书名：Python编程基础及数据分析实践
书号：978-7-5239-1296-6
定价：68元
作者：主编 郭晓鹏 副主编 任东方
出版时间：2026-08-04
出版社：中国电力出版社
页码： 320    字数(千字)：460
开本：16开    版次：B1    印次：Y1

品牌介绍

中国电力出版社成立于 1951 年，作为中国成立最早的中央科技出版社之一，曾隶属于水利电力部、能源部、电力工业部、国家电力公司，现为国家电网公司所属的科技出版社，在电气技术专业出版领域享有极高的声誉。该社作为以图书出版为主体，音像、电子出版物、期刊、网络出版共同发展的大型出版企业，以强大的出版资源和高素质的专业队伍，致力于向读者提供包括电力工程、电气工程、建筑工程、电子技术、信息技术、外语、大中专教材、家教等学科门类齐全的权威出版物，也竭力为广大师生提供精品教材，是教育部和北京市教委规划教材的出版基地之一。

编辑推荐

在数字化转型席卷各行业的今天，数据分析能力正成为各专业领域从业者的核心素养，但市面上多数教材要么偏重技术原理而脱离业务场景，要么堆砌案例却缺乏系统框架。这是一本从零基础直达实战的Python数据分析权威指南，全书以“开发环境搭建→语法基础进阶→核心类库应用→数据分析全流程→机器学习算法”为逻辑主线，内容编排由浅入深。书中不仅夯实了Python语法与面向对象编程（含动态属性等高级特性），更紧扣数据分析师工作流，系统讲解了从数据清洗、可视化到聚类、分类、预测及文本挖掘等核心算法。依托NumPy、Pandas等主流工具，结合交互式库存管理、关联分析等实战案例，将抽象理论转化为落地技能。无论你是高校师生，还是用数据驱动业务的从业者，本书都能帮助你快速构建完整的数据分析知识体系，从容应对挑战。

产品特色

（1）通过“知识导读”“经验分享”等内容设置，来解决“学生上手慢、存在畏难情绪”等问题，尽量使得学习曲线平缓化。（2）通过在基础知识部分中设置高等数学、线性代数、概率论和运筹学教材中的习题求解案例，建立前期数学知识和Python编程之间的关联，解决“学生觉得学来无用”的困惑，提升学生的学习兴趣。（3）通过引入能源电力、绿色环保等话题的数据分析案例，丰富“数据分析实践”部分的内容，激发学生的行业自豪感和研究兴趣。（4）通过引入知识产权保护、我国新一代信息技术方面的成就、数据使用伦理、自主研发、开拓创新等方面的思政案例，引领学生探索新技术、新知识，报效祖国的爱国主义热情。

作者介绍

郭晓鹏，华北电力大学经管学院，副教授，近年来主讲《Python数据分析》、《工程质量与风险管理》、《市场信息分析实务》、《物流管理》及《电力企业“智慧”管理》等多门本科生理论课；讲授《工程系统建模与仿真》、《市场营销》和《碳交易管理》等多门硕士生理论课。作为骨干成员，成功申请市场营销国家级一流本科专业和教育部碳中和能源管理虚拟教研室。近年来围绕低碳能源管理相关问题，主持国家社科基金1项、北京社科2项，参与科技部重点项目、国家自然科学基金等项目多项，主持和电力企业合作课题多项；发表SCI或SSCI检索论文40多篇，出版学术著作2部。

内容介绍

本书充分考虑到“新文科”建设的受众群体需求，注重知识点讲解、注重经验分享，在编程基础部分尽可能选择与前期所学的数学知识相关的案例；在数据分析实践部分尽可能选择能激发经济管理类学生研究兴趣的能源电力行业案例。 全书分为三大部分： 第一部分：编程基础。重点介绍Python编程的语法、数据结构、函数、面向对象编程等基础知识。 第二部分：数据分析基础。重点介绍数据分析的思维习惯、工作流程、需掌握的能力，特别是对Numpy、Pandas、Matplotlib等第三方类库加以介绍。 第三部分：数据分析实践。重点讲述聚类、分类、预测、关联规则、优化决策、文本分析等方法，并配套能源电力、低碳环保等行业相关的案例。
本书适用于广大读者

