- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Stron:
- 582
- Dostępne formaty:
-
ePubMobi
Opis ebooka: Python for Data Analysis. 3rd Edition
Get the definitive handbook for manipulating, processing, cleaning, and crunching datasets in Python. Updated for Python 3.10 and pandas 1.4, the third edition of this hands-on guide is packed with practical case studies that show you how to solve a broad set of data analysis problems effectively. You'll learn the latest versions of pandas, NumPy, and Jupyter in the process.
Written by Wes McKinney, the creator of the Python pandas project, this book is a practical, modern introduction to data science tools in Python. It's ideal for analysts new to Python and for Python programmers new to data science and scientific computing. Data files and related material are available on GitHub.
- Use the Jupyter notebook and IPython shell for exploratory computing
- Learn basic and advanced features in NumPy
- Get started with data analysis tools in the pandas library
- Use flexible tools to load, clean, transform, merge, and reshape data
- Create informative visualizations with matplotlib
- Apply the pandas groupby facility to slice, dice, and summarize datasets
- Analyze and manipulate regular and irregular time series data
- Learn how to solve real-world data analysis problems with thorough, detailed examples
Wybrane bestsellery
-
Czy chcesz odkryć świat kodowania i stać się młodym programistą w zaledwie jeden dzień? Czy chcesz nauczyć się języka, który otworzy przed tobą drzwi do fascynującego świata technologii? Czy chcesz tworzyć własne gry, aplikacje i nie tylko, korzystając z Pythona, jednego z najbardziej przyjaz...
Python w 1 dzień dla najmłodszych. Naucz się kodowania w Pythonie w 12 godzin Python w 1 dzień dla najmłodszych. Naucz się kodowania w Pythonie w 12 godzin
-
Oto uzupełnione i zaktualizowane wydanie bestsellerowego przewodnika dla inżynierów sieci. Dzięki niemu przejdziesz trudną (ale ekscytującą!) drogę od tradycyjnej platformy do platformy sieciowej opartej na najlepszych praktykach programistycznych. Zaczniesz od zagadnień podstawowych, aby następn...
Zaawansowana inżynieria sieci w Pythonie. Automatyzacja, monitorowanie i zarządzanie chmurą. Wydanie IV Zaawansowana inżynieria sieci w Pythonie. Automatyzacja, monitorowanie i zarządzanie chmurą. Wydanie IV
(77.40 zł najniższa cena z 30 dni)83.85 zł
129.00 zł(-35%) -
Oto drugie, zaktualizowane i uzupełnione wydanie przewodnika po bibliotece Pandas. Dzięki tej przystępnej książce nauczysz się w pełni korzystać z możliwości oferowanych przez bibliotekę, nawet jeśli dopiero zaczynasz przygodę z analizą danych w Pythonie. Naukę rozpoczniesz z użyciem rzeczywisteg...
Jak analizować dane z biblioteką Pandas. Praktyczne wprowadzenie. Wydanie II Jak analizować dane z biblioteką Pandas. Praktyczne wprowadzenie. Wydanie II
(65.40 zł najniższa cena z 30 dni)70.85 zł
109.00 zł(-35%) -
Zanurz się w fascynujący świat programowania w języku Python i osiągnij imponujący poziom umiejętności w zaledwie 24 godziny! Oto kilka zalet, które sprawiają, że ta książka jest niezbędna dla każdego aspirującego programisty: Szybki start: podstawy Pythona już w pierwszych godzinach nauki ...
Python w 1 dzień. Nauka programowania w Pythonie w 24 godziny od A do Z Python w 1 dzień. Nauka programowania w Pythonie w 24 godziny od A do Z
-
To książka przeznaczona dla osób, które pracują ze zbiorami danych. Jest praktycznym przewodnikiem po koncepcjach algebry liniowej, pomyślanym tak, by ułatwić ich zrozumienie i zastosowanie w użytecznych obliczeniach. Poszczególne zagadnienia przedstawiono za pomocą kodu Pythona, wraz z przykłada...
