Python數(shù)據(jù)分析、挖掘與可視化從入門(mén)到精通

定　價(jià)：￥89.00

作　者：	熊熙,張雪蓮編著
出版社：	北京大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

當(dāng)當(dāng)網(wǎng) (￥89.00)

ISBN：	9787301347690	出版時(shí)間：	2024-07-01	包裝：	平裝-膠訂
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　筆者根據(jù)自己多年的數(shù)據(jù)分析與挖掘經(jīng)驗(yàn)，從零基礎(chǔ)讀者的角度，詳盡地介紹了Python數(shù)據(jù)分析與挖掘的基礎(chǔ)知識(shí)及大量的實(shí)戰(zhàn)案例。全書(shū)分為4篇，第1篇是基礎(chǔ)入門(mén)篇，主要介紹數(shù)據(jù)分析與挖掘的基本概念及Python語(yǔ)言的數(shù)據(jù)分析基礎(chǔ)；第2篇是數(shù)據(jù)分析篇，主要介紹常用的數(shù)據(jù)分析方法；第3篇是數(shù)據(jù)挖掘篇，主要介紹常用的數(shù)據(jù)挖掘方法；第4篇是實(shí)戰(zhàn)應(yīng)用篇，介紹兩個(gè)完整的數(shù)據(jù)分析與挖掘案例，讓讀者了解如何系統(tǒng)地應(yīng)用前面學(xué)到的各種方法解決實(shí)際問(wèn)題。對(duì)于書(shū)中的大部分章節(jié)，筆者還結(jié)合實(shí)際工作及面試經(jīng)驗(yàn)，精心配備了大量高質(zhì)量的練習(xí)題，供讀者邊學(xué)邊練，以便更好地掌握《Python數(shù)據(jù)分析、挖掘與可視化從入門(mén)到精通》內(nèi)容?！禤ython數(shù)據(jù)分析、挖掘與可視化從入門(mén)到精通》配備所有案例的源碼，適合有一定數(shù)學(xué)基礎(chǔ)的讀者使用，但不要求讀者具備編程基礎(chǔ)，適合剛?cè)胄械臄?shù)據(jù)分析人員或從事與數(shù)據(jù)相關(guān)工作、對(duì)數(shù)據(jù)感興趣的人員，也適合從事其他崗位但想掌握一定的數(shù)據(jù)分析能力的職場(chǎng)人員，還可以作為大中專(zhuān)院校相關(guān)專(zhuān)業(yè)的教學(xué)參考用書(shū)。

作者簡(jiǎn)介

　　熊熙：：：：：：：熊熙，博士，成都信息工程大學(xué)網(wǎng)絡(luò)空間安全學(xué)院副教授，碩士研究生導(dǎo)師，成都電子行業(yè)新經(jīng)濟(jì)產(chǎn)業(yè)專(zhuān)家，CCF會(huì)員，CCF計(jì)算機(jī)應(yīng)用專(zhuān)委會(huì)執(zhí)行委員。曾在大唐移動(dòng)通信設(shè)備有限公司擔(dān)任高級(jí)軟件工程師，研究方向包括數(shù)據(jù)挖掘與分析、自然語(yǔ)言處理與知識(shí)圖譜、信息抽取與推薦算法、工業(yè)互聯(lián)網(wǎng)等。主持和主研g(shù)uojia級(jí)和省部級(jí)以上項(xiàng)目8項(xiàng)。張雪蓮：：：：：：：張雪蓮，碩士，四川大學(xué)錦江學(xué)院講師，大學(xué)計(jì)算機(jī)基礎(chǔ)教研室主任助理，CCF會(huì)員。多年來(lái)一直從事軟件工程相關(guān)課程的教學(xué)工作，具有豐富的實(shí)踐教學(xué)經(jīng)驗(yàn)。