前言

为了更好地开展新商科建设，提升学生应用新一代信息技术和数据分析方法解决实际问 题的能力，编者结合多年的教学和科研实践，编写了本教材。为了更好地辅助同学们使用本 教材，下面围绕为什么学习Python 数据分析、如何学习Python 数据分析以及本书的整体结 构及编排方式三个方面进行介绍。 1．为什么要学习Python 数据分析 在当今信息爆炸的时代，数据无处不在，而有效地分析和利用这些数据已成为企业和个 人提升竞争力、优化决策的重要手段。Python 作为一种高级编程语言，凭借其强大的数据处 理能力、丰富的库和框架，以及易于学习的语法特性，在数据分析领域占据了举足轻重的地 位。Python 数据分析在多个领域都有广泛应用，包括金融、医疗、电子商务和市场营销等。 这些领域的数据分析任务往往具有复杂性和多样性，Python 的灵活性和强大的功能使得它成 为解决这些任务的最佳选择。 使用 Python 进行数据分析具有很多优势。首先，Python 易于上手，语法简洁。Python 的语法简洁明了，学习曲线相对平缓，即使是编程初学者也能较快掌握。这种易于学习的特 性，降低了数据分析的门槛，使得更多人能够参与到数据驱动的决策过程中来。 其次，Python 具有强大的数据处理能力和丰富的数据分析工具。Python 拥有众多专门用 于数据处理的库，如Pandas、NumPy 等，它们能够高效地处理大型数据集，包括数据清洗、 转换、聚合等操作，极大地提高了数据处理的效率和准确性。Python 还提供了 Scipy、 Statsmodels 等统计分析和机器学习库，使得从基本统计描述到复杂模型拟合都变得简便易行。 这些工具能够帮助分析人员深入挖掘数据背后的模式和规律。Python 通过调用Matplotlib、 Seaborn、Plotly 等可视化库，使得数据可视化变得直观且美观。通过图表、图形等形式展示 数据分析结果，可以更有效地传达信息，帮助非技术人员理解数据背后的故事。 最后，Python 实用性强。Python 能够与其他编程语言（如R、Java、C++等）以及数据 库系统（如MySQL、PostgreSQL 等）无缝集成，这使得在复杂的项目环境中，Python 能够 发挥桥梁作用，连接不同技术栈。Python 能够在Windows、Linux、macOS 等多种操作系统 上运行，且无须复杂的配置即可开始工作，这为用户提供了极大的便利。同时，Python 拥有 一个庞大的开发者社区，这意味着当你遇到问题时，总能找到解决方案或获得帮助。此外， 网络上大量的教程、文档和开源项目为学习者提供了丰富的资源。 数据分析不仅是一项技术技能，更是一种思维方式。通过学习Python 数据分析，将学会 如何提出问题、收集数据、分析数据并基于数据做出决策，这将极大地提升问题解决能力 和逻辑思维能力，提升专业技能，拓宽职业道路，促进个人成长，对个人职业发展具有深远 影响。 2．如何学习Python 数据分析 学习Python 数据分析是一个系统性的过程，需要掌握从基础编程到高级数据分析的全方 位知识。 （1）掌握Python 编程基础。 学习Python 语法：了解Python 的基本语法，包括变量、数据类型、控制结构（如循环 和条件语句）、函数等。 掌握数据结构：熟悉Python 中的数据结构，如列表、元组、字典、集合等，以及如何使 用它们来存储和操作数据。 面向对象编程：理解面向对象编程的基本概念，如类、对象、继承、多态等，并尝试编 写简单的类和方法。 （2）学习数据获取与存储。 网络爬虫：了解如何使用 Python 编写网络爬虫，从网页上抓取数据。常用的库包括 Requests、BeautifulSoup 等。 数据存储：学习如何使用Python 将数据存储在文件中，如CSV、Excel、JSON 等格式。 此外，还可以了解如何使用数据库来存储和管理大量数据。 （3）数据预处理。 处理数据：学习如何读取、筛选、排序、合并、转换和删除数据。 数据清洗：了解如何处理数据中的缺失值、异常值、重复值和转换数据类型等问题。 数据整理：学习如何将数据转换为适合分析的格式，包括数据标准化、归一化等。 数据集成：在数据预处理的最后阶段，需要对数据进行最终转换和集成，以便直接应用 于建模或分析任务。 （4）数据分析与建模。 统计分析：学习如何使用Python 进行基本的统计分析，如均值、中位数、众数、方差、 标准差等。此外，还可以了解如何使用Python 进行假设检验、回归分析等高级统计分析。 数据挖掘：学习如何使用Python 进行数据挖掘，包括分类、聚类、关联规则挖掘等。常 用的库包括scikit-learn 等。 数据可视化：学习如何使用Python 进行数据可视化，以便更好地理解和解释数据分析结 果。常用的库包括Matplotlib、Seaborn 等。