Python数据分析与挖掘实战电子书

内容提要

大数据专业系列图书专家委员会

前言

基础篇

第1章 数据挖掘基础

1.1 数据挖掘发展史

1.2 数据挖掘的常用方法

1.3 数据挖掘的通用流程

1.3.1 目标分析

1.3.2 数据抽取

1.3.3 数据探索

1.3.4 数据预处理

1.3.5 分析与建模

1.3.6 模型评价

1.4 常用数据挖掘工具

1.5 Python数据挖掘环境配置

小结

课后习题

第2章 Python数据挖掘编程基础

2.1 Python使用入门

2.1.1 基本命令

2.1.2 判断与循环

2.1.3 函数

2.1.4 库的导入与添加

2.2 Python数据分析预处理的常用库

2.2.1 NumPy

2.2.2 pandas

2.2.3 Matplotlib

2.3 Python数据挖掘建模的常用库和框架

2.3.1 scikit-learn

2.3.2 深度学习框架

2.3.3 其他

小结

实训 判断、函数、类型转换的使用

课后习题

第3章 数据探索

3.1 数据校验

3.1.1 一致性校验

3.1.2 缺失值校验

3.1.3 异常值校验

3.2 数据特征分析

3.2.1 描述性统计分析

3.2.2 分布分析

3.2.3 对比分析

3.2.4 周期性分析

3.2.5 贡献度分析

3.2.6 相关性分析

小结

实训

实训1 分布分析、描述性统计分析和贡献度分析

实训2 对比分析、相关性分析和周期性分析

课后习题

第4章 数据预处理

4.1 数据清洗

4.1.1 重复值处理

4.1.2 缺失值处理

4.1.3 异常值处理

4.2 数据变换

4.2.1 简单函数变换

4.2.2 数据标准化

4.2.3 数据离散化

4.2.4 独热编码

4.3 数据合并

4.3.1 多表合并

4.3.2 分组聚合

小结

实训

实训1 数据清洗

实训2 数据变换

实训3 数据合并

课后习题

第5章 数据挖掘算法基础

5.1 分类与回归

5.1.1 常用的分类与回归算法

5.1.2 分类与回归模型评价

5.1.3 线性模型

5.1.4 决策树

5.1.5 最近邻分类

5.1.6 支持向量机

5.1.7 神经网络

5.1.8 集成算法

5.2 聚类

5.2.1 常用的聚类算法

5.2.2 聚类模型评价

5.2.3 K-Means算法

5.2.4 密度聚类

5.2.5 层次聚类

5.3 关联规则

5.3.1 常用关联规则算法

5.3.2 Apriori算法

5.4 智能推荐

5.4.1 常用智能推荐算法

5.4.2 智能推荐模型评价

5.4.3 协同过滤推荐算法

5.4.4 基于流行度的推荐算法

5.5 时间序列

5.5.1 时间序列算法

5.5.2 时间序列的预处理

5.5.3 平稳序列分析

5.5.4 非平稳序列分析

实训

实训1 使用分类算法实现客户流失预测

实训2 使用K-Means聚类算法实现超市顾客聚类分析

实训3 使用Apriori算法挖掘网址间的相关关系

实训4 使用协同过滤推荐算法实现对用户进行品牌的个性化推荐

实训5 使用ARIMA算法实现气温预测

课后习题

实战篇

第6章 信用卡高风险客户识别

6.1 背景与目标

6.1.1 背景

6.1.2 数据说明

6.1.3 目标

6.2 数据探索

6.2.1 描述性统计分析

6.2.2 客户历史信用记录

6.2.3 客户经济情况

6.2.4 客户经济风险情况

6.3 数据预处理

6.3.1 数据清洗

6.3.2 属性构造

6.4 分析与建模

6.4.1 参数寻优

6.4.2 构建聚类模型

6.4.3 信用卡客户风险分析

6.5 模型评价

小结

实训 使用K-Means聚类算法实现运营商客户价值分析

课后习题

第7章 餐饮企业菜品关联分析

7.1 背景与目标

7.1.1 背景

7.1.2 数据说明

7.1.3 目标

7.2 数据探索

7.2.1 分析每日用餐人数和营业额

7.2.2 分析菜品热销度

7.3 数据预处理

7.3.1 数据清洗

7.3.2 属性构造

7.4 分析与建模

7.4.1 构建Apriori模型

7.4.2 训练模型

7.5 模型评价

小结

实训 西饼屋订单关联分析

课后习题

第8章 金融服务机构资金流量预测

8.1 背景与目标

8.1.1 背景

8.1.2 数据说明

8.1.3 目标

8.2 数据预处理

8.2.1 属性构造

8.2.2 截取平稳部分数据

8.2.3 周期性差分

8.2.4 平稳性检验和白噪声检验

8.3 分析与建模

8.3.1 时间序列模型的定阶

8.3.2 模型检验

8.4 模型评价

小结

实训 构建ARIMA模型预测资金赎回数据

课后习题

第9章 O2O优惠券使用预测

9.1 背景与目标

9.1.1 背景

9.1.2 数据说明

9.1.3 目标

9.2 数据探索

9.2.1 描述性统计分析

9.2.2 分析优惠形式信息

9.2.3 分析用户消费行为信息

9.2.4 分析商户投放优惠券信息

9.3 数据预处理

9.3.1 数据清洗

9.3.2 数据变换

9.4 分析与建模

9.4.1 决策树分类模型

9.4.2 梯度提升分类模型

9.4.3 XGBoost分类模型

9.5 模型评价

小结

实训 运营商客户流失预测

课后习题

第10章 电视产品个性化推荐

10.1 背景与目标

10.1.1 背景

10.1.2 数据说明

10.1.3 目标

10.2 数据预处理

10.2.1 数据清洗

10.2.2 数据探索

10.2.3 属性构造

10.3 分析与建模

10.3.1 基于物品的协同过滤推荐模型

10.3.2 基于流行度的推荐模型

10.4 模型评价

小结

实训 网页浏览个性化推荐

课后习题

第11章 基于TipDM大数据挖掘建模平台实现金融服务机构资金流量预测

11.1 平台简介

11.1.1 实训库

11.1.2 数据连接

11.1.3 实训数据

11.1.4 我的实训

11.1.5 系统算法

11.1.6 个人算法

11.2 快速构建金融服务机构资金流量预测实训

11.2.1 数据源配置

11.2.2 属性构造

11.2.3 数据筛选

11.2.4 周期性差分

11.2.5 序列检验

11.2.6 分析与建模

小结

实训 构建ARIMA模型预测航空公司乘客量数据

课后习题