Справочник по науке о данных Python

1. IPython: за пределами обычного Python
2. Введение в NumPy
3. Манипуляции с данными с помощью Pandas
4. Визуализация с помощью Matplotlib

1. Начало работы с машинным обучением
2. Обучение на основе данных
3. Линейная регрессия
4. Наивный Байес
5. k-ближайшие соседи
6. Введение в машинное обучение с помощью Scikit-Learn
7. Машинное обучение на практике
8. Компромисс смещения и дисперсии
9. Оценка плотности ядра
10. Анализ главных компонентов
11. Многообразное обучение
12. Кластеризация
13. Деревья решений и случайные леса
14. Градиентная оптимизация
15. Кластеризация K-средних
16. Подробно: наивная байесовская классификация
17. Подробно: линейная регрессия
18. Подробно: машины опорных векторов
19. Подробно: деревья решений и случайные леса
20. Подробно: анализ основных компонентов
21. Углубленное: многообразное обучение
22. Подробно: кластеризация k-средних

1. Вихревой тур по Python
2. Основы языка Python
3. IPython: за пределами обычного Python
4. NumPy
5. Подробнее о системной оболочке IPython
6. Матплотлиб
7. SciPy
8. Scikit-Learn
9. Машинное обучение с помощью Scikit-Learn
10. Дополнительные ресурсы по машинному обучению
11. Практическое машинное обучение: простой пример
12. Библиография

import numpy as np

# create a 1D array
a = np.array([0, 1, 2, 3, 4])
print(a)

import pandas as pd

# create a Pandas DataFrame
data = {'name': ['Alice', 'Bob', 'Charlie', 'David'],
        'age': [25, 32, 18, 47],
        'gender': ['F', 'M', 'M', 'M']}
df = pd.DataFrame(data)
print(df)

# filter rows based on a condition
df_filtered = df[df['age'] > 30]
print(df_filtered)

# group data by a column and compute statistics
grouped_data = df.groupby('gender')['age'].mean()
print(grouped_data)

import matplotlib.pyplot as plt
import numpy as np

# create some data to plot
x = np.linspace(0, 10, 100)
y = np.sin(x)

# create a line plot
plt.plot(x, y)
plt.title('Sine Wave')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

# create a scatter plot
x = np.random.randn(100)
y = np.random.randn(100)
plt.scatter(x, y)
plt.title('Random Data')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# load the iris dataset
iris = load_iris()

# split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(iris['data'], iris['target'], random_state=0)

# create a K-Nearest Neighbors classifier
knn = KNeighborsClassifier(n_neighbors=1)

# fit the classifier to the training data
knn.fit(X_train, y_train)

# predict the classes of the test data
y_pred = knn.predict(X_test)

# compute the accuracy of the classifier
accuracy = knn.score(X_test, y_test)
print('Accuracy:', accuracy)