这些库可以帮助你创建各种类型的图表，如折线 图、柱状图、散点图、热力图等。 3．本书的整体结构及编排方式 结合Python 的使用方法和数据分析的使用目的，本书主要分为三大部分共11 章内容。 （1）Python 编程基础，此部分包含第1～第5 章内容，主要介绍Python 编程的基础知识。 第1 章介绍Python 的开发环境。本章介绍了Python 的安装方法以及开发环境的配置方 法，确保读者的Python 能够正常运行。 第2 章介绍了Python 的基础语法知识，包括基础语法、编码规范、变量和基础数据类型。 基础语法是编程语言的骨架，掌握Python 的基础语法知识是学习Python 编程的基础，它决 定了如何编写有效的代码。 第3 章介绍了Python 的基础数据结构和语句。详细讲解了列表、元组、字典和集合这四 种基本数据结构，它们各自具有独特的特点和用途，能够高效地管理和操作数据。同时讲解 了选择语句和循环语句这两种控制流程，它们是实现程序逻辑和算法的基础。通过灵活运用 这些基础数据结构和语句，可以编写出功能强大、易于维护的Python 程序。这些内容是编程 入门的关键，为后续深入学习Python 打下坚实基础。 第4 章介绍了Python 函数的概念和使用方法。函数是编写能够实现某一特定功能的工具， 通过对函数的调用，能够避免在代码中反复编写相同的内容，使得程序更加模块化，从而降 低问题的复杂性和调试过程。掌握函数的使用方法是深入学习Python 编程的重要一步，为构 建更复杂、更高效的程序提供了有力支持。 第5 章介绍了Python 的面向对象编程。Python 面向对象编程的基础概念是类（Class） 与对象（Object）。类是对象的蓝图，定义了对象的属性和方法，而对象是类的实例，拥有类 所定义的特性。面向对象编程通过封装、继承和多态等机制，提高了代码的复用性、灵活性 和可维护性。它使程序结构更加清晰，便于团队开发和维护，是Python 编程中的重要范式。 （2）Python 数据分析基础：此部分包含第6、第7 章内容，主要介绍Python 常用的第三 方类库及应用方法。 第6 章详细介绍了Python 常用的第三方类库。NumPy 提供了高效的多维数组对象及一 系列操作数组的函数，是数据处理的基础。Pandas 则在此基础上提供了更高级的数据结构和 数据分析工具，使数据整理和分析变得更加简单。而Matplotlib 和Seaborn 则专注于数据可 视化，能够将数据以图表的形式直观地呈现出来，帮助用户更好地理解数据和分析结果。这 些工具共同构成了Python 数据处理和分析的强大生态系统。 第7 章介绍数据分析的主要流程，包括获取数据、通过数据清洗与整理得到机器可以直 接使用的数据、数据预探索和可视化（以图表形式直观展示数据特征）、基于业务需求和数据 特点选择合适的数据分析建模方法、对模型结果进行解释和报告（将分析结果转化为业务决 策的依据）。 （3）Python 数据分析实践。此部分包含第8～第11 章内容，主要使用Python 进行数据 分析的实际应用。 第8 章主要讲解了如何利用获取的数据进行聚类、分类和预测。聚类分析能够将相似的 数据点归为同一类别，发现数据中的隐藏模式和结构。分类则是根据已知的标签或类别来预 测新数据的类别。预测分析则基于历史数据建立模型，对未来趋势或结果进行预测，为决策 提供重要参考。 第9 章在决策分析过程中使用数据分析、机器学习等技术手段，通过深入挖掘数据背后 的规律和趋势，评估不同决策方案的效果和风险，对决策过程进行量化分析和辅助决策。 第10 章探讨了关联分析在数据分析中的重要作用。通过关联分析可以发现数据集中不同 项或变量之间的关系或模式，揭示出隐藏在数据背后的关联规则，这对于理解数据、制定策 略、优化产品设计等方面都具有重要的指导意义。 第11 章介绍了文本分析的应用。文本分析是一种从非结构化文本数据中提取有价值信息 的方法，涵盖了从简单的词频统计到复杂的情感分析、主题建模等多个层面。通过文本分析， 能够深入理解文本内容的含义、情感倾向以及潜在的主题结构，不仅把握舆论动态，还能为 决策提供有力的数据支撑。 在本书的编写过程中，我们得到了来自各单位和个人的鼎力支持与帮助，在此谨致以诚 挚的谢意。 感谢华北电力大学教材建设项目对本书编写提供的大力支持！感谢华北电力大学经济与 管理学院的副院长李泓泽教授给予本书的诸多指导和支持！感谢陈跃、陈泽鹏、王俪颐、许 嘉欣、杨好静和杨晨媛等同学的辛勤付出，这些研究生积极参与了资料搜集、数据整理与代 码调试等大量基础性工作，他们的努力为本书的顺利完成奠定了坚实基础。 另外，本书参考了大量公开资料。受限于时间和精力，参考文献列表或有疏漏，对于疏 漏之处，我们深表歉意，并在此致以真诚的谢意！ 教材内容涵盖较广，书中难免存在疏漏与不足之处，诚恳广大读者批评指正，以便今后 修订完善。 编 者 2026 年3 月

