme in einem
Raster anordnen. 292
4.10.3 plt.subplots: Das gesamte Raster gleichzeitig ändern. 293
4.10.4 pltGridSpec: Kompliziertere Anordnungen. 294
4.11 Text und Beschriftungen. 296
4.11.1 Beispiel: Auswirkungen von Feiertagen auf die
Geburtenzahlen in den USA. 296
4.11.2 Transformationen und Textposition. 299
4.11.3 Pfeile und Beschriftungen. 300
4.12 Achsenmarkierungen anpassen. 303
4.12.1 Vorrangige und nachrangige Achsenmarkierungen. 304
4.12.2 Markierungen oder Beschriftungen verbergen. 305
4.12.3 Anzahl der Achsenmarkierungen verringern oder erhöhen. 306
4.12.4 Formatierung der Achsenmarkierungen. 307
4.12.5 Zusammenfassung der Formatter- und Locator-Klassen. 310
4.13 Matplotlib anpassen: Konfigurationen und Stylesheets. 311
4.13.1 Diagramme von Hand anpassen. 311
4.13.2 Voreinstellungen ändern: rcParams. 312
4.13.3 Stylesheets. 314
4.14 Dreidimensionale Diagramme in Matplotlib. 318
4.14.1 Dreidimensionale Punkte und Linien. 319
4.14.2 Dreidimensionale Konturdiagramme. 320
4.14.3 Drahtgitter- und Oberflächendiagramme. 322
4.14.4 Triangulation von Oberflächen. 323
4.15 Basemap: geografische Daten verwenden . 326
4.15.1 Kartenprojektionen . 328
4.15.2 Zeichnen eines Kartenhintergrunds. 332
4.15.3 Daten auf einer Karte anzeigen. 334
4.15.4 Beispiel: Kalifornische Städte. 335
4.15.5 Beispiel: Oberflächentemperaturen. 337
4.16 Visualisierung mit Seabom. 339
4.16.1 Seabom kontra Matplotlib. 339
4.16.2 Seabom-Diagramme. 341
Inhaltsverzeichnis
4.17 Weitere Ressourcen. 357
4.17.1 Matplotlib. 357
4.17.2 Weitere Grafikbibliotheken für Python. 357
5 Machine Leaming. 359
5.1 Was ist Machine Leaming?. 360
5.1.1 Kategorien des Machine Leamings. 360
5.1.2 Qualitative Beispiele für Machine-Leaming-Anwendungen. 361
5.1.3 Zusammenfassung. 369
5.2 Kurz vorgestellt: Scikit-Leam. 369
5.2.1 Datenrepräsentierung in Scikit-Leam. 370
5.2.2 Scikit-Leams Schätzer-API. 372
5.2.3 Anwendung: Handgeschriebene Ziffern untersuchen . 380
5.2.4 Zusammenfassung. 385
5.3 Hyperparameter und Modellvalidierung. 385
5.3.1 Überlegungen zum Thema Modellvalidierung . 385
5.3.2 Auswahl des besten Modells. 389
5.3.3 Lemkurven. 396
5.3.4 Validierung in der Praxis: Rastersuche. 399
5.3.5 Zusammenfasssung. 401
5.4 Merkmalserstellung. 401
5.4.1 Kategoriale Merkmale. 402
5.4.2 Texte als Merkmale. 403
5.4.3 Bilder als Merkmale . 404
5.4.4 Abgeleitete Merkmale. 405
5.4.5 Vervollständigung fehlender Daten. 407
5.4.6 Pipelines mit Merkmalen. 408
5.5 Ausführlich: Naive Bayes-Klassifikation. 409
5.5.1 Bayes-Klassifikation . 409
5.5.2 Gauß’sche naive Bayes-Klassifikation. 410
5.5.3 Multinomiale naive Bayes-Klassifikation. 413
5.5.4 Einsatzgebiete für naive Bayes-Klassifikation. 416
5.6 Ausführlich: Lineare Regression. 417
5.6.1 Einfache lineare Regression. 417
5.6.2 Regression der Basisfunktion. 419
5.6.3 Regularisierung. — 423
5.6.4 Beispiel: Vorhersage des Fahrradverkehrs. 427
5.7 Ausführlich: Support Vector Machines. 432
5.7.1 Gründe für Support Vector Machines.— 433
5.7.2 Support Vector Machines: Maximierung des Randbereichs. 434
5.7.3 Beispiel: Gesichtserkennung. 443
5.7.4 Zusammenfassung Support Vector Machines. 447
5.8 Ausführlich: Entscheidungsbäume und Random Forests. 448
5.8.1 Gründe für Random Forests. 448
5.8.2 Schätzerensembles: Random Forests. 454
5.8.3 Random-Forest-Regression. 455
?rzei
457
459
460
460
467
469
472
473
473
475
477
479
480
482
483
487
490
490
492
497
503
503
507
511
515
518
518
522
524
527
532
533
534
539
541
541
541
543
5.8.4
Beispiel: Random Forest zur Klassifikation
handgeschriebener Ziffern.
