Python医学实用统计分析

14.4.2 ARIMA模型的Python实现

14.4.1 资料格式

14.4 ARIMA模型

14.3 非平稳时间序列预处理

14.2 平稳时间序列建模

14.1.2 纯随机性检验

14.1.1 平稳性检验

14.1 时间序列的预处理

14 时间序列分析

13.5.4 Cox模型分析注意事项

13.5.3 Cox模型分析的Python实现

13.5.2 Cox模型分析的资料格式

13.5.1 Cox模型简介

13.5 Cox比例风险模型

13.4 中位生存时间与生存曲线

13.3 生存率的估计与组间比较

13.2 生存分析研究的主要内容

13.1.3 生存概率、生存率与风险函数

13.1.2 生存时间资料的类型

13.1.1 生存时间

13.1 基本概念

13 生存分析

12.3 利用广义线性模型实现Poisson回归

12.2 资料格式

12.1 Poisson回归的应用条件

12 Poisson回归

11.4.2 条件logistic回归的Python实现

11.4.1 资料格式

11.4 条件logistic回归

11.3.2 多分类无序logistic回归的Python实现

11.3.1 资料格式

11.3 无序多分类logistic回归

11.2.2 有序多分类logistic回归的Python实现

11.2.1 资料格式

11.2 有序logistic回归

11.1.4 广义线性模型

11.1.3 logistic回归的Python实现

11.1.2 资料格式

11.1.1 二分类logistic回归的使用条件

11.1 二分类logistic回归

11 logistic回归

10.3.2 模型诊断

10.3.1 共线性诊断

10.3 多重共线性和回归诊断

10.2.1 逐步回归分析的Python实现

10.2 自变量筛选

10.1.4 多重线性回归分析的Python实现

10.1.3 资料格式

10.1.2 多重线性回归使用条件

10.1.1 多重线性回归模型简介

10.1 多重线性回归分析

10 多重线性回归

9.5.1 趋势卡方检验的Python实现

9.5 趋势卡方检验

9.4.1 Cochran Q检验的Python实现

9.4 多个相关样本的非参数检验（Cochran Q检验）

9.3.2 配对卡方检验的Python实现

9.3.1 配对卡方检验使用条件

9.3 配对卡方检验

9.2.2 Fisher确切概率法的Python实现

9.2.1 Fisher确切概率法使用条件

9.2 Fisher确切概率法

9.1.4 卡方检验的Python实现

9.1.3 卡方检验的选用

9.1.2 R×C列联表资料的卡方检验

9.1.1 四格表资料的卡方检验

9.1 卡方检验

9 分类资料数据分析

8.5.3 线性回归分析的Python实现

8.5.2 应用条件

8.5.1 基本原理

8.5 线性回归分析

8.4.2 秩相关

8.4.1 直线相关分析

8.4 相关分析

8.3.2 Kruskal-Wallis H检验

8.3.1 方差分析

8.3 两组以上资料比较

8.2.4 两组资料的非参数检验

8.2.3 两组独立样本的t检验

8.2.2 配对设计资料的非参数检验

8.2.1 配对t检验

8.2 两组资料之间的比较

8.1.2 Wilcoxon符号秩和检验

8.1.1 单样本资料的t检验

8.1 单样本资料与已知总体参数比较

8 定量资料统计方法

7.5.5 其他图形绘制

7.5.4 金字塔图

7.5.3 子图绘制

7.5.2 常见统计图

7.5.1 绘制图形的基本步骤

7.5 绘制图形

7.4 表格重塑

7.3 数据透视表

7.2.2 定性资料

7.2.1 定量资料

7.2 统计描述

7.1 资料类型

7 资料类型及展示

6.5.4 方法选择器

6.5.3 遍历节点

6.5.2 BeautifulSoup标签

6.5.1 BeautifulSoup对象

6.5 BeautifulSoup库

6.4.2 POST请求

6.4.1 获取网页

6.4 Requests库

6.3.2 HTML属性

6.3.1 HTML标签

6.3 网页结构

6.2.2 http响应

6.2.1 http请求

6.2 http协议与url

6.1 初识爬虫

6 网络数据采集

5.4 正则表达式

5.3 向量化字符串操作

5.2.2 lambda函数

5.2.1 pandas函数

5.2 函数

5.1.2 循环结构

5.1.1 条件（分支）语句

5.1 控制流

5 高级数据管理

4.14 数据集比较

4.13.2 update()函数

4.13.1 replace()函数

4.13 数据集更新

4.12 melt()函数

4.11.2 cut()和qcut()函数

4.11.1 groupby()函数

4.11 数据分组

4.10.3 iloc()函数选取子集

