Python數(shù)據(jù)分析與應(yīng)用（第2版 微課版）

第 1章　Python數(shù)據(jù)分析概述　1
任務(wù)1．1　認識數(shù)據(jù)分析　2
1．1．1　掌握數(shù)據(jù)分析的概念　2
1．1．2　掌握數(shù)據(jù)分析的流程　3
1．1．3　了解數(shù)據(jù)分析的應(yīng)用場景　4
任務(wù)1．2　熟悉Python數(shù)據(jù)分析的工具　6
1．2．1　了解數(shù)據(jù)分析常用工具　6
1．2．2　了解Python數(shù)據(jù)分析的優(yōu)勢　7
1．2．3　了解Python數(shù)據(jù)分析常用庫　7
任務(wù)1．3　安裝Python的Anaconda發(fā)行版　9
1．3．1　了解Python的Anaconda發(fā)行版　10
1．3．2　在Windows系統(tǒng)中安裝Anaconda發(fā)行版　10
1．3．3　在Linux系統(tǒng)中安裝Anaconda發(fā)行版　13
任務(wù)1．4　掌握Jupyter Notebook常用功能　15
1．4．1　掌握Jupyter Notebook的基本功能　15
1．4．2　掌握Jupyter Notebook的高級功能　17
小結(jié)　20
課后習題　21
第 2章　NumPy數(shù)組計算基礎(chǔ)　23
任務(wù)2．1　掌握NumPy數(shù)組對象ndarray　24
2．1．1　創(chuàng)建數(shù)組對象　24
2．1．2　生成隨機數(shù)　30
2．1．3　通過索引訪問數(shù)組　31
2．1．4　變換數(shù)組的形狀　33
任務(wù)2．2　掌握NumPy矩陣與通用函數(shù)　37
2．2．1　創(chuàng)建NumPy矩陣　37
2．2．2　掌握ufunc函數(shù)　39
任務(wù)2．3　利用NumPy進行統(tǒng)計分析　43
2．3．1　讀/寫文件　43
2．3．2　使用函數(shù)進行簡單的統(tǒng)計分析　45
小結(jié)　50
實訓　50
實訓1　使用數(shù)組比較運算對超市牛奶價格進行對比　50
實訓2　創(chuàng)建6×6的簡單數(shù)獨游戲矩陣　51
課后習題　51
第3章　pandas統(tǒng)計分析基礎(chǔ)　53
任務(wù)3．1　讀/寫不同數(shù)據(jù)源的數(shù)據(jù)　54
3．1．1　認識pandas庫　54
3．1．2　讀/寫文本文件　54
3．1．3　讀/寫Excel文件　58
3．1．4　讀/寫數(shù)據(jù)庫　60
任務(wù)3．2　掌握DataFrame的常用操作　62
3．2．1　查看DataFrame的常用屬性　63
3．2．2　查、改、增、刪DataFrame數(shù)據(jù)　64
3．2．3　描述分析DataFrame數(shù)據(jù)　70
任務(wù)3．3　轉(zhuǎn)換與處理時間序列數(shù)據(jù)　73
3．3．1　轉(zhuǎn)換時間字符串為標準時間　73
3．3．2　提取時間序列數(shù)據(jù)信息　75
3．3．3　加減時間數(shù)據(jù)　76
任務(wù)3．4　使用分組聚合進行組內(nèi)計算　78
3．4．1　使用groupby()方法拆分數(shù)據(jù)　78
3．4．2　使用agg()方法聚合數(shù)據(jù)　80
3．4．3　使用apply()方法聚合數(shù)據(jù)　82
3．4．4　使用transform()方法聚合數(shù)據(jù)　83
任務(wù)3．5　創(chuàng)建透視表與交叉表　84
3．5．1　使用pivot_table函數(shù)創(chuàng)建透視表　85
3．5．2　使用crosstab函數(shù)創(chuàng)建交叉表　87
小結(jié)　88
實訓　89
實訓1　讀取并查看某地區(qū)房屋銷售數(shù)據(jù)的基本信息　89
實訓2　提取房屋售出時間信息并描述房屋價格信息　89
實訓3　使用分組聚合方法分析房屋銷售情況　90
實訓4　分析房屋地區(qū)、配套房間數(shù)和房屋價格的關(guān)系　90