5.8.5 Zusammenfassung Random Forests.
Ausführlich: Hauptkomponentenanalyse.
5.9.1 Kurz vorgestellt: Hauptkomponentenanalyse.
5.9.2 Hauptkomponentenanalyse als Rauschfilter.
5.9.3 Beispiel: Eigengesichter.
5.9.4 Zusammenfassung Hauptkomponentenanalyse.
Ausführlich: Manifold Learning.
5.10.1 Manifold Learning: »HELLO«.
5.10.2 Multidimensionale Skalierung (MDS).
5.10.3 MDS als Manifold Learning.
5.10.4 Nichtlineare Einbettungen: Wenn MDS nicht funktioniert
5.10.5 Nichtlineare Mannigfaltigkeiten: lokal lineare Einbettung
5.10.6 Überlegungen zum Thema Manifold-Methoden.
5.10.7 Beispiel: Isomap und Gesichter.
5.10.8 Beispiel: Visualisierung der Strukturen in Ziffemdaten . .,
Ausführlich: k-Means-Clustering.
5.11.1 Kurz vorgestellt: der k-Means-Algorithmus.
5.11.2 k-Means-Algorithmus: Expectation-Maximization.
5.11.3 Beispiele.
Ausführlich: Gauß'sche Mixture-Modelle.
5.12.1 Gründe für GMM: Schwächen von k-Means.
5.12.2 EM-Verallgemeinerung: Gauß’sche Mixture-Modelle
5.12.3 GMM als Dichteschätzung.
5.12.4 Beispiel: GMM zum Erzeugen neuer Daten verwenden .,
Ausführlich: Kemdichteschätzung.
5.13.1 Gründe für Kemdichteschätzung: Histogramme.
5.13.2 Kemdichteschätzung in der Praxis.
5.13.3 Beispiel: Kemdichteschätzung auf Kugeloberflächen
5.13.4 Beispiel: Nicht ganz so naive Bayes-Klassifikation.
Anwendung: Eine Gesichtserkennungs-Pipeline.
5.14.1 HOG-Merkmale.
5.14.2 HOG in Aktion: eine einfache Gesichtserkennung.
5.14.3 Vorbehalte und Verbesserungen.
Weitere Machine-Leaming-Ressourcen.