4.10.2 loc()函数选取子集

4.10.1 直接选择

4.10 数据集取子集

4.9.3 join()方法

4.9.2 concat()方法

4.9.1 merge()方法

4.9 数据集的合并

4.8 重复数据处理

4.7 缺失数据填补

4.6.2 缺失值删除

4.6.1 缺失值判断

4.6 缺失值处理

4.5.2 按列值排序

4.5.1 按索引标签排序

4.5 数据排序

4.4.2 时间日期数据类型转换

4.4.1 基本数据类型转换

4.4 数据类型转换

4.3 变量重命名

4.2 创建新变量

4.1 数据基本信息与结构查看

4 基本数据管理

3.4.5 存储数据

3.4.4 Pandas读取SAS、Stata和SPSS数据

3.4.3 Pandas读取Txt数据

3.4.2 Pandas读取CSV文件

3.4.1 Pandas读取Excel数据

3.4 数据读取与存储

3.3.2 DataFrame（二维数据）

3.3.1 Series（一维数据）

3.3 数据取值与选择

3.2.3 NumPy与Pandas转换

3.2.2 DataFrame（二维数据）

3.2.1 Series（一维数据）

3.2 Pandas数据结构

3.1.3 NumPy切片和索引

3.1.2 NumPy数组创建

3.1.1 NumPy数组属性

3.1 NumPy多维数组对象

3 数据集创建

2.3 重要的Python库

2.2.4 函数

2.2.3 列表、元组和字典

2.2.2 运算符

2.2.1 变量和数据类型

2.2 Python语法基础

2.1.4 Tab键自动补全代码

2.1.3 查询帮助文件

2.1.2 Python的缩进

2.1.1 第一个Python程序

2.1 Python快速入门

2 Python语言基础与重要的库

1.4.2 Jupyter Notebook界面

1.4.1 打开Jupyter Notebook

1.4 Jupyter Notebook

1.3.5 conda常用命令合集

1.3.4 安装软件库

1.3.3 创建conda虚拟环境

1.3.2 更新软件下载渠道

1.3.1 打开命令行终端

1.3 Anaconda的使用方法

1.2.3 Linux系统下的安装与配置

1.2.2 Mac系统下的安装与配置

1.2.1 Windows系统下的安装与配置

1.2 Python的安装与配置

1.1 Python的优点

1 Python简介与安装

前言

版权信息

封面

封面

版权信息

前言

1 Python简介与安装

1.1 Python的优点

1.2 Python的安装与配置

1.2.1 Windows系统下的安装与配置

1.2.2 Mac系统下的安装与配置

1.2.3 Linux系统下的安装与配置

1.3 Anaconda的使用方法

1.3.1 打开命令行终端

1.3.2 更新软件下载渠道

1.3.3 创建conda虚拟环境

1.3.4 安装软件库

1.3.5 conda常用命令合集

1.4 Jupyter Notebook

1.4.1 打开Jupyter Notebook

1.4.2 Jupyter Notebook界面

2 Python语言基础与重要的库

2.1 Python快速入门

2.1.1 第一个Python程序

2.1.2 Python的缩进

2.1.3 查询帮助文件

2.1.4 Tab键自动补全代码

2.2 Python语法基础

2.2.1 变量和数据类型

2.2.2 运算符

2.2.3 列表、元组和字典

2.2.4 函数

2.3 重要的Python库

3 数据集创建

3.1 NumPy多维数组对象

3.1.1 NumPy数组属性

3.1.2 NumPy数组创建

3.1.3 NumPy切片和索引

3.2 Pandas数据结构

3.2.1 Series（一维数据）

3.2.2 DataFrame（二维数据）

3.2.3 NumPy与Pandas转换

3.3 数据取值与选择

3.3.1 Series（一维数据）

3.3.2 DataFrame（二维数据）

3.4 数据读取与存储

3.4.1 Pandas读取Excel数据

3.4.2 Pandas读取CSV文件

3.4.3 Pandas读取Txt数据

3.4.4 Pandas读取SAS、Stata和SPSS数据

3.4.5 存储数据

4 基本数据管理

4.1 数据基本信息与结构查看

4.2 创建新变量

4.3 变量重命名

4.4 数据类型转换

4.4.1 基本数据类型转换

4.4.2 时间日期数据类型转换

4.5 数据排序

4.5.1 按索引标签排序

4.5.2 按列值排序

4.6 缺失值处理

4.6.1 缺失值判断

4.6.2 缺失值删除

4.7 缺失数据填补

4.8 重复数据处理

4.9 数据集的合并

4.9.1 merge()方法

4.9.2 concat()方法

4.9.3 join()方法

4.10 数据集取子集