Praktyczna algebra liniowa dla analityków danych. Od podstawowych koncepcji do użytecznych aplikacji w Pythonie Praktyczna algebra liniowa dla analityków danych. Od podstawowych koncepcji do użytecznych aplikacji w Pythonie
(46.20 zł najniższa cena z 30 dni)50.05 zł
77.00 zł(-35%) -
Ta książka stanowi wszechstronne omówienie wszystkich bibliotek Pythona, potrzebnych naukowcom i specjalistom pracującym z danymi. Znalazł się tu dokładny opis IPythona, NumPy, Pandas, Matplotlib, Scikit-Learn i innych narzędzi. Podręcznik uwzględnia przede wszystkim ich aspekty praktyczne, dzięk...
Python Data Science. Niezbędne narzędzia do pracy z danymi. Wydanie II Python Data Science. Niezbędne narzędzia do pracy z danymi. Wydanie II
(77.40 zł najniższa cena z 30 dni)83.85 zł
129.00 zł(-35%) -
To trzecie, zaktualizowane i uzupełnione wydanie bestsellerowego podręcznika programowania w Pythonie. Naukę rozpoczniesz od podstawowych koncepcji programowania. Poznasz takie pojęcia jak zmienne, listy, klasy i pętle, a następnie utrwalisz je dzięki praktycznym ćwiczeniom. Dowiesz się, jak zape...(71.40 zł najniższa cena z 30 dni)
77.35 zł
119.00 zł(-35%) -
Django służy do tworzenia aplikacji internetowych w Pythonie. Pozwala w pełni skorzystać z zalet tego języka, a przy tym jest łatwy do nauki. Praca z Django jest atrakcyjna dla programistów o różnym stopniu zaawansowania, co potwierdzają badania ankietowe serwisu Stack Overflow. Aby...
Django 4. Praktyczne tworzenie aplikacji sieciowych. Wydanie IV Django 4. Praktyczne tworzenie aplikacji sieciowych. Wydanie IV
(77.40 zł najniższa cena z 30 dni)83.85 zł
129.00 zł(-35%) -
Dzięki tej książce zrozumiesz, że w rekurencji nie kryje się żadna magia. Dowiesz się, na czym polega jej działanie i kiedy warto zastosować algorytm rekursywny, a kiedy lepiej tego nie robić. Poznasz szereg klasycznych i mniej znanych algorytmów rekurencyjnych. Pracę z zawartym tu materiałem uła...
Rekurencyjna książka o rekurencji. Zostań mistrzem rozmów kwalifikacyjnych poświęconych językom Python i JavaScript Rekurencyjna książka o rekurencji. Zostań mistrzem rozmów kwalifikacyjnych poświęconych językom Python i JavaScript
(47.40 zł najniższa cena z 30 dni)51.35 zł
79.00 zł(-35%) -
To kompleksowy podręcznik do nauki programowania w Pythonie. Jego piąte wydanie zostało gruntownie zaktualizowane i rozbudowane o dodatkowe treści. Omówiono tu najnowsze wersje Pythona w liniach 3.X i 2.X, czyli 3.3 i 2.7, i dodano opisy nowych lub rozszerzonych mechanizmów, takich jak obsługa fo...(119.40 zł najniższa cena z 30 dni)
129.35 zł
199.00 zł(-35%)
O autorze ebooka
Wes McKinney ― twórca oprogramowania open source, autor projektu pandas i współtwórca Apache Arrow. Członek The Apache Software Foundation, a także PMC Apache Parquet. Obecnie pełni funkcję dyrektora technicznego Voltron Data, gdzie zajmuje się przyspieszonymi technologiami obliczeniowymi opartymi na Apache Arrow.
