Python大數(shù)據(jù)分析算法與實(shí)例

定　價(jià)：￥69.00

作　者：	鄧立國著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787302551065	出版時(shí)間：	2020-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	332	字?jǐn)?shù)：

內(nèi)容簡介

　　大數(shù)據(jù)時(shí)代，大數(shù)據(jù)分析是關(guān)鍵技術(shù)。Python是一款優(yōu)秀的大數(shù)據(jù)分析軟件，《Python大數(shù)據(jù)分析算法與實(shí)例》以Python 3結(jié)合第三方開源工具進(jìn)行大數(shù)據(jù)分析，以小的代價(jià)編程實(shí)現(xiàn)數(shù)據(jù)的提取、處理、分析和可視化?！∪珪譃?章，首先介紹大數(shù)據(jù)分析的背景和行業(yè)應(yīng)用，給出了數(shù)據(jù)特征算法分析；然后基于Python 3介紹常用典型第三方大數(shù)據(jù)分析工具的場景應(yīng)用；最后比較翔實(shí)地闡述大數(shù)據(jù)分析算法與經(jīng)典實(shí)例應(yīng)用。　《Python大數(shù)據(jù)分析算法與實(shí)例》適合從事大數(shù)據(jù)分析的研究人員、計(jì)算機(jī)或數(shù)學(xué)等相關(guān)專業(yè)的從業(yè)者參考學(xué)習(xí)，也可以作為計(jì)算機(jī)或數(shù)學(xué)等專業(yè)本科高年級或研究生的專業(yè)用書。

作者簡介

　　鄧立國，東北大學(xué)計(jì)算機(jī)應(yīng)用博士畢業(yè)。2005年開始在沈陽師范大學(xué)軟件學(xué)院、教育技術(shù)學(xué)院任教，主要研究方向：數(shù)據(jù)挖掘、知識工程、大數(shù)據(jù)處理、云計(jì)算、分布式計(jì)算等。以第一作者發(fā)表學(xué)術(shù)論文30多篇（26篇EI），主編教材 1 部，主持科研課題6項(xiàng)，經(jīng)費(fèi)10余萬元，多次獲得校級科研優(yōu)秀獎(jiǎng)，作為九三社員提出的智慧城市提案被市政府采納，研究成果被教育廳等單位采用。

