[套装书]Python数据分析与挖掘实战（第2版）+Python数据科学：技术详解与商业实践（2册）

作者
张良均 谭立云 刘名军 江建明常国珍 赵仁乾 张秋剑
丛书名
大数据技术丛书
出版社
机械工业出版社
ISBN
9781911259475
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数据科学：技术详解与商业实践--------------------------- 本书共19章，第1章介绍数据科学中涉及的基本领域；第2～3章介绍与数据工作紧密相关的Python语言基础；第4章讲解描述性统计分析在宏观业务领域的分析；第5章讲解数据规整、清洗的重要技能；第6章介绍数据科学领域实用的四大统计检验；第7章讲解当被解释变量为连续变量时，如何使用线性回归作预测；第8章讲解使用逻辑回归作评分卡模型；第9章讲解另外一个可解释模型——决策树。第10～12章分别讲解了BP神经网络、朴素贝叶斯、近邻域、支持向量机的原理和在决策类模型中的运用；第13～14章作为一个整体讲解商业分析场景下的信息压缩；第15章以产品推荐作为案例，讲解发现事件与事件伴生关系的关联分析和序列分析算法；第16章使用欺诈识别案例讲解当被解释变量分布极 端不平衡时的处理方法；第17章继续使用欺诈识别案例讲解集成学习算法；第18章讲解了使用效应分解和ARIMA方法实现宏观业务指标预测；第19章用案例展现了分类和聚类模型的CRISP-DM和SEMMA流程。
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数据科学：技术详解与商业实践---------------------------