Wes McKinney - pozostałe książki
-
Ta książka jest trzecim, starannie zaktualizowanym wydaniem wyczerpującego przewodnika po narzędziach analitycznych Pythona. Uwzględnia Pythona 3.0 i bibliotekę pandas 1.4. Została napisana w przystępny sposób, a poszczególne zagadnienia bogato zilustrowano przykładami, studiami rzeczywistych prz...
Python w analizie danych. Przetwarzanie danych za pomocą pakietów pandas i NumPy oraz środowiska Jupyter. Wydanie III Python w analizie danych. Przetwarzanie danych za pomocą pakietów pandas i NumPy oraz środowiska Jupyter. Wydanie III
(71.40 zł najniższa cena z 30 dni)77.35 zł
119.00 zł(-35%) -
Prezentowana książka jest drugim, zaktualizowanym i uzupełnionym, wydaniem klasycznego podręcznika napisanego z myślą o analitykach, którzy dotychczas nie pracowali w Pythonie, oraz o programistach Pythona, którzy nie zajmowali się dotąd analizą danych ani obliczeniami naukowymi. Przedstawiono tu...
Python w analizie danych. Przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska IPython. Wydanie II Python w analizie danych. Przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska IPython. Wydanie II
(29.90 zł najniższa cena z 30 dni)44.50 zł
89.00 zł(-50%) -
Whether you’re a developer or a data scientist, working with large amounts of data can be a challenge. This book focuses on describing Apache Arrow’s format and data types and the benefits of using it to accelerate data manipulation. You’ll get to grips with topics such as Sp...
In-Memory Analytics with Apache Arrow. Perform fast and efficient data analytics on both flat and hierarchical structured data In-Memory Analytics with Apache Arrow. Perform fast and efficient data analytics on both flat and hierarchical structured data
Kup polskie wydanie:
Python w analizie danych. Przetwarzanie danych za pomocą pakietów pandas i NumPy oraz środowiska Jupyter. Wydanie III
- Autor:
- Wes McKinney
59,50 zł
119,00 zł
(39.90 zł najniższa cena z 30 dni)
Ebooka "Python for Data Analysis. 3rd Edition" przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka "Python for Data Analysis. 3rd Edition" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolnych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Python for Data Analysis. 3rd Edition" zobaczysz:
-
w aplikacjach Ebookpoint i Videopoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych z dostępem do najnowszej wersji Twojej przeglądarki internetowej
Szczegóły ebooka
- ISBN Ebooka:
- 978-10-981-0398-9, 9781098103989
- Data wydania ebooka:
- 2022-08-12 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
- Język publikacji:
- angielski
- Rozmiar pliku ePub:
- 6.2MB
- Rozmiar pliku Mobi:
- 17.2MB
Spis treści ebooka
- Preface
- 1. Conventions Used in This Book
- 2. Using Code Examples
- 3. OReilly Online Learning
- 4. How to Contact Us
- 5. Acknowledgments
- In Memoriam: John D. Hunter (19682012)
- Acknowledgments for the Third Edition (2022)
- Acknowledgments for the Second Edition (2017)
- Acknowledgments for the First Edition (2012)
- 1. Preliminaries
- 1.1. What Is This Book About?
- What Kinds of Data?
- 1.1. What Is This Book About?
- 1.2. Why Python for Data Analysis?
- Python as Glue
- Solving the Two-Language Problem
- Why Not Python?
