[套装书]Python数据分析与挖掘实战（第2版）+Python高级数据分析：机器学习、深度学习和NLP实例（2册）

作者
张良均 谭立云 刘名军 江建明[印] 萨扬·穆霍帕迪亚（Sayan Mukhopadhyay）
丛书名
大数据技术丛书
出版社
机械工业出版社
ISBN
9781911259484
简要
简介
内容简介书籍计算机书籍 ---------------------------Python数据分析与挖掘实战（第2版）--------------------------- 如果没有实际和外国人打过交道，英文里一些细微的差别，我们将很难体会到。比如，cook the books，做假账，而不是把书煮了吃；in store和in a store，price list和list price，看起来差不多，意思却大不同。外贸大咖毅冰，记录了他遇到的366个情境故事，用对比分析的方法，带你轻松学习和体会“刚刚好”的地道英文。 本书从日常生活会话，到商务邮件恰当遣词用句，再到商务沟通中摆脱死板、灵活多样化表达同一个意思，都有详细介绍。书中的很多片段，是作者在美国及日常与外国人打交道时，因理解和表达不对而实际上发生的糗事和故事。纠错、提升、丰富自己的英语，现在就开读吧。随便翻开任意一页，保证令你大开眼界，即刻学会地地道道的英语。 ---------------------------Python高级数据分析：机器学习、深度学习和NLP实例--------------------------- 本书介绍高级数据分析概念的广泛基础，以及最近的数据库革命，如Neo4j、弹性搜索和MongoDB。本书讨论了如何实现包括局部爬取在内的ETL技术，并应用于高频算法交易和目标导向的对话系统等领域。还有一些机器学习概念的例子，如半监督学习、深度学习和NLP。本书还涵盖了重要的传统数据分析技术，如时间序列和主成分分析等。
目录



