为满足用人单位对数据分析和挖掘人员在编程方面的技能要求，本书遵循由浅深的原则，详细地介绍了利用Python及其相关工具实现数据分析和挖掘的实用技能。结合Python中成熟的Numpy、Pandas、MatPlotLib、Sklearn、Seaborn、Statsmodels和SciPy模块，实现数据分析与挖掘中关于数据的清洗、整理、探索、可视化、建模和评估等流程的操作，让每一位对数据分析或挖掘的从业者或感兴趣的读者都能从中学到所需的内容。十大常用数据挖掘算法及实战案例，如多元线性回归的预测模型、决策树分类模型、SVM分类模型、GBDT分类模型、K均值聚类模型等，基本覆盖用人单位对常用挖掘算法的需求。
售 价：¥
纸质售价：¥59.20购买纸书
6.2
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
封面页
书名页
版权页
作者简介
内容简介
前言
第1章 数据分析与挖掘概述
1.1 什么是数据分析和挖掘
1.2 数据分析与挖掘的应用领域
1.2.1 电商领域——发现破坏规则的“害群之马”
1.2.2 交通出行领域——为打车平台进行私人订制
1.2.3 医疗健康领域——找到最佳医疗方案
1.3 数据分析与挖掘的区别
1.4 数据挖掘的流程
1.4.1 明确目标
1.4.2 数据搜集
1.4.3 数据清洗
1.4.4 构建模型
1.4.5 模型评估
1.4.6 应用部署
1.5 常用的数据分析与挖掘工具
1.6 本章小结
第2章 从收入的预测分析开始
2.1 下载与安装Anoconda
2.1.1 基于Windows系统安装
2.1.2 基于Mac系统安装
2.1.3 基于Linux系统安装
2.2 基于Python的案例实战
2.2.1 数据的预处理
2.2.2 数据的探索性分析
2.2.3 数据建模
2.3 本章小结
第3章 Python快速入门
3.1 数据结构及方法
3.1.1 列表
3.1.2 元组
3.1.3 字典
3.2 控制流
3.2.1 if分支
3.2.2 for循环
3.2.3 while循环
3.3 字符串处理方法
3.3.1 字符串的常用方法
3.3.2 正则表达式
3.4 自定义函数
3.4.1 自定义函数语法
3.4.2 自定义函数的几种参数
3.5 一个爬虫案例
3.6 本章小结
第4章 Python数值计算工具——Numpy
4.1 数组的创建与操作
4.1.1 数组的创建
4.1.2 数组元素的获取
4.1.3 数组的常用属性
4.1.4 数组的形状处理
4.2 数组的基本运算符
4.2.1 四则运算
4.2.2 比较运算
4.2.3 广播运算
4.3 常用的数学和统计函数
4.4 线性代数的相关计算
4.4.1 矩阵乘法
4.4.2 diag函数的使用
4.4.3 特征根与特征向量
4.4.4 多元线性回归模型的解
4.4.5 多元一次方程组的求解
4.4.6 范数的计算
4.5 伪随机数的生成
4.6 本章小结
第5章 Python数据处理工具——Pandas
5.1 序列与数据框的构造
5.1.1 构造序列
5.1.2 构造数据框
5.2 外部数据的读取
5.2.1 文本文件的读取
5.2.2 电子表格的读取
5.2.3 数据库数据的读取
5.3 数据类型转换及描述统计
5.4 字符与日期数据的处理
5.5 常用的数据清洗方法
5.5.1 重复观测处理
5.5.2 缺失值处理
5.5.3 异常值处理
5.6 数据子集的获取
5.7 透视表功能
5.8 表之间的合并与连接
5.9 分组聚合操作
5.10 本章小结
第6章 Python数据可视化
6.1 离散型变量的可视化
6.1.1 饼图
6.1.2 条形图
6.2 数值型变量的可视化
6.2.1 直方图与核密度曲线
6.2.2 箱线图
6.2.3 小提琴图
6.2.4 折线图
6.3 关系型数据的可视化
6.3.1 散点图
6.3.2 气泡图
6.3.3 热力图
6.4 多个图形的合并
6.5 本章小结
第7章 线性回归预测模型
7.1 一元线性回归模型
7.2 多元线性回归模型
7.2.1 回归模型的参数求解
7.2.2 回归模型的预测
7.3 回归模型的假设检验
7.3.1 模型的显著性检验——F检验
7.3.2 回归系数的显著性检验——t检验
7.4 回归模型的诊断
7.4.1 正态性检验
7.4.2 多重共线性检验
7.4.3 线性相关性检验
7.4.4 异常值检验
7.4.5 独立性检验