- 1.3. Essential Python Libraries
- NumPy
- pandas
- matplotlib
- IPython and Jupyter
- SciPy
- scikit-learn
- statsmodels
- Other Packages
- 1.4. Installation and Setup
- Miniconda on Windows
- GNU/Linux
- Miniconda on macOS
- Installing Necessary Packages
- Integrated Development Environments and Text Editors
- 1.5. Community and Conferences
- 1.6. Navigating This Book
- Code Examples
- Data for Examples
- Import Conventions
- 2. Python Language Basics, IPython, and Jupyter Notebooks
- 2.1. The Python Interpreter
- 2.2. IPython Basics
- Running the IPython Shell
- Running the Jupyter Notebook
- Tab Completion
- Introspection
- 2.3. Python Language Basics
- Language Semantics
- Indentation, not braces
- Everything is an object
- Comments
- Function and object method calls
- Variables and argument passing
- Dynamic references, strong types
- Attributes and methods
- Duck typing
- Imports
- Binary operators and comparisons
- Mutable and immutable objects
- Language Semantics
- Scalar Types
- Numeric types
- Strings
- Bytes and Unicode
- Booleans
- Type casting
- None
- Dates and times
- Control Flow
- if, elif, and else
- for loops
- while loops
- pass
- range
- 2.4. Conclusion
- 3. Built-In Data Structures, Functions, and Files
- 3.1. Data Structures and Sequences
- Tuple
- Unpacking tuples
- Tuple methods
- Tuple
- List
- Adding and removing elements
- Concatenating and combining lists
- Sorting
- Slicing
- 3.1. Data Structures and Sequences
- Dictionary
- Creating dictionaries from sequences
- Default values
- Valid dictionary key types
- Set
- Built-In Sequence Functions
- enumerate
- sorted
- zip
- reversed
- List, Set, and Dictionary Comprehensions
- Nested list comprehensions
- 3.2. Functions
- Namespaces, Scope, and Local Functions
- Returning Multiple Values
- Functions Are Objects
- Anonymous (Lambda) Functions
- Generators
- Generator expressions
- itertools module
- Errors and Exception Handling
- Exceptions in IPython
- 3.3. Files and the Operating System
- Bytes and Unicode with Files
- 3.4. Conclusion
- 4. NumPy Basics: Arrays and Vectorized
Computation
- 4.1. The NumPy ndarray: A Multidimensional Array Object
- Creating ndarrays
- Data Types for ndarrays
- Arithmetic with NumPy Arrays
- Basic Indexing and Slicing
- Indexing with slices
- Boolean Indexing
- Fancy Indexing
- Transposing Arrays and Swapping Axes
- 4.1. The NumPy ndarray: A Multidimensional Array Object
- 4.2. Pseudorandom Number Generation
- 4.3. Universal Functions: Fast Element-Wise Array Functions
- 4.4. Array-Oriented Programming with Arrays
- Expressing Conditional Logic as Array Operations
- Mathematical and Statistical Methods
- Methods for Boolean Arrays
- Sorting
- Unique and Other Set Logic
- 4.5. File Input and Output with Arrays
- 4.6. Linear Algebra
- 4.7. Example: Random Walks
- Simulating Many Random Walks at Once
- 4.8. Conclusion
- 5. Getting Started with pandas
- 5.1. Introduction to pandas Data Structures
- Series
- DataFrame
- Index Objects
- 5.1. Introduction to pandas Data Structures
- 5.2. Essential Functionality
- Reindexing
- Dropping Entries from an Axis
- Indexing, Selection, and Filtering
- Selection on DataFrame with loc and iloc
- Integer indexing pitfalls
- Pitfalls with chained indexing
- Arithmetic and Data Alignment
- Arithmetic methods with fill values
- Operations between DataFrame and Series
- Function Application and Mapping
- Sorting and Ranking
- Axis Indexes with Duplicate Labels
- 5.3. Summarizing and Computing Descriptive Statistics
- Correlation and Covariance
- Unique Values, Value Counts, and Membership
- 5.4. Conclusion
- 6. Data Loading, Storage, and File
Formats
- 6.1. Reading and Writing Data in Text Format
- Reading Text Files in Pieces
- Writing Data to Text Format
- Working with Other Delimited Formats
- JSON Data