---------------------------Python数据分析与挖掘实战（第2版）---------------------------


前言
基础篇
第1章　数据挖掘基础 2
1.1　某知名连锁餐饮企业的困惑 2
1.2　从餐饮服务到数据挖掘 4
1.3　数据挖掘的基本任务 5
1.4　数据挖掘建模过程 5
1.4.1　定义挖掘目标 6
1.4.2　数据取样 6
1.4.3　数据探索 7
1.4.4　数据预处理 8
1.4.5　挖掘建模 8
1.4.6　模型评价 8
1.5　常用数据挖掘建模工具 9
1.6　小结 11
第2章　Python数据分析简介 12
2.1　搭建Python开发平台 14
2.1.1　所要考虑的问题 14
2.1.2　基础平台的搭建 14
2.2　Python使用入门 16
2.2.1　运行方式 16
2.2.2　基本命令 17
2.2.3　数据结构 19
2.2.4　库的导入与添加 24
2.3　Python数据分析工具 26
2.3.1　NumPy 27
2.3.2　SciPy 28
2.3.3　Matplotlib 29
2.3.4　pandas 31
2.3.5　StatsModels 33
2.3.6　scikit-learn 33
2.3.7　Keras 34
2.3.8　Gensim 36
2.4　配套附件使用设置 37
2.5　小结 38
第3章　数据探索 39
3.1　数据质量分析 39
3.1.1　缺失值分析 40
3.1.2　异常值分析 40
3.1.3　一致性分析 44
3.2　数据特征分析 44
3.2.1　分布分析 44
3.2.2　对比分析 48
3.2.3　统计量分析 51
3.2.4　周期性分析 54
3.2.5　贡献度分析 55
3.2.6　相关性分析 58
3.3　Python主要数据探索函数 62
3.3.1　基本统计特征函数 62
3.3.2　拓展统计特征函数 66
3.3.3　统计绘图函数 67
3.4　小结 74
第4章　数据预处理 75
4.1　数据清洗 75
4.1.1　缺失值处理 75
4.1.2　异常值处理 80
4.2　数据集成 80
4.2.1　实体识别 81
4.2.2　冗余属性识别 81
4.2.3　数据变换 81
4.2.4　简单函数变换 81
4.2.5　规范化 82
4.2.6　连续属性离散化 84
4.2.7　属性构造 87
4.2.8　小波变换 88
4.3　数据归约 91
4.3.1　属性归约 91
4.3.2　数值归约 95
4.4　Python主要数据预处理函数 98
4.5　小结 101
第5章　挖掘建模 102
5.1　分类与预测 102
5.1.1　实现过程 103
5.1.2　常用的分类与预测算法 103
5.1.3　回归分析 104
5.1.4　决策树 108
5.1.5　人工神经网络 115
5.1.6　分类与预测算法评价 120
5.1.7　Python分类预测模型特点 125
5.2　聚类分析 125
5.2.1　常用聚类分析算法 126
5.2.2　K-Means聚类算法 127
5.2.3　聚类分析算法评价 132
5.2.4　Python主要聚类分析算法 133
5.3　关联规则 135
5.3.1　常用关联规则算法 136
5.3.2　Apriori算法 136
5.4　时序模式 142
5.4.1　时间序列算法 142
5.4.2　时间序列的预处理 143
5.4.3　平稳时间序列分析 145
5.4.4　非平稳时间序列分析 148
5.4.5　Python主要时序模式算法 156
5.5　离群点检测 159
5.5.1　离群点的成因及类型 160
5.5.2　离群点检测方法 160
5.5.3　基于模型的离群点检测方法 161
5.5.4　基于聚类的离群点检测方法 164
5.6　小结 167
实战篇
第6章　财政收入影响因素分析及预测 170
6.1　背景与挖掘目标 170
6.2　分析方法与过程 171
6.2.1　分析步骤与流程 172
6.2.2　数据探索分析 172
6.2.3　数据预处理 176
6.2.4　模型构建 178
6.3　上机实验 184
6.4　拓展思考 185
6.5　小结 186
第7章　航空公司客户价值分析 187
7.1　背景与挖掘目标 187
7.2　分析方法与过程 188
7.2.1　分析步骤与流程 189
7.2.2　数据探索分析 189
7.2.3　数据预处理 200
7.2.4　模型构建 207
7.2.5　模型应用 212
7.3　上机实验 214
7.4　拓展思考 215
7.5　小结 216
第8章　商品零售购物篮分析 217
8.1　背景与挖掘目标 217
8.2　分析方法与过程 218
8.2.1　数据探索分析 219
8.2.2　数据预处理 224
8.2.3　模型构建 226
8.3　上机实验 232
8.4　拓展思考 233
8.5　小结 233
第9章　基于水色图像的水质评价 234
9.1　背景与挖掘目标 234
9.2　分析方法与过程 235
9.2.1　分析步骤与流程 236
9.2.2　数据预处理 236
9.2.3　模型构建 240
9.2.4　水质评价 241
9.3　上机实验 242
9.4　拓展思考 242
9.5　小结 243
第10章　家用热水器用户行为分析与事件识别 244
10.1　背景与挖掘目标 244
10.2　分析方法与过程 245
10.2.1　数据探索分析 246
10.2.2　数据预处理 249
10.2.3　模型构建 260
10.2.4　模型检验 261
10.3　上机实验 262
10.4　拓展思考 264
10.5　小结 265
第11章　电子商务网站用户行为分析及服务推荐 266
11.1　背景与挖掘目标 266
11.2　分析方法与过程 267
11.2.1　分析步骤与流程 267
11.2.2　数据抽取 269
11.2.3　数据探索分析 270
11.2.4　数据预处理 279
11.2.5　构建智能推荐模型 283
11.3　上机实验 291
11.4　拓展思考 293
11.5　小结 293
第12章　电商产品评论数据情感分析 294
12.1　背景与挖掘目标 294
12.2　分析方法与过程 295
12.2.1　评论预处理 296
12.2.2　评论分词 297
12.2.3　构建模型 303
12.3　上机实验 315
12.4　拓展思考 316
12.5　小结 318
提高篇
第13章　基于Python引擎的开源数据挖掘建模平台（TipDM） 320
13.1　平台简介 321
13.1.1　模板 321
13.1.2　数据源 322
13.1.3　工程 323
13.1.4　系统组件 324
13.1.5　TipDM数据挖掘建模平台的本地化部署 326
13.2　快速构建数据挖掘工程 327
13.2.1　导入数据 329
13.2.2　配置输入源组件 331
13.2.3　配置缺失值处理组件 332
13.2.4　配置记录选择组件 334
13.2.5　配置数据标准化组件 334
13.2.6　配置K-Means组件 336
13.3　小结 339


---------------------------Python高级数据分析：机器学习、深度学习和NLP实例---------------------------