圖書(shū)目錄

第1篇　基礎(chǔ)入門(mén)篇
第1章從零開(kāi)始：初識(shí)數(shù)據(jù)分析與挖掘
1.1 什么是數(shù)據(jù)分析 3
1.1.1　與數(shù)據(jù)相關(guān)的概念 3
1.1.2　什么是大數(shù)據(jù) 3
1.1.3　數(shù)據(jù)分析工具 4
1.1.4　數(shù)據(jù)分析技術(shù)的發(fā)展 7
1.2 什么是數(shù)據(jù)挖掘 8
1.2.1　數(shù)據(jù)挖掘相關(guān)概念 8
1.2.2　數(shù)據(jù)挖掘起源 9
1.2.3　數(shù)據(jù)挖掘要解決的問(wèn)題 10
1.2.4　數(shù)據(jù)挖掘任務(wù) 10
1.3 數(shù)據(jù)分析與挖掘的應(yīng)用領(lǐng)域 11
1.4 用Python進(jìn)行數(shù)據(jù)分析與挖掘 12
1.4.1　Python語(yǔ)言概述 12
1.4.2　Python的優(yōu)點(diǎn) 13
1.4.3　認(rèn)識(shí)Python常用庫(kù) 14
1.5 本章小結(jié) 15
1.6 思考與練習(xí) 15
第2章 Python數(shù)據(jù)分析基礎(chǔ)
2.1 搭建Python開(kāi)發(fā)環(huán)境 17
2.1.1　安裝Python 17
2.1.2　安裝PyCharm 18
2.1.3　安裝Anaconda 19
2.1.4　安裝與使用Jupyter 20
2.2 Python基礎(chǔ) 21
2.2.1　Python基礎(chǔ)語(yǔ)法 21
2.2.2　Python基本數(shù)據(jù)類(lèi)型 24
2.2.3　Python控制流與文件操作 31
2.2.4　Python函數(shù)與模塊 39
2.2.5　Python面向?qū)ο蟪绦蛟O(shè)計(jì) 44
2.3 本章小結(jié) 52
2.4 思考與練習(xí) 52
第3章 Python數(shù)據(jù)分析相關(guān)庫(kù)應(yīng)用
3.1 NumPy 54
3.1.1　初識(shí)NumPy 54
3.1.2　創(chuàng)建數(shù)組 54
3.1.3　數(shù)組的基本操作 58
3.1.4　NumPy矩陣的基本操作 63
3.2 SciPy 66
3.2.1　初識(shí)SciPy 66
3.2.2　統(tǒng)計(jì)子模塊scipy.stats 66
3.2.3　優(yōu)化子模塊scipy.optimize 68
3.2.4　插值子模塊scipy.interpolate 69
3.3 Pandas 70
3.3.1　初識(shí)Pandas 70
3.3.2　Pandas的數(shù)據(jù)結(jié)構(gòu) 70
3.3.3　Pandas對(duì)象的基本操作 73
3.3.4　基本統(tǒng)計(jì)分析 80
3.4 Scikit-learn 82
3.4.1　初識(shí)Scikit-learn 82
3.4.2　線性回歸模型 83
3.4.3　支持向量機(jī) 85
3.4.4　聚類(lèi) 87
3.5 其他常用模塊 89
3.6 本章小結(jié) 90
3.7 思考與練習(xí) 91
第2篇　數(shù)據(jù)分析篇
第4章數(shù)據(jù)的預(yù)處理
4.1 數(shù)據(jù)獲取 94
4.1.1　爬蟲(chóng)概述 94
4.1.2　爬蟲(chóng)常用庫(kù)和框架 95
4.1.3　數(shù)據(jù)獲取實(shí)踐 100
4.2 文件與數(shù)據(jù)存儲(chǔ) 104
4.2.1　概述 104
4.2.2　CSV文件 105
4.2.3　JSON文件 107
4.2.4　XLSL文件 108