- XML and HTML: Web Scraping
- Parsing XML with lxml.objectify
- 6.1. Reading and Writing Data in Text Format
- 6.2. Binary Data Formats
- Reading Microsoft Excel Files
- Using HDF5 Format
- 6.3. Interacting with Web APIs
- 6.4. Interacting with Databases
- 6.5. Conclusion
- 7. Data Cleaning and Preparation
- 7.1. Handling Missing Data
- Filtering Out Missing Data
- Filling In Missing Data
- 7.1. Handling Missing Data
- 7.2. Data Transformation
- Removing Duplicates
- Transforming Data Using a Function or Mapping
- Replacing Values
- Renaming Axis Indexes
- Discretization and Binning
- Detecting and Filtering Outliers
- Permutation and Random Sampling
- Computing Indicator/Dummy Variables
- 7.3. Extension Data Types
- 7.4. String Manipulation
- Python Built-In String Object Methods
- Regular Expressions
- String Functions in pandas
- 7.5. Categorical Data
- Background and Motivation
- Categorical Extension Type in pandas
- Computations with Categoricals
- Better performance with categoricals
- Categorical Methods
- Creating dummy variables for modeling
- 7.6. Conclusion
- 8. Data Wrangling: Join, Combine, and Reshape
- 8.1. Hierarchical Indexing
- Reordering and Sorting Levels
- Summary Statistics by Level
- Indexing with a DataFrames columns
- 8.1. Hierarchical Indexing
- 8.2. Combining and Merging Datasets
- Database-Style DataFrame Joins
- Merging on Index
- Concatenating Along an Axis
- Combining Data with Overlap
- 8.3. Reshaping and Pivoting
- Reshaping with Hierarchical Indexing
- Pivoting Long to Wide Format
- Pivoting Wide to Long Format
- 8.4. Conclusion
- 9. Plotting and Visualization
- 9.1. A Brief matplotlib API Primer
- Figures and Subplots
- Adjusting the spacing around subplots
- Figures and Subplots
- Colors, Markers, and Line Styles
- Ticks, Labels, and Legends
- Setting the title, axis labels, ticks, and tick labels
- Adding legends
- 9.1. A Brief matplotlib API Primer
- Annotations and Drawing on a Subplot
- Saving Plots to File
- matplotlib Configuration
- 9.2. Plotting with pandas and seaborn
- Line Plots
- Bar Plots
- Histograms and Density Plots
- Scatter or Point Plots
- Facet Grids and Categorical Data
- 9.3. Other Python Visualization Tools
- 9.4. Conclusion
- 10. Data Aggregation and Group
Operations
- 10.1. How to Think About Group Operations
- Iterating over Groups
- Selecting a Column or Subset of Columns
- Grouping with Dictionaries and Series
- Grouping with Functions
- Grouping by Index Levels
- 10.1. How to Think About Group Operations
- 10.2. Data Aggregation
- Column-Wise and Multiple Function Application
- Returning Aggregated Data Without Row Indexes
- 10.3. Apply: General split-apply-combine
- Suppressing the Group Keys
- Quantile and Bucket Analysis
- Example: Filling Missing Values with Group-Specific Values
- Example: Random Sampling and Permutation
- Example: Group Weighted Average and Correlation
- Example: Group-Wise Linear Regression
- 10.4. Group Transforms and Unwrapped GroupBys
- 10.5. Pivot Tables and Cross-Tabulation
- Cross-Tabulations: Crosstab
- 10.6. Conclusion
- 11. Time Series
- 11.1. Date and Time Data Types and Tools
- Converting Between String and Datetime
- 11.1. Date and Time Data Types and Tools
- 11.2. Time Series Basics
- Indexing, Selection, Subsetting
- Time Series with Duplicate Indices
- 11.3. Date Ranges, Frequencies, and Shifting
- Generating Date Ranges
- Frequencies and Date Offsets
- Week of month dates
- Shifting (Leading and Lagging) Data
- Shifting dates with offsets
- 11.4. Time Zone Handling
- Time Zone Localization and Conversion
- Operations with Time Zone-Aware Timestamp Objects
- Operations Between Different Time Zones
- 11.5. Periods and Period Arithmetic
- Period Frequency Conversion
- Quarterly Period Frequencies
- Converting Timestamps to Periods (and Back)
