首页 > 图书中心 >图书详情

Python数据分析与挖掘实战

使用Python进行数据分析与数据挖掘

作者:邓立国
定价:79
印次:1-2
ISBN:9787302577874
出版日期:2021.05.01
印刷日期:2024.01.10

本书涵盖数据分析与数据挖掘的基础知识、必备工具和有效实践方法,能让读者充分掌握数据分析与数据挖掘的基本技能。 本书共分为15章,主要内容包括大数据获取、数据预处理、探索性数据分析、用Sklearn估计器分类、主流数据分析库、大数据的数据库类型、数据仓库/商业智能、数据聚合与分组运算、数据挖掘工具、挖掘建模、模型评估、社会媒体挖掘、图挖掘分类、基于深度学习的验证码识别、基于深度学习的文本分类挖掘实现。 本书采用理论与实践相结合的方式,利用Python语言的强大功能,以最小的编程代价进行数据的提取、处理、分析和挖掘,既适合Python数据分析与数据挖掘初学者、大数据从业人员阅读,也适合高等院校和培训机构大数据与人工智能相关专业的师生教学参考。

more >

前 言 在当今大数据驱动的时代,要想从事机器学习、人工智能、数据挖掘等前沿技术,离不开数据跟踪与分析,通过NumPy、Pandas等进行数据科学计算,通过Seaborn、Matplotlib等进行数据可视化展示,从实战的角度出发,让你在数据科学领域迈出重要的一步,开启数据分析与挖掘的开发之旅。目前数据分析与挖掘行业火爆,人才供不应求。机器学习、自然语言处理、数据可视化、数据探索、数据分析和数据挖掘,这些火热的前沿技术都是数据科学体系的范畴,是信息时代的高薪领域。而Python是用于数据分析与挖掘的必备工具! 大数据时代是海量数据同完美计算能力相结合的产物,确切地说是移动互联网、物联网产生了海量的数据,大数据计算技术完全胜任海量数据的收集、存储、计算、分析等问题。综合来看,未来几年大数据在商业智能、智慧城市和精准营销等领域的应用将发挥主导作用。 读者需要了解的重要信息 本书作为数据分析与挖掘专业的图书,介绍数据挖掘的算法流程、必备工具和实践方法,案例采用Python3来实现。本书涵盖从数据获得到数据处理和结果展示输出的全过程,以数据分析与挖掘五大环节(数据采集、数据预处理、探索分析、挖掘建模、模型评估)为轴线,理论与实践相结合,所有案例均具有代表性,明确了数据分析与挖掘目标及完成效果。分析挖掘的基本任务是从数据中提取商业价值,具体涵盖分类和预测、聚类分析、关联规则、时序模式、偏差检验、智能推荐等。 本书以真实案例驱动,配以分析用的数据与源代码,科学系统地介绍数据分析与挖掘建模领域的科学思维、必备知识、专业工具、完整流程以及编程技巧,让你能够快速胜任数据分析师岗位。 本书内容 本书整体分为15章,系统讲解机器学习的典型算法,主要内容如下: 第1章简要介绍大数据获取,第2章是数据预处理,第3章是探索性数据分析,第4章是用Sklearn估计器分类,第5章是主流数据分析库,第6章是大数据数据库介绍,第7章是数据仓库/商业智能,第8章是数据聚合与分组运算,第9章是数据挖掘工具,第10章是挖掘建模,第11章是模型评估,第12章是社会媒体挖掘,第13章是用图挖掘分类,第14章是基于深度神经网络的验证码识别,第15章是基于深度学习的文本分类挖掘实现。 源代码和源数据下载 本书的例子都是在Python3集成开发环境Anaconda3中通过实际调试的典型案例。配套的示例源代码和源数据可通过使用微信扫描下方的二维码获取(可通过下载页面,把链接发到自己的邮箱中下载)。如果有任何疑问,请联系booksaga@163.com,邮件主题为“Python数据分析与挖掘实战”。 致谢 本书完成之际,要由衷感谢家人的支持,是他们的付出使笔者拥有近一年的时间来写作,由于水平有限,书中难免有纰漏之处,还请读者不吝赐教。本书写作过程中参考的图书均在参考文献中列出,在此对相关作者表示感谢。 邓立国 2021年2月

more >
扫描二维码
下载APP了解更多
图书分类全部图书
more >
  • 邓立国,东北大学计算机应用博士毕业。2005年开始在沈阳师范大学软件学院、教育技术学院任教,主要研究方向:数据挖掘、知识工程、大数据处理、云计算、分布式计算等。以第一作者发表学术论文30多篇(26篇EI),主编教材 1 部,主持科研课题6项,经费10余万元,多次获得校级科研优秀奖,作为九三社员提出的智慧城市提案被市政府采纳,研究成果被教育厅等单位采用。
  • 本书以数据分析与挖掘五大环节(数据采集、数据预处理、探索分析、挖掘建模、模型评估)为轴线,配以分析用的数据与源代码,系统地介绍数据分析与挖掘建模领域的科学思维、必备知识、专业工具、完整流程以及编程技巧,让你能够快速胜任数据分析师岗位。
more >
  • 目    录

    第1章  大数据采集 1

    1.1  大数据分类 1

    1.2  大数据采集方法 2

    1.3  Python爬虫 3

    1.3.1  审查元素 4

    1.3.2  认识网页结构 5

    1.3.3  认识robots.txt的文档 6

    1.3.4  爬虫的基本原理 11

    1.3.5  Python爬虫架构 11

    1.3.6  用GET方式抓取数据 12

    1.3.7  用POST方式抓取数据 15

    1.3.8  用Beautiful Soup解析网页 17

    1.3.9  Python爬虫案例 19

    1.4  本章小结 25

    第2章  数据预处理 26

    2.1  数据清洗 26

    2.1.1  缺失值处理 27

    2.1.2  异常值处理 28

    2.2  数据集成 30

    2.3  数据转换 32

    2.4  数据规约 34

    2.5  Python主要数据预处理函数 35

    2.6  本章小结 37

    第3章  探索性数据分析 38

    3.1  异常值分析 38

    3.2  缺失值分析 41

    3.3  分布分析 43

    3.4  相关性分析 46

    3.5  对比分析 48

    3.6  统计量分析 48

    3.7  周期性分析 51

    3.8  贡献度分析 51

    3.9  Python主要数据探索函数 52

    3.10  本章小结 53

    第4章  Sklearn估计器 54

    4.1  Sklearn概述 54

    4.2  使用Sklearn估计器分类 58

    4.2.1  k近邻算法 59

    4.2.2  管道机制 63

    4.2.3 ...

精彩书评more >

标题

评论

版权所有(C)2023 清华大学出版社有限公司 京ICP备10035462号 京公网安备11010802042911号

联系我们 | 网站地图 | 法律声明 | 友情链接 | 盗版举报 | 人才招聘