4.2.5　SQL數(shù)據(jù)庫(kù)文件 110
4.3 數(shù)據(jù)清洗 111
4.3.1　編碼 112
4.3.2　缺失值的檢測(cè)與處理 113
4.3.3　去除異常值 116
4.3.4　去除重復(fù)值和冗余信息 118
4.4 本章小結(jié) 120
4.5 思考與練習(xí) 120
第5章數(shù)據(jù)的分析方法
5.1 分布分析 123
5.1.1　分布分析的概念 123
5.1.2　分布分析的實(shí)現(xiàn) 123
5.2 對(duì)比分析 128
5.2.1　對(duì)比分析的概念 128
5.2.2　對(duì)比分析的比較標(biāo)準(zhǔn) 129
5.2.3　對(duì)比分析的實(shí)現(xiàn) 131
5.3 統(tǒng)計(jì)量分析 133
5.3.1　統(tǒng)計(jì)量分析的概念 133
5.3.2　統(tǒng)計(jì)量分析的實(shí)現(xiàn) 133
5.4 相關(guān)性分析 137
5.4.1　相關(guān)性分析的概念 137
5.4.2　相關(guān)性分析的作用 138
5.4.3　相關(guān)性分析的實(shí)現(xiàn) 138
5.5 帕累托分析 141
5.5.1　帕累托分析的概念 141
5.5.2　帕累托分析的實(shí)現(xiàn) 142
5.6 正態(tài)分布分析 143
5.6.1　正態(tài)分布分析的概念 144
5.6.2　正態(tài)分布分析的實(shí)現(xiàn) 144
5.7 本章小結(jié) 150
5.8 思考與練習(xí) 150
第6章數(shù)據(jù)可視化工具的應(yīng)用
6.1 數(shù)據(jù)可視化工具——Matplotlib 153
6.1.1　安裝Matplotlib模塊 153
6.1.2　繪制基礎(chǔ)圖形 154
6.1.3　圖形的設(shè)置 163
6.1.4　繪制多個(gè)子圖 168
6.2 數(shù)據(jù)可視化工具——Seaborn 169
6.2.1　Seaborn庫(kù)簡(jiǎn)介 170
6.2.2　Seaborn常用統(tǒng)計(jì)圖 170
6.3 本章小結(jié) 173
6.4 思考與練習(xí) 173
第3篇　數(shù)據(jù)挖掘篇
第7章數(shù)據(jù)挖掘之線性回歸
7.1 線性回歸概述 177
7.2 一元線性回歸 177
7.2.1　一元線性回歸原理分析 178
7.2.2　一元線性回歸代碼實(shí)現(xiàn) 178
7.2.3　線性回歸方法總結(jié) 183
7.3 多元線性回歸 183
7.3.1　多元線性回歸原理分析 183
7.3.2　多元線性回歸代碼實(shí)現(xiàn) 184
7.4 線性回歸模型的評(píng)估與檢驗(yàn) 187
7.4.1　擬合優(yōu)度檢驗(yàn)（R2評(píng)估） 187
7.4.2　顯著性檢驗(yàn)（F檢驗(yàn)） 188
7.4.3　回歸參數(shù)顯著性檢驗(yàn)（T檢驗(yàn)） 194
7.5 本章小結(jié) 196
7.6 思考與練習(xí) 196
第8章數(shù)據(jù)挖掘之分類(lèi)模型
8.1 邏輯回歸模型 199
8.1.1　邏輯回歸模型的原理 199
8.1.2　分類(lèi)模型評(píng)估 200
8.1.3　邏輯回歸模型實(shí)現(xiàn)二分類(lèi) 206
8.2 決策樹(shù)和隨機(jī)森林算法 210
8.2.1　決策樹(shù)的工作原理 210
8.2.2　特征選擇 211
8.2.3　決策樹(shù)的生成 213
8.2.4　決策樹(shù)的剪枝 217
8.2.5　隨機(jī)森林算法 223
8.3 KNN算法 225
8.3.1　KNN算法的思想 225
8.3.2　相似性的度量方法 225