5.15.1 Machine Learning in Python.
5.15.2 Machine Learning im Allgemeinen.
Stichwortverzeichnis |
| any_adam_object | 1 |
| author | VanderPlas, Jake |
| author2 | Lorenzen, Knut |
| author2_role | trl |
| author2_variant | k l kl |
| author_GND | (DE-588)1122834322 (DE-588)1020241446 |
| author_facet | VanderPlas, Jake Lorenzen, Knut |
| author_role | aut |
| author_sort | VanderPlas, Jake |
| author_variant | j v jv |
| building | Verbundindex |
| bvnumber | BV044552452 |
| classification_rvk | ST 250 ST 265 ST 510 ST 530 ST 601 XC 4011 |
| classification_tum | DAT 708f DAT 600f DAT 366f |
| ctrlnum | (OCoLC)1014105916 (DE-599)DNB1139453327 |
| dewey-full | 005.133 004 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 005 - Computer programming, programs, data, security 004 - Computer science |
| dewey-raw | 005.133 004 |
| dewey-search | 005.133 004 |
| dewey-sort | 15.133 |
| dewey-tens | 000 - Computer science, information, general works |
| discipline | Informatik Medizin |
| edition | 1. Auflage |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a2200000 c 4500</leader><controlfield tag="001">BV044552452</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20240417</controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">171024s2018 gw a||| |||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">17,N37</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1139453327</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783958456952</subfield><subfield code="c">Broschur : EUR 49.99 (DE), circa EUR 51.40 (AT)</subfield><subfield code="9">978-3-95845-695-2</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3958456952</subfield><subfield code="9">3-95845-695-2</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783958456952</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1014105916</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1139453327</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-NW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-824</subfield><subfield code="a">DE-M347</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-384</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-525</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-861</subfield><subfield code="a">DE-91</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-1049</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">005.133</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">004</subfield><subfield code="2">23</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 265</subfield><subfield code="0">(DE-625)143634:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 510</subfield><subfield code="0">(DE-625)143676:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 530</subfield><subfield code="0">(DE-625)143679:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 601</subfield><subfield code="0">(DE-625)143682:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">XC 4011</subfield><subfield code="0">(DE-625)152514:12917</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 708f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 600f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 366f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">VanderPlas, Jake</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1122834322</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Python data science handbook</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Data Science mit Python</subfield><subfield code="b">das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn</subfield><subfield code="c">Jake VanderPlas ; Übersetzung aus dem Englischen von Knut Lorenzen</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Frechen</subfield><subfield code="b">mitp</subfield><subfield code="c">2018</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">549 Seiten</subfield><subfield code="b">Illustrationen, Diagramme, Karten</subfield><subfield code="c">24 cm x 17 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Programmierer aus den Bereichen Big Data und Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">NumPy</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">SciPy</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">pandas</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Big Data</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Algorithmen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Datenanalyse</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Scientist</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Sentiment Analyse</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Sentiment Analysis</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="2" ind2="0"><subfield code="a">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="1"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Lorenzen, Knut</subfield><subfield code="0">(DE-588)1020241446</subfield><subfield code="4">trl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF/ePub</subfield><subfield code="z">978-3-95845-697-6</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF/ePub</subfield><subfield code="z">978-3-95845-696-9</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="q">text/html</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=2460b3b998544a24a1b253c7feab2aca&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltstext</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Passau - ADAM Catalogue Enrichment</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029951280&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-029951280</subfield></datafield></record></collection> |