圖書目錄

目錄

第1章大數(shù)據(jù)分析概述 1
1.1 大數(shù)據(jù)分析背景 1
1.2 大數(shù)據(jù)分析的應(yīng)用 2
1.3 大數(shù)據(jù)分析算法 3
1.4 大數(shù)據(jù)分析工具 6
1.5 本章小結(jié) 9
第2章數(shù)據(jù)特征算法分析 10
2.1 數(shù)據(jù)分布性分析 10
2.1.1 數(shù)據(jù)分布特征集中趨勢的測定 10
2.1.2 數(shù)據(jù)分布特征離散程度的測定 15
2.1.3 數(shù)據(jù)分布特征偏態(tài)與峰度的測定 19
2.2 數(shù)據(jù)相關(guān)性分析 21
2.2.1 數(shù)據(jù)相關(guān)關(guān)系 21
2.2.2 數(shù)據(jù)相關(guān)分析的主要內(nèi)容 24
2.2.3 相關(guān)關(guān)系的測定 24
2.3 數(shù)據(jù)聚類性分析 26
2.3.1 聚類分析定義 26
2.3.2 聚類類型 27
2.3.3 聚類應(yīng)用 29
2.4 數(shù)據(jù)主成分分析 29
2.4.1 主成分分析的原理及模型 30
2.4.2 數(shù)據(jù)主成分分析的幾何解釋 31
2.4.3 數(shù)據(jù)主成分的導(dǎo)出 32
2.4.4 證明主成分的方差是依次遞減的 34
2.4.5 數(shù)據(jù)主成分分析的計(jì)算 35
2.5 數(shù)據(jù)動(dòng)態(tài)性分析 36
2.6 數(shù)據(jù)可視化 40
2.7 本章小結(jié) 42
第3章大數(shù)據(jù)分析工具：NumPy 43
3.1 NumPy簡介 43
3.2 NumPy環(huán)境安裝配置 44
3.3 ndarray對象 45
3.4 數(shù)據(jù)類型 47
3.5 數(shù)組屬性 49
3.6 數(shù)組創(chuàng)建例程 52
3.7 切片和索引 57
3.8 廣播 60
3.9 數(shù)組操作與迭代 61
3.10 位操作與字符串函數(shù) 87
3.11 數(shù)學(xué)運(yùn)算函數(shù) 91
3.12 算數(shù)運(yùn)算 93
3.13 統(tǒng)計(jì)函數(shù) 97
3.14 排序、搜索和計(jì)數(shù)函數(shù) 101
3.15 字節(jié)交換 104
3.16 副本和視圖 105
3.17 矩陣庫 107
3.18 線性代數(shù)模塊 109
3.19 Matplotlib庫 112
3.20 Matplotlib 繪制直方圖 114
3.21 IO文件操作 116
3.22 NumPy實(shí)例：GPS定位 117
3.23 本章小結(jié) 120
第4章大數(shù)據(jù)分析工具：SciPy 121
4.1 SciPy簡介 121
4.2 文件輸入和輸出：SciPy.io 122
4.3 特殊函數(shù)：SciPy.special 123
4.4 線性代數(shù)操作：SciPy.linalg 124
4.5 快速傅里葉變換：sipy.fftpack 124
4.6 優(yōu)化器：SciPy.optimize 125
4.7 統(tǒng)計(jì)工具：SciPy.stats 126
4.8 SciPy實(shí)例 127
4.8.1 最小二乘擬合 127
4.8.2 函數(shù)最小值 128
4.9 本章小結(jié) 130
第5章大數(shù)據(jù)分析工具：Matplotlib 131
5.1 初級繪制 131
5.2 圖像、子區(qū)、子圖、刻度 137
5.3 其他種類的繪圖 140
5.4 本章小結(jié) 147
第6章大數(shù)據(jù)分析工具：Pandas 148
6.1 Pandas系列 148
6.2 Pandas數(shù)據(jù)幀 151
6.3 Pandas面板 155
6.4 Pandas快速入門 158
6.5 本章小結(jié) 172
第7章大數(shù)據(jù)分析工具：Statsmodels與Gensim 173
7.1 Statsmodels 173
7.1.1 Statsmodels統(tǒng)計(jì)數(shù)據(jù)庫 173
7.1.2 Statsmodels典型的擬合模型概述 175
7.1.3 Statsmodels舉例 176
7.2 Gensim 178
7.2.1 基本概念 178
7.2.2 訓(xùn)練語料的預(yù)處理 179
7.2.3 主題向量的變換 180
7.2.4 文檔相似度的計(jì)算 181
7.3 本章小結(jié) 182
第8章大數(shù)據(jù)分析算法與實(shí)例 183
8.1 描述統(tǒng)計(jì) 183
8.2 假設(shè)檢驗(yàn) 188
8.3 信度分析 192
8.4 列聯(lián)表分析 195
8.5 相關(guān)分析 196
8.6 方差分析 198
8.6.1 單因素方差分析 199
8.6.2 多因素方差分析 201
8.7 回歸分析 203
8.8 聚類分析 207
8.9 判別分析 212
8.10 主成分分析 216
8.11 因子分析 218
8.12 時(shí)間序列分析 221
8.13 生存分析 224
8.14 典型相關(guān)分析 245
8.15 RoC分析 250
8.16 距離分析 255
8.17 對應(yīng)分析 264
8.18 決策樹分析 265
8.19 神經(jīng)網(wǎng)絡(luò)-深度學(xué)習(xí) 271
8.19.1 深度學(xué)習(xí)的基本模型 271
8.19.2 新聞分類實(shí)例 275
8.20 蒙特·卡羅模擬 280
8.20.1 蒙特·卡羅模擬基本模型 281
8.20.2 蒙特·卡羅模擬計(jì)算看漲期權(quán)實(shí)例 281
8.21 關(guān)聯(lián)規(guī)則 287
8.21.1 關(guān)聯(lián)規(guī)則的概念 288
8.21.2 Apriori算法及實(shí)例 289
8.21.3 FP樹頻集算法 292
8.22 Uplift Modeling 301
8.23 集成方法 306
8.24 異常檢測 311
8.25 文本挖掘 315
8.26 Boosting算法（提升法和Gradient Boosting） 322
8.27 本章小結(jié) 325
參考文獻(xiàn) 326