8.3.3　KNN算法的性能 226
8.3.4　KNN算法的實(shí)現(xiàn) 227
8.4 本章小結(jié) 230
8.5 思考與練習(xí) 231
第9章數(shù)據(jù)挖掘之關(guān)聯(lián)分析
9.1 關(guān)聯(lián)分析概述 235
9.1.1　關(guān)聯(lián)分析的基本概念 235
9.1.2　常見(jiàn)的關(guān)聯(lián)分析算法 236
9.2 Apriori關(guān)聯(lián)分析算法 237
9.2.1　Apriori算法原理 237
9.2.2　Apriori算法挖掘頻繁項(xiàng)集 238
9.2.3　從頻繁項(xiàng)集中挖掘關(guān)聯(lián)規(guī)則 238
9.2.4　基于Python實(shí)現(xiàn)Apriori算法 239
9.2.5　Apriori算法總結(jié) 243
9.3 FP-growth關(guān)聯(lián)分析算法 244
9.3.1　構(gòu)建FP樹(shù) 244
9.3.2　從一棵FP樹(shù)中挖掘頻繁項(xiàng)集 246
9.3.3　FP-growth算法實(shí)例 248
9.3.4　FP-growth算法總結(jié) 252
9.4 本章小結(jié) 253
9.5 思考與練習(xí) 253
第10章數(shù)據(jù)挖掘之聚類(lèi)分析
10.1 聚類(lèi)分析概述 255
10.1.1　聚類(lèi)分析的概念 255
10.1.2　聚類(lèi)分析的方法 255
10.1.3　聚類(lèi)結(jié)果性能評(píng)估指標(biāo) 256
10.2 質(zhì)心聚類(lèi)——K-Means算法 257
10.2.1　K-Means算法的原理 257
10.2.2　Python實(shí)現(xiàn)K-Means算法 260
10.3 密度聚類(lèi)——DBSCAN算法 263
10.3.1　DBSCAN算法的原理 263
10.3.2　Python實(shí)現(xiàn)DBSCAN算法 265
10.4 層次聚類(lèi)——AGNES算法 267
10.4.1　AGNES算法的原理 268
10.4.2　Python實(shí)現(xiàn)AGNES算法 268
10.5 本章小結(jié) 270
10.6 思考與練習(xí) 270
第4篇　實(shí)戰(zhàn)應(yīng)用篇
第11章實(shí)戰(zhàn)案例：房?jī)r(jià)評(píng)估數(shù)據(jù)分析與挖掘
11.1 加載數(shù)據(jù)集 274
11.2 數(shù)據(jù)分析 274
11.3 數(shù)據(jù)可視化 275
11.4 數(shù)據(jù)預(yù)處理 277
11.5 拆分?jǐn)?shù)據(jù)集 279
11.6 建立線性回歸模型 282
11.7 建立決策樹(shù)模型 291
11.8 對(duì)比分析構(gòu)建的線性回歸和決策樹(shù)模型 294
11.9 本章小結(jié) 296
第12章實(shí)戰(zhàn)案例：電信客戶流失數(shù)據(jù)分析與挖掘
12.1 案例背景 298
12.2 加載數(shù)據(jù) 298
12.3 數(shù)據(jù)準(zhǔn)備 300
12.4 數(shù)據(jù)清洗 301
12.4.1　缺失值處理 301
12.4.2　重復(fù)值處理 301
12.4.3　數(shù)值類(lèi)型轉(zhuǎn)換 301
12.5 數(shù)據(jù)處理 304
12.6 數(shù)據(jù)可視化 305
12.7 特征工程 313
12.8 數(shù)據(jù)建模 318
12.9 訓(xùn)練模型 318
12.10 模型的評(píng)估 319
12.11 本章小結(jié) 320