| id | DE-604.BV044552452 |
| illustrated | Illustrated |
| indexdate | 2024-08-04T00:20:19Z |
| institution | BVB |
| isbn | 9783958456952 3958456952 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-029951280 |
| oclc_num | 1014105916 |
| open_access_boolean | |
| owner | DE-824 DE-M347 DE-29T DE-860 DE-706 DE-703 DE-1102 DE-19 DE-BY-UBM DE-20 DE-859 DE-11 DE-573 DE-634 DE-83 DE-1043 DE-92 DE-739 DE-355 DE-BY-UBR DE-384 DE-91G DE-BY-TUM DE-525 DE-B768 DE-861 DE-91 DE-BY-TUM DE-1050 DE-898 DE-BY-UBR DE-1049 |
| owner_facet | DE-824 DE-M347 DE-29T DE-860 DE-706 DE-703 DE-1102 DE-19 DE-BY-UBM DE-20 DE-859 DE-11 DE-573 DE-634 DE-83 DE-1043 DE-92 DE-739 DE-355 DE-BY-UBR DE-384 DE-91G DE-BY-TUM DE-525 DE-B768 DE-861 DE-91 DE-BY-TUM DE-1050 DE-898 DE-BY-UBR DE-1049 |
| physical | 549 Seiten Illustrationen, Diagramme, Karten 24 cm x 17 cm |
| publishDate | 2018 |
| publishDateSearch | 2018 |
| publishDateSort | 2018 |
| publisher | mitp |
| record_format | marc |
| spelling | VanderPlas, Jake Verfasser (DE-588)1122834322 aut Python data science handbook Data Science mit Python das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn Jake VanderPlas ; Übersetzung aus dem Englischen von Knut Lorenzen 1. Auflage Frechen mitp 2018 549 Seiten Illustrationen, Diagramme, Karten 24 cm x 17 cm txt rdacontent n rdamedia nc rdacarrier Datenanalyse (DE-588)4123037-1 gnd rswk-swf Python Programmiersprache (DE-588)4434275-5 gnd rswk-swf Data Science (DE-588)1140936166 gnd rswk-swf Programmierer aus den Bereichen Big Data und Data Science NumPy SciPy pandas Big Data Algorithmen Datenanalyse Data Scientist Sentiment Analyse Sentiment Analysis Data Science (DE-588)1140936166 s DE-604 Python Programmiersprache (DE-588)4434275-5 s Datenanalyse (DE-588)4123037-1 s Lorenzen, Knut (DE-588)1020241446 trl Erscheint auch als Online-Ausgabe, PDF/ePub 978-3-95845-697-6 Erscheint auch als Online-Ausgabe, PDF/ePub 978-3-95845-696-9 X:MVB text/html http://deposit.dnb.de/cgi-bin/dokserv?id=2460b3b998544a24a1b253c7feab2aca&prov=M&dok_var=1&dok_ext=htm Inhaltstext Digitalisierung UB Passau - ADAM Catalogue Enrichment application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029951280&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis |
| spellingShingle | VanderPlas, Jake Data Science mit Python das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn Datenanalyse (DE-588)4123037-1 gnd Python Programmiersprache (DE-588)4434275-5 gnd Data Science (DE-588)1140936166 gnd |
| subject_GND | (DE-588)4123037-1 (DE-588)4434275-5 (DE-588)1140936166 |
| title | Data Science mit Python das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn |
| title_alt | Python data science handbook |
| title_auth | Data Science mit Python das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn |
| title_exact_search | Data Science mit Python das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn |
| title_full | Data Science mit Python das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn Jake VanderPlas ; Übersetzung aus dem Englischen von Knut Lorenzen |
| title_fullStr | Data Science mit Python das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn Jake VanderPlas ; Übersetzung aus dem Englischen von Knut Lorenzen |
| title_full_unstemmed | Data Science mit Python das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn Jake VanderPlas ; Übersetzung aus dem Englischen von Knut Lorenzen |
| title_short | Data Science mit Python |
| title_sort | data science mit python das handbuch fur den einsatz von ipython jupyter numpy pandas matplotlib scikit learn |
| title_sub | das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn |
| topic | Datenanalyse (DE-588)4123037-1 gnd Python Programmiersprache (DE-588)4434275-5 gnd Data Science (DE-588)1140936166 gnd |
| topic_facet | Datenanalyse Python Programmiersprache Data Science |
| url | http://deposit.dnb.de/cgi-bin/dokserv?id=2460b3b998544a24a1b253c7feab2aca&prov=M&dok_var=1&dok_ext=htm http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=029951280&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT vanderplasjake pythondatasciencehandbook AT lorenzenknut pythondatasciencehandbook AT vanderplasjake datasciencemitpythondashandbuchfurdeneinsatzvonipythonjupyternumpypandasmatplotlibscikitlearn AT lorenzenknut datasciencemitpythondashandbuchfurdeneinsatzvonipythonjupyternumpypandasmatplotlibscikitlearn |