- Creating a PeriodIndex from Arrays
- 11.6. Resampling and Frequency Conversion
- Downsampling
- Open-high-low-close (OHLC) resampling
- Downsampling
- Upsampling and Interpolation
- Resampling with Periods
- Grouped Time Resampling
- 11.7. Moving Window Functions
- Exponentially Weighted Functions
- Binary Moving Window Functions
- User-Defined Moving Window Functions
- 11.8. Conclusion
- 12. Introduction to Modeling Libraries in
Python
- 12.1. Interfacing Between pandas and Model Code
- 12.2. Creating Model Descriptions with Patsy
- Data Transformations in Patsy Formulas
- Categorical Data and Patsy
- 12.3. Introduction to statsmodels
- Estimating Linear Models
- Estimating Time Series Processes
- 12.4. Introduction to scikit-learn
- 12.5. Conclusion
- 13. Data Analysis Examples
- 13.1. Bitly Data from 1.USA.gov
- Counting Time Zones in Pure Python
- Counting Time Zones with pandas
- 13.1. Bitly Data from 1.USA.gov
- 13.2. MovieLens 1M Dataset
- Measuring Rating Disagreement
- 13.3. US Baby Names 18802010
- Analyzing Naming Trends
- Measuring the increase in naming diversity
- The last letter revolution
- Boy names that became girl names (and vice versa)
- Analyzing Naming Trends
- 13.4. USDA Food Database
- 13.5. 2012 Federal Election Commission Database
- Donation Statistics by Occupation and Employer
- Bucketing Donation Amounts
- Donation Statistics by State
- 13.6. Conclusion
- A. Advanced NumPy
- A.1. ndarray Object Internals
- NumPy Data Type Hierarchy
- A.1. ndarray Object Internals
- A.2. Advanced Array Manipulation
- Reshaping Arrays
- C Versus FORTRAN Order
- Concatenating and Splitting Arrays
- Stacking helpers: r_ and c_
- Repeating Elements: tile and repeat
- Fancy Indexing Equivalents: take and put
- A.3. Broadcasting
- Broadcasting over Other Axes
- Setting Array Values by Broadcasting
- A.4. Advanced ufunc Usage
- ufunc Instance Methods
- Writing New ufuncs in Python
- A.5. Structured and Record Arrays
- Nested Data Types and Multidimensional Fields
- Why Use Structured Arrays?
- A.6. More About Sorting
- Indirect Sorts: argsort and lexsort
- Alternative Sort Algorithms
- Partially Sorting Arrays
- numpy.searchsorted: Finding Elements in a Sorted Array
- A.7. Writing Fast NumPy Functions with Numba
- Creating Custom numpy.ufunc Objects with Numba
- A.8. Advanced Array Input and Output
- Memory-Mapped Files
- HDF5 and Other Array Storage Options
- A.9. Performance Tips
- The Importance of Contiguous Memory
- B. More on the IPython System
- B.1. Terminal Keyboard Shortcuts
- B.2. About Magic Commands
- The %run Command
- Interrupting running code
- The %run Command
- Executing Code from the Clipboard
- B.3. Using the Command History
- Searching and Reusing the Command History
- Input and Output Variables
- B.4. Interacting with the Operating System
- Shell Commands and Aliases
- Directory Bookmark System
- B.5. Software Development Tools
- Interactive Debugger
- Other ways to use the debugger
- Interactive Debugger
- Timing Code: %time and %timeit
- Basic Profiling: %prun and %run -p
- Profiling a Function Line by Line
- B.6. Tips for Productive Code Development Using IPython
- Reloading Module Dependencies
- Code Design Tips
- Keep relevant objects and data alive
- Flat is better than nested
- Overcome a fear of longer files
- B.7. Advanced IPython Features
- Profiles and Configuration
- B.8. Conclusion
- Index
O'Reilly Media - inne książki
-
JavaScript gives web developers great power to create rich interactive browser experiences, and much of that power is provided by the browser itself. Modern web APIs enable web-based applications to come to life like never before, supporting actions that once required browser plug-ins. Some are s...(186.15 zł najniższa cena z 30 dni)
186.15 zł
219.00 zł(-15%) -