課后習題　91
第4章　使用pandas進行數(shù)據(jù)預處理　93
任務(wù)4．1　合并數(shù)據(jù)　93
4．1．1　堆疊合并數(shù)據(jù)　94
4．1．2　主鍵合并數(shù)據(jù)　97
4．1．3　重疊合并數(shù)據(jù)　99
任務(wù)4．2　清洗數(shù)據(jù)　100
4．2．1　檢測與處理重復值　100
4．2．2　檢測與處理缺失值　104
4．2．3　檢測與處理異常值　108
任務(wù)4．3　標準化數(shù)據(jù)　110
4．3．1　離差標準化數(shù)據(jù)　110
4．3．2　標準差標準化數(shù)據(jù)　111
4．3．3　小數(shù)定標標準化數(shù)據(jù)　111
任務(wù)4．4　變換數(shù)據(jù)　112
4．4．1　啞變量處理類別型數(shù)據(jù)　112
4．4．2　離散化連續(xù)型數(shù)據(jù)　114
小結(jié)　117
實訓　117
實訓1　合并年齡、平均血糖和中風患者信息數(shù)據(jù)　117
實訓2　刪除年齡異常的數(shù)據(jù)　118
實訓3　離散化年齡特征　118
課后習題　119
第5章　Matplotlib、seaborn、pyecharts數(shù)據(jù)可視化基礎(chǔ)　121
任務(wù)5．1　掌握Matplotlib基礎(chǔ)繪圖　122
5．1．1　熟悉pyplot繪圖基礎(chǔ)語法與常用參數(shù)　122
5．1．2　使用Matplotlib繪制進階圖形　128
任務(wù)5．2　掌握seaborn基礎(chǔ)繪圖　137
5．2．1　熟悉seaborn繪圖基礎(chǔ)　137
5．2．2　使用seaborn繪制基礎(chǔ)圖形　153
任務(wù)5．3　掌握pyecharts基礎(chǔ)繪圖　162
5．3．1　熟悉pyecharts繪圖基礎(chǔ)　162
5．3．2　使用pyecharts繪制交互式圖形　166
小結(jié)　171
實訓　172
實訓1　分析學生考試成績特征的分布與分散情況　172
實訓2　分析學生考試成績與各個特征之間的關(guān)系　172
實訓3　分析各空氣質(zhì)量指數(shù)之間的相關(guān)關(guān)系　173
實訓4　繪制交互式基礎(chǔ)圖形　174
課后習題　174
第6章　使用scikit-learn構(gòu)建模型　177
任務(wù)6．1　使用sklearn轉(zhuǎn)換器處理數(shù)據(jù)　178
6．1．1　加載datasets模塊中的數(shù)據(jù)集　178
6．1．2　將數(shù)據(jù)集劃分為訓練集和測試集　180
6．1．3　使用sklearn轉(zhuǎn)換器進行數(shù)據(jù)預處理　182
任務(wù)6．2　構(gòu)建并評價聚類模型　184
6．2．1　使用sklearn估計器構(gòu)建聚類模型　185
6．2．2　評價聚類模型　187
任務(wù)6．3　構(gòu)建并評價分類模型　189
6．3．1　使用sklearn估計器構(gòu)建分類模型　190
6．3．2　評價分類模型　192
任務(wù)6．4　構(gòu)建并評價回歸模型　194
6．4．1　使用sklearn估計器構(gòu)建線性回歸模型　194
6．4．2　評價回歸模型　197
小結(jié)　198
實訓　198
實訓1　使用sklearn處理競標行為數(shù)據(jù)集　198
實訓2　構(gòu)建基于競標行為數(shù)據(jù)集的K-Means聚類模型　199
實訓3　構(gòu)建基于競標行為數(shù)據(jù)集的支持向量機分類模型　200
實訓4　構(gòu)建基于競標行為數(shù)據(jù)集的回歸模型　200
課后習題　200
第7章　競賽網(wǎng)站用戶行為分析　202
任務(wù)7．1　了解競賽網(wǎng)站用戶行為分析的背景和方法　203
7．1．1　了解競賽網(wǎng)站背景　203
7．1．2　認識用戶行為分析　204
7．1．3　熟悉競賽網(wǎng)站用戶行為分析的步驟與流程　204
任務(wù)7．2　預處理競賽網(wǎng)站用戶訪問數(shù)據(jù)　205