7.4.6 方差齐性检验
7.5 本章小结
第8章 岭回归与LASSO回归模型
8.1 岭回归模型
8.1.1 参数求解
8.1.2 系数求解的几何意义
8.2 岭回归模型的应用
8.2.1 可视化方法确定λ值
8.2.2 交叉验证法确定λ值
8.2.3 模型的预测
8.3 LASSO回归模型
8.3.1 参数求解
8.3.2 系数求解的几何意义
8.4 LASSO回归模型的应用
8.4.1 可视化方法确定λ值
8.4.2 交叉验证法确定λ值
8.4.3 模型的预测
8.5 本章小结
第9章 Logistic回归分类模型
9.1 Logistic模型的构建
9.1.1 Logistic模型的参数求解
9.1.2 Logistic模型的参数解释
9.2 分类模型的评估方法
9.2.1 混淆矩阵
9.2.2 ROC曲线
9.2.3 K-S曲线
9.3 Logistic回归模型的应用
9.3.1 模型的构建
9.3.2 模型的预测
9.3.3 模型的评估
9.4 本章小结
第10章 决策树与随机森林
10.1 节点字段的选择
10.1.1 信息增益
10.1.2 信息增益率
10.1.3 基尼指数
10.2 决策树的剪枝
10.2.1 误差降低剪枝法
10.2.2 悲观剪枝法
10.2.3 代价复杂度剪枝法
10.3 随机森林
10.4 决策树与随机森林的应用
10.4.1 分类问题的解决
10.4.2 预测问题的解决
10.5 本章小结
第11章 KNN模型的应用
11.1 KNN算法的思想
11.2 最佳k值的选择
11.3 相似度的度量方法
11.3.1 欧式距离
11.3.2 曼哈顿距离
11.3.3 余弦相似度
11.3.4 杰卡德相似系数
11.4 近邻样本的搜寻方法
11.4.1 KD树搜寻法
11.4.2 球树搜寻法
11.5 KNN模型的应用
11.5.1 分类问题的解决
11.5.2 预测问题的解决
11.6 本章小结
第12章 朴素贝叶斯模型
12.1 朴素贝叶斯理论基础
12.2 几种贝叶斯模型
12.2.1 高斯贝叶斯分类器
12.2.2 高斯贝叶斯分类器的应用
12.2.3 多项式贝叶斯分类器
12.2.4 多项式贝叶斯分类器的应用
12.2.5 伯努利贝叶斯分类器
12.2.6 伯努利贝叶斯分类器的应用
12.3 本章小结
第13章 SVM模型的应用
13.1 SVM简介
13.1.1 距离公式的介绍
13.1.2 SVM的实现思想
13.2 几种常见的SVM模型
13.2.1 线性可分的SVM
13.2.2 一个手动计算的案例
13.2.3 近似线性可分SVM
13.2.4 非线性可分SVM
13.2.5 几种常用的SVM核函数
13.2.6 SVM的回归预测
13.3 分类问题的解决
13.4 预测问题的解决
13.5 本章小结
第14章 GBDT模型的应用
14.1 提升树算法
14.1.1 AdaBoost算法的损失函数
14.1.2 AdaBoost算法的操作步骤
14.1.3 AdaBoost算法的简单例子
14.1.4 AdaBoost算法的应用
14.2 梯度提升树算法
14.2.1 GBDT算法的操作步骤
14.2.2 GBDT分类算法
14.2.3 GBDT回归算法
14.2.4 GBDT算法的应用
14.3 非平衡数据的处理
14.4 XGBoost算法
14.4.1 XGBoost算法的损失函数
14.4.2 损失函数的演变
14.4.3 XGBoost算法的应用
14.5 本章小结
第15章 Kmeans聚类分析
15.1 Kmeans聚类
15.1.1 Kmeans的思想
15.1.2 Kmeans的原理
15.2 最佳k值的确定
15.2.1 拐点法
15.2.2 轮廓系数法
15.2.3 间隔统计量法
15.3 Kmeans聚类的应用
15.3.1 iris数据集的聚类
15.3.2 NBA球员数据集的聚类
15.4 Kmeans聚类的注意事项
15.5 本章小结
第16章 DBSCAN与层次聚类分析
16.1 密度聚类简介
16.1.1 密度聚类相关的概念
16.1.2 密度聚类的步骤
16.2 密度聚类与Kmeans的比较
16.3 层次聚类
16.3.1 簇间的距离度量
16.3.2 层次聚类的步骤
16.3.3 三种层次聚类的比较
16.4 密度聚类与层次聚类的应用
16.5 本章小结
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