译者序
作者简介
技术审核员简介
致谢
第1章　简介 001
1.1　为何选择Python 001
1.2　何时避免使用Python 002
1.3　Python中的面向对象编程 002
1.4　在Python中调用其他语言 010
1.5　将Python模型作为微服务 011
1.6　高性能API和并发编程 014
第2章　Python结构化数据提取、转换和加载 019
2.1　MySQL 020
2.1.1　如何安装MySQLdb 020
2.1.2　数据库连接 020
2.1.3　INSERT操作 020
2.1.4　READ操作 021
2.1.5　DELETE操作 022
2.1.6　UPDATE操作 023
2.1.7　COMMIT操作 023
2.1.8　ROLL-BACK操作 024
2.2　Elasticsearch 026
2.3　Neo4j Python驱动 029
2.4　neo4j-rest-client 029
2.5　内存数据库 029
2.6　Python版本MongoDB 030
2.6.1　将数据导入集合 031
2.6.2　使用pymongo创建连接 031
2.6.3　访问数据库对象 032
2.6.4　插入数据 032
2.6.5　更新数据 032
2.6.6　删除数据 032
2.7　Pandas 033
2.8　Python非结构化数据提取、转换和加载 034
2.8.1　电子邮件解析 034
2.8.2　主题爬取 036
第3章　基于Python的监督学习 043
3.1　使用Python实现降维 043
3.1.1　相关性分析 044
3.1.2　主成分分析 046
3.1.3　互信息 048
3.2　使用Python进行分类 049
3.3　半监督学习 050
3.4　决策树 050
3.4.1　哪个属性优先 050
3.4.2　随机森林分类器 052
3.5　朴素贝叶斯分类器 052
3.6　支持向量机 054
3.7　最近邻分类器 055
3.8　情绪分析 056
3.9　图像识别 057
3.10　使用Python进行回归 058
3.10.1　最小二乘估计 059
3.10.2　逻辑回归 060
3.11　分类和回归 060
3.12　使模型高估或低估 061
3.13　处理分类型数据 062
第4章　无监督学习—聚类 067
4.1　K均值聚类 068
4.2　选择K—肘部法则 071
4.3　距离或相似性度量 071
4.3.1　属性 072
4.3.2　一般及欧氏距离 072
4.3.3　平方欧氏距离 074
4.3.4　字符串之间的编辑距离 074
4.4　文档上下文的相似性 076
4.5　什么是层次聚类 077
4.5.1　自下而上的方法 078
4.5.2　聚类之间的距离 079
4.5.3　自上而下的方法 080
4.5.4　图论方法 084
4.6　如何判断聚类结果是否良好 085
第5章　深度学习和神经网络 087
5.1　反向传播 088
5.1.1　反向传播方法 088
5.1.2　广义Delta规则 088
5.1.3　输出层权重更新 089
5.1.4　隐藏层权重更新 090
5.1.5　反向传播网络小结 091
5.2　反向传播算法 092
5.3　其他算法 094
5.4　TensorFlow 094
5.5　递归神经网络 099
第6章　时间序列 107
6.1　变化的分类 107
6.2　包含趋势的序列分析 107
6.2.1　曲线拟合 108
6.2.2　从时间序列中去除趋势 109
6.3　包含周期性的序列数据分析 110
6.4　从时间序列中去除周期性 111
6.4.1　滤波 111
6.4.2　差分 112
6.5　转换 112
6.5.1　稳定方差 112
6.5.2　使周期效应累加 113
6.5.3　使数据呈正态分布 113
6.6　平稳时间序列 114
6.6.1　平稳过程 114
6.6.2　自相关和相关图 114
6.6.3　自协方差和自相关函数的估计 115
6.7　使用Python进行时间序列分析 116
6.7.1　有用的方法 116
6.7.2　自回归过程 118
6.7.3　估计AR过程的参数 119
6.8　混合ARMA模型 122
6.9　集成ARMA模型 123
6.10　傅里叶变换 124
6.11　一个特殊的场景 125
6.12　数据缺失 127
第7章　大数据分析 129
7.1　Hadoop 129
7.1.1　MapReduce编程 129
7.1.2　partitioning函数 130
7.1.3　combiner函数 131
7.1.4　HDFS文件系统 140
7.1.5　MapReduce设计模式 140
7.2　Spark 146
7.3　云分析 148
7.4　物联网 156



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4