7．2．1　特征值變換　205
7．2．2　用戶識別　207
7．2．3　數(shù)據(jù)清洗　208
7．2．4　網(wǎng)頁分類　211
7．2．5　構(gòu)造特征　213
任務(wù)7．3　對競賽網(wǎng)站用戶進行分群　214
7．3．1　了解K-Means聚類算法　214
7．3．2　使用K-Means聚類算法進行用戶分群　215
7．3．3　模型應(yīng)用　217
小結(jié)　218
實訓　218
實訓1　處理某App用戶信息數(shù)據(jù)集　218
實訓2　構(gòu)建與用戶使用信息相關(guān)的　特征　219
實訓3　構(gòu)建K-Means聚類模型　219
課后習題　219
第8章　企業(yè)所得稅預測分析　221
任務(wù)8．1　了解企業(yè)所得稅預測的背景與方法　222
8．1．1　分析企業(yè)所得稅預測背景　222
8．1．2　了解企業(yè)所得稅預測的方法　223
8．1．3　熟悉企業(yè)所得稅預測的步驟與流程　224
任務(wù)8．2　分析企業(yè)所得稅數(shù)據(jù)特征的相關(guān)性　224
8．2．1　了解相關(guān)性分析　225
8．2．2　計算Pearson相關(guān)系數(shù)　225
任務(wù)8．3　使用Lasso回歸選取企業(yè)所得稅預測的關(guān)鍵特征　227
8．3．1　了解Lasso回歸方法　227
8．3．2　選取關(guān)鍵特征　228
任務(wù)8．4　使用灰色預測算法和SVR算法構(gòu)建企業(yè)所得稅預測模型　229
8．4．1　了解灰色預測算法　230
8．4．2　了解SVR算法　231
8．4．3　預測企業(yè)所得稅　232
小結(jié)　236
實訓　236
實訓1　處理英雄聯(lián)盟游戲數(shù)據(jù)集　236
實訓2　構(gòu)建游戲勝負預測關(guān)鍵特征　237
實訓3　構(gòu)建SVR模型　238
課后習題　238
第9章　餐飲企業(yè)客戶流失預測　240
任務(wù)9．1　了解餐飲企業(yè)客戶分析需求　241
9．1．1　了解餐飲企業(yè)客戶流失預測背景　241
9．1．2　認識餐飲企業(yè)客戶流失預測　243
9．1．3　熟悉餐飲企業(yè)客戶流失預測的步驟與流程　243
任務(wù)9．2　預處理餐飲企業(yè)數(shù)據(jù)　244
9．2．1　數(shù)據(jù)探索　244
9．2．2　查看重復值　246
9．2．3　處理異常值　246
9．2．4　處理缺失值　247
9．2．5　構(gòu)建客戶流失特征　248
任務(wù)9．3　使用決策樹算法和支持向量機算法進行餐飲企業(yè)客戶流失預測　250
9．3．1　了解決策樹算法　250
9．3．2　了解支持向量機算法　252
9．3．3　預測餐飲企業(yè)客戶流失　253
小結(jié)　255
實訓　256
實訓1　預處理尺碼信息數(shù)據(jù)　256
實訓2　構(gòu)建支持向量機分類模型預測客戶
服裝尺寸　256
課后習題　257
第 10章　基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)客戶流失預測　259
任務(wù)10．1　了解平臺的相關(guān)概念、特點和功能　260
10．1．1　了解平臺的界面、訪問方式和特點　260
10．1．2　了解“實訓庫”模塊的功能　261
10．1．3　了解“數(shù)據(jù)連接”模塊的功能　261
10．1．4　了解“實訓數(shù)據(jù)”模塊的功能　262
10．1．5　了解“我的實訓”模塊的功能　262
10．1．6　了解“系統(tǒng)算法”模塊的功能　263
10．1．7　了解“個人算法”模塊的功能　265
任務(wù)10．2　使用平臺實現(xiàn)客戶流失預測　265
10．2．1　掌握使用平臺配置客戶流失預測案例的步驟和流程　265
10．2．2　數(shù)據(jù)源配置　266
10．2．3　數(shù)據(jù)預處理　268
10．2．4　構(gòu)建模型　273
小結(jié)　275
實訓　275
實訓　預測客戶服裝尺寸　275
課后習題　276