前言
第1章数据科学家的武器库
11数据科学的基本概念
12数理统计技术
121描述性统计分析
122统计推断与统计建模
13数据挖掘的技术与方法
14描述性数据挖掘算法示例
141聚类分析——客户细分
142关联规则分析
15预测性数据挖掘算法示例
151决策树
152KNN算法
153Logistic回归
154神经网络
155支持向量机
156集成学习
157预测类模型讲解
158预测类模型评估概述
第2章Python概述
21Python概述
211Python简介
212Python与数据科学
213Python2与Python3
22Anaconda Python的安装、使用
221下载与安装
222使用Jupyter Notebook
223使用Spyder
224使用conda或pip管理
第三方库
第3章数据科学的Python编程基础
31Python的基本数据类型
311字符串(str)
312浮点数和整数（float、int）
313布尔值（Bool：True/False）
314其他
32Python的基本数据结构
321列表（list）
322元组（tuple）
323集合（set）
324字典（dict）
33Python的程序控制
331三种基本的编程结构简介
332顺承结构
333分支结构
334循环结构
34Python的函数与模块
341Python的函数
342Python的模块
35Pandas读取结构化数据
351读取数据
352写出数据
第4章描述性统计分析与绘图
41描述性统计进行数据探索
411变量度量类型与分布类型
412分类变量的统计量
413连续变量的分布与集中趋势
414连续变量的离散程度
415数据分布的对称与高矮
42制作报表与统计制图
43制图的步骤
第5章数据整合和数据清洗
51数据整合
511行列操作
512条件查询
513横向连接
514纵向合并
515排序
516分组汇总
517拆分、堆叠列
518赋值与条件赋值
52数据清洗
521重复值处理
522缺失值处理
523噪声值处理
53RFM方法在客户行为分析上的运用
531行为特征提取的RFM方法论
532使用RFM方法计算变量
533数据整理与汇报
第6章数据科学的统计推断基础
61基本的统计学概念
611总体与样本
612统计量
613点估计、区间估计和中心极限定理
62假设检验与单样本t检验
621假设检验
622单样本t检验
63双样本t检验
64方差分析（分类变量和连续变量关系检验）
641单因素方差分析
642多因素方差分析
65相关分析（两连续变量关系检验）
651相关系数
652散点矩阵图
66卡方检验（二分类变量关系检验）
661列联表
662卡方检验
第7章客户价值预测：线性回归模型与诊断
71线性回归
711简单线性回归
712多元线性回归
713多元线性回归的变量筛选
72线性回归诊断
721残差分析
722强影响点分析
723多重共线性分析
724小结线性回归诊断
73正则化方法
731岭回归
732LASSO回归
第8章Logistic回归构建初始信用评级
81Logistic回归的相关关系分析
82Logistic回归模型及实现
821Logistic回归与发生比
822Logistic回归的基本原理
823在Python中实现Logistic回归
83Logistic回归的极大似然估计
831极大似然估计的概念
832Logistics回归的极大似然估计
84模型评估
841模型评估方法
842ROC曲线的概念
843在Python中实现ROC曲线
第9章使用决策树进行初始信用评级
91决策树概述
92决策树算法
921ID3建树算法原理
922C45建树算法原理
923CART建树算法原理
924决策树的剪枝
93在Python中实现决策树
931建模
932模型评估
933决策树的可视化
934参数搜索调优
第10章神经网络
101神经元模型
102单层感知器
103BP神经网络
104多层感知器的scikitlearn代码实现
第11章分类器入门：最近邻域与朴素贝叶斯
111KNN算法
1111KNN算法原理
1112在Python中实现KNN算法
112朴素贝叶斯分类
1121贝叶斯公式
1122朴素贝叶斯分类原理
1123朴素贝叶斯的参数估计
1124在Python中实现朴素贝叶斯
第12章高级分类器：支持向量机
121线性可分与线性不可分
122线性可分支持向量机
1221函数间隔和几何间隔
1222学习策略
1223对偶方法求解
1224线性可分支持向量机例题
123线性支持向量机与软间隔最大化
124非线性支持向量机与核函数
1241核函数
1242非线性支持向量机的学习
1243示例与Python实现
125使用支持向量机的案例
第13章连续变量的特征选择与转换
131方法概述
132主成分分析
1321主成分分析简介
1322主成分分析原理
1323主成分分析的运用
1324在Python中实现主成分分析
133基于主成分的冗余变量筛选
134因子分析
1341因子分析模型
1342因子分析算法
1343在Python中实现因子分析
第14章客户分群与聚类
141聚类算法概述
142聚类算法基本概念
1421变量标准化与分布形态转换
1422变量的维度分析
143聚类模型的评估
144层次聚类
1441层次聚类原理
1442层次聚类在Python中的实现
145基于划分的聚类
1451kmeans聚类原理
1452kmeans聚类的应用场景
1453在Python中实现kmeans聚类
146基于密度的聚类
1461详谈基于密度聚类
1462在Python中实现密度聚类
147案例:通信客户业务使用偏好聚类
1471保持原始变量分布形态进行聚类
1472对变量进行分布形态转换后聚类
第15章关联规则
151关联规则
1511关联规则的一些概念
1512Apriori算法原理
1513在Python中实现关联规则
152序列模式
1521序列模式简介与概念
1522序列模式算法
1523在Python中实现序列模式
第16章排序模型的不平衡分类处理
161不平衡分类概述
162欠采样法
1621随机欠采样法
1622Tomek Link法
163过采样法
1631随机过采样法
1632SMOTE法
164综合采样法
165在Python中实现不平衡分类处理
第17章集成学习
171集成学习概述
172Bagging
1721Bagging算法实现
1722随机森林
173Boosting
174偏差（Bias）、方差（Variance）与集成方法
1741偏差与方差
1742Bagging与Boosting的直观理解
第18章时间序列建模
181认识时间序列
182效应分解法时间序列分析
183平稳时间序列分析ARMA模型
1831平稳时间序列
1832ARMA模型
1833在Python中进行AR建模
184非平稳时间序列分析ARIMA模型
1841差分与ARIMA模型
1842在Python中进行ARIMA建模
185ARIMA方法建模总结
第19章商业数据挖掘案例
191个人贷款违约预测模型
1911数据介绍
1912业务分析
1913数据理解
1914数据整理
1915建立分析模型
1916模型运用
1917流程回顾
192慈善机构精准营销案例
1921构造营销响应模型
1922构造客户价值预测模型
1923制订营销策略
1924案例过程回顾与不足
193旅游企业客户洞察案例
1931案例说明
1932数据预处理
1933使用kmeans聚类建模
1934对各个簇的特征进行描述
194个人3C产品精准营销案例
1941案例说明
1942数据预处理
1943建模
1944模型评估
1945下一步建议
附录A 数据说明
参考文献



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4