目录

前言
第1 章 Python 的开发环境1
11 安装Anaconda1
12 Spyder 说明4
13 镜像说明5
第2 章 Python 的基础语法知识6
21 Python 的基础语法和编码规范6
22 Python 的变量和基础数据类型9
第3 章 Python 的基础数据结构和语句12
31 Python 的常用数据结构12
32 Python 的分支选择语句33
33 Python 的循环语句38
第4 章 Python 的函数49
41 函数的概念及语法细节49
42 函数的参数类型51
43 高阶函数58
44 案例：交互式库存管理系统69
第5 章 Python 的面向对象75
51 面向对象编程的基础概念75
52 Python 的类和实例79
53 Python 的继承与多态84
54 动态属性和动态方法108
第6 章 常用第三方类库133
61 NumPy 简介及应用案例133
62 Pandas 简介及应用示例151
63 常用数据可视化库简介及应用示例162
第7 章 数据分析的主要流程196
71 数据分析的工作流程概述196
72 数据获取196
73 数据清洗和整理197
74 数据预探索和可视化203
75 数据分析建模205
76 数据分析结果解释和报告210
第8 章 聚类、分类和预测211
81 聚类、分类和预测概述211
82 聚类的常用类库和算法213
83 分类的常用类库和算法227
84 预测的常用类库和算法234
第9 章 决策分析257
91 决策分析概述257
92 常用类库和算法257
第10 章 关联分析274
101 关联分析概述274
102 常用类库和算法275
103 综合示例分析275
第11 章 文本分析286
111 文本分析概述286
112 常用类库和算法287
113 综合案例分析288
参考文献311