数据分析是当今大数据时代最关键的技术，其广泛应用于包括医学在内的各个领域。Python语言简单易用，第三方库功能强大，提供了完整的数据分析框架，深受广大数据分析人员的青睐。
本书涵盖传统的统计分析方法和较为复杂的机器学习算法，结合大量精选的实例，使用Python进行数据分析，对常用分析方法进行深入浅出的介绍，以帮助读者解决数据分析中的实际问题。
本书强调实战和应用，尽量淡化分析方法的推导和计算过程，大量的Pymon程序示例是本书的亮点。阅读本书，读者不仅能掌握使用Python及相关库快速解决实际问题的方法，还能更深入地理解数据分析。
本书不仅适合临床医学、公共卫生及其他医学相关专业的本科生和研究生使用，亦可作为其他专业的学生和科研人员学习数据分析的参考书。

赵军，泰国宋卡王子大学流行病学博士，湖北医药学院公共卫生与管理学院副教授、硕士研究生导师。讲授医药数理统计方法、医学统计学、高级统计学等课程。近三年以第一作者身份发表SCI论文5篇，研究方向为临床流行病学、医学统计学。

第1章 Python语言基础
1.1 关于Python
1.2 为什么使用Python分析数据
1.3 重要的Python库
1.4 安装与设置
1.4.1 在Windows或MacOS系统上安装Anaconda
1.4.2 在Linux系统上安装Anaconda
1.4.3 安装和更新包
1.4.4 Python解释器
1.4.5 导入库
1.5 代码编写工具
1.6 开始使用Python
1.6.1 获取帮助
1.6.2 把Python当作一个计算器
1.6.3 Python对象
1.7 工作目录
1.8 习题
第2章 基本数据结构
2.1 列表
2.1.1 列表的创建
2.1.2 列表基本操作
2.1.3 列表方法与函数操作
2.2 元组
2.2.1 元组的创建
2.2.2 元组的操作
2.3 字典
2.3.1 字典的创建
2.3.2 字典的操作
2.4 集合
2.4.1 集合的创建
2.4.2 集合的操作
2.5 习题
第3章 控制流、函数与文件操作
3.1 条件语句
3.1.1 简单条件结构
3.1.2 嵌套条件结构
3.2 循环语句
3.2.1 for循环
3.2.2 while循环
3.3 函数
3.3.1 定义函数
3.3.2 默认参数
3.3.3 任意参数
3.3.4 匿名函数
3.4 文件操作
3.4.1 读取txt文件
3.4.2 写入txt文件
3.4.3 读写CSV文件
3.5 习题
第4章 NumPy基础
4.1 创建数组对象
4.1.1 使用函数array创建数组对象
4.1.2 使用专门函数创建数组对象
4.1.3 生成伪随机数
4.2 数组操作
4.2.1 数组重塑
4.2.2 数组转置和轴变换
4.2.3 数组的索引和切片
4.3 数组运算
4.3.1 通用函数
4.3.2 基本统计运算
4.3.3 矩阵运算
4.4 数组文件的保存与导入
4.5 习题
第5章 Pandas入门
5.1 Pandas数据结构
5.1.1 Series
5.1.2 DataFrame
5.2 Pandas对象基本操作
5.2.1 索引操作
5.2.2 DataFrame的查询与子集选择
5.3 DataFrame的导入和导出
5.3.1 读写文本文件
5.3.2 读写其他格式的文件
5.4 Pandas数据预处理
5.4.1 数据的合并
5.4.2 数据长宽格式的转换
5.4.3 缺失值的识别与处理
5.4.4 数据值的转换
5.5 习题
第6章 数据可视化
6.1 Matplotl
6.1.1 函数plot与图形元素
6.1.2 全局参数查看与设置
6.1.3 一页多图
6.1.4 保存图形
6.1.5 基本统计图形
6.2 Seaborn数据可视化
6.2.1 Seaborn简介
6.2.2 直方图和密度曲线图
6.2.3 条形图
6.2.4 箱线图和小提琴图
6.2.5 点图
6.2.6 带状点图与簇状点图
6.2.7 散点图
6.2.8 散点图矩阵
6.2.9 多面板图
6.2.10 回归图
6.2.11 分面网格图
6.2.12 Seaborn图形保存
6.3 其他Python数据可视化工具
6.4 习题
第7章 基本统计分析
7.1 查看数据集信息
7.2 数值型变量的统计描述
7.3 数值型变量的假设检验
7.3.1 单个样本的t检验
7.3.2 独立样本的t检验
7.3.3 非独立样本的t检验
7.3.4 单因素方差分析
7.3.5 组间差异的非参数检验
7.3.6 连续型变量之间的相关性
7.4 分类变量的列联表和独立性检验
7.4.1 生成频数表
7.4.2 独立性检验
7.5 习题
第8章 线性模型与广义线性模型
8.1 线性模型
8.1.1 简单线性回归模型
8.1.2 多重线性回归模型
8.2 Logistic回归
8.2.1 Logistic回归模型
8.2.2 Logistic回归实例
8.3 Poisson回归
8.3.1 Poisson回归模型
8.3.2 Poisson回归实例
8.4 生存分析与Cox回归
8.4.1 生存分析简介
8.4.2 生存率的Kaplan-Meier估计
8.4.3 Cox回归
8.5 习题
第9章 Scikit-learn机器学习入门
9.1 机器学习简介
9.2 加载数据集
9.3 学习和预测
9.3.1 无监督学习
9.3.2 监督学习
9.4 模型的选择与评估
9.5 习题
第10章 TensorFlow深度学习入门
10.1 深度学习简介
10.2 感知机与神经网络
10.3 激活函数
10.4 损失函数
10.5 优化器
10.6 构建并训练神经网络
10.7 习题
第11章 图像分类卷积神经网络模型
11.1 卷积神经网络
11.1.1 局部感受野
11.1.2 共享权重和偏置
11.1.3 池化
11.2 加载数据集
11.3 构建卷积神经网络模型
11.4 编译并训练模型
11.5 评估模型
11.6 习题
习题参考答案
参考资料