4.10.1 直接选择

4.10.2 loc()函数选取子集

4.10.3 iloc()函数选取子集

4.11 数据分组

4.11.1 groupby()函数

4.11.2 cut()和qcut()函数

4.12 melt()函数

4.13 数据集更新

4.13.1 replace()函数

4.13.2 update()函数

4.14 数据集比较

5 高级数据管理

5.1 控制流

5.1.1 条件（分支）语句

5.1.2 循环结构

5.2 函数

5.2.1 pandas函数

5.2.2 lambda函数

5.3 向量化字符串操作

5.4 正则表达式

6 网络数据采集

6.1 初识爬虫

6.2 http协议与url

6.2.1 http请求

6.2.2 http响应

6.3 网页结构

6.3.1 HTML标签

6.3.2 HTML属性

6.4 Requests库

6.4.1 获取网页

6.4.2 POST请求

6.5 BeautifulSoup库

6.5.1 BeautifulSoup对象

6.5.2 BeautifulSoup标签

6.5.3 遍历节点

6.5.4 方法选择器

7 资料类型及展示

7.1 资料类型

7.2 统计描述

7.2.1 定量资料

7.2.2 定性资料

7.3 数据透视表

7.4 表格重塑

7.5 绘制图形

7.5.1 绘制图形的基本步骤

7.5.2 常见统计图

7.5.3 子图绘制

7.5.4 金字塔图

7.5.5 其他图形绘制

8 定量资料统计方法

8.1 单样本资料与已知总体参数比较

8.1.1 单样本资料的t检验

8.1.2 Wilcoxon符号秩和检验

8.2 两组资料之间的比较

8.2.1 配对t检验

8.2.2 配对设计资料的非参数检验

8.2.3 两组独立样本的t检验

8.2.4 两组资料的非参数检验

8.3 两组以上资料比较

8.3.1 方差分析

8.3.2 Kruskal-Wallis H检验

8.4 相关分析

8.4.1 直线相关分析

8.4.2 秩相关

8.5 线性回归分析

8.5.1 基本原理

8.5.2 应用条件

8.5.3 线性回归分析的Python实现

9 分类资料数据分析

9.1 卡方检验

9.1.1 四格表资料的卡方检验

9.1.2 R×C列联表资料的卡方检验

9.1.3 卡方检验的选用

9.1.4 卡方检验的Python实现

9.2 Fisher确切概率法

9.2.1 Fisher确切概率法使用条件

9.2.2 Fisher确切概率法的Python实现

9.3 配对卡方检验

9.3.1 配对卡方检验使用条件

9.3.2 配对卡方检验的Python实现

9.4 多个相关样本的非参数检验（Cochran Q检验）

9.4.1 Cochran Q检验的Python实现

9.5 趋势卡方检验

9.5.1 趋势卡方检验的Python实现

10 多重线性回归

10.1 多重线性回归分析

10.1.1 多重线性回归模型简介

10.1.2 多重线性回归使用条件

10.1.3 资料格式

10.1.4 多重线性回归分析的Python实现

10.2 自变量筛选

10.2.1 逐步回归分析的Python实现

10.3 多重共线性和回归诊断

10.3.1 共线性诊断

10.3.2 模型诊断

11 logistic回归

11.1 二分类logistic回归

11.1.1 二分类logistic回归的使用条件

11.1.2 资料格式

11.1.3 logistic回归的Python实现

11.1.4 广义线性模型

11.2 有序logistic回归

11.2.1 资料格式

11.2.2 有序多分类logistic回归的Python实现

11.3 无序多分类logistic回归

11.3.1 资料格式

11.3.2 多分类无序logistic回归的Python实现

11.4 条件logistic回归

11.4.1 资料格式

11.4.2 条件logistic回归的Python实现

12 Poisson回归

12.1 Poisson回归的应用条件

12.2 资料格式

12.3 利用广义线性模型实现Poisson回归

13 生存分析

13.1 基本概念

13.1.1 生存时间

13.1.2 生存时间资料的类型

13.1.3 生存概率、生存率与风险函数

13.2 生存分析研究的主要内容

13.3 生存率的估计与组间比较

13.4 中位生存时间与生存曲线

13.5 Cox比例风险模型

13.5.1 Cox模型简介

13.5.2 Cox模型分析的资料格式

13.5.3 Cox模型分析的Python实现

13.5.4 Cox模型分析注意事项

14 时间序列分析

14.1 时间序列的预处理

14.1.1 平稳性检验

14.1.2 纯随机性检验

14.2 平稳时间序列建模

14.3 非平稳时间序列预处理

14.4 ARIMA模型

14.4.1 资料格式

14.4.2 ARIMA模型的Python实现