How will software development and operations have to change to meet the sustainability and green needs of the planet? And what does that imply for development organizations? In this eye-opening book, sustainable software advocates Anne Currie, Sarah Hsu, and Sara Bergman provide a unique overview...(160.65 zł najniższa cena z 30 dni)
169.14 zł
199.00 zł(-15%) -
OpenTelemetry is a revolution in observability data. Instead of running multiple uncoordinated pipelines, OpenTelemetry provides users with a single integrated stream of data, providing multiple sources of high-quality telemetry data: tracing, metrics, logs, RUM, eBPF, and more. This practical gu...(143.65 zł najniższa cena z 30 dni)
143.65 zł
169.00 zł(-15%) -
What will you learn from this book?If you're a software developer looking for a quick on-ramp to software architecture, this handy guide is a great place to start. From the authors of Fundamentals of Software Architecture, Head First Software Architecture teaches you how to think architecturally ...(245.65 zł najniższa cena z 30 dni)
245.65 zł
289.00 zł(-15%) -
If you use Linux in your day-to-day work, then Linux Pocket Guide is the perfect on-the-job reference. This thoroughly updated 20th anniversary edition explains more than 200 Linux commands, including new commands for file handling, package management, version control, file format conversions, an...(92.65 zł najniższa cena z 30 dni)
101.15 zł
119.00 zł(-15%) -
Interested in developing embedded systems? Since they don't tolerate inefficiency, these systems require a disciplined approach to programming. This easy-to-read guide helps you cultivate good development practices based on classic software design patterns and new patterns unique to embedded prog...(152.15 zł najniższa cena z 30 dni)
160.65 zł
189.00 zł(-15%) -
Gain the valuable skills and techniques you need to accelerate the delivery of machine learning solutions. With this practical guide, data scientists, ML engineers, and their leaders will learn how to bridge the gap between data science and Lean product delivery in a practical and simple way. Dav...(245.65 zł najniższa cena z 30 dni)
245.65 zł
289.00 zł(-15%) -
This practical book provides a detailed explanation of the zero trust security model. Zero trust is a security paradigm shift that eliminates the concept of traditional perimeter-based security and requires you to "always assume breach" and "never trust but always verify." The updated edition off...(203.15 zł najniższa cena z 30 dni)
211.65 zł
249.00 zł(-15%) -
Decentralized finance (DeFi) is a rapidly growing field in fintech, having grown from $700 million to $100 billion over the past three years alone. But the lack of reliable information makes this area both risky and murky. In this practical book, experienced securities attorney Alexandra Damsker ...(203.15 zł najniższa cena z 30 dni)
211.65 zł
249.00 zł(-15%) -
Whether you're a startup founder trying to disrupt an industry or an entrepreneur trying to provoke change from within, your biggest challenge is creating a product people actually want. Lean Analytics steers you in the right direction.This book shows you how to validate your initial idea, find t...(126.65 zł najniższa cena z 30 dni)
126.65 zł
149.00 zł(-15%)
Dzieki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka, którą chcesz zamówić pochodzi z końcówki nakładu. Oznacza to, że mogą się pojawić drobne defekty (otarcia, rysy, zagięcia).
Co powinieneś wiedzieć o usłudze "Końcówka nakładu":
- usługa obejmuje tylko książki oznaczone tagiem "Końcówka nakładu";
- wady o których mowa powyżej nie podlegają reklamacji;
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka drukowana
Oceny i opinie klientów: Python for Data Analysis. 3rd Edition Wes McKinney (0) Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.