Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)

定　價：￥69.00

作　者：	張良均王路譚立云蘇劍林等
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	計(jì)算機(jī)/網(wǎng)絡(luò) 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘數(shù)據(jù)庫

購買這本書可以去

ISBN：	9787111521235	出版時間：	2015-12-01	包裝：	平裝
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　10余位數(shù)據(jù)挖掘領(lǐng)域資深專家和科研人員，10余年大數(shù)據(jù)挖掘咨詢與實(shí)施經(jīng)驗(yàn)結(jié)晶。從數(shù)據(jù)挖掘的應(yīng)用出發(fā)，以電力、航空、醫(yī)療、互聯(lián)網(wǎng)、生產(chǎn)制造以及公共服務(wù)等行業(yè)真實(shí)案例為主線，深入淺出介紹Python數(shù)據(jù)挖掘建模過程，實(shí)踐性極強(qiáng)。本書共15章，分兩個部分：基礎(chǔ)篇、實(shí)戰(zhàn)篇?；A(chǔ)篇介紹了數(shù)據(jù)挖掘的基本原理，實(shí)戰(zhàn)篇介紹了一個個真實(shí)案例，通過對案例深入淺出的剖析，使讀者在不知不覺中通過案例實(shí)踐獲得數(shù)據(jù)挖掘項(xiàng)目經(jīng)驗(yàn)，同時快速領(lǐng)悟看似難懂的數(shù)據(jù)挖掘理論。讀者在閱讀過程中，應(yīng)充分利用隨書配套的案例建模數(shù)據(jù)，借助相關(guān)的數(shù)據(jù)挖掘建模工具，通過上機(jī)實(shí)驗(yàn)，以快速理解相關(guān)知識與理論?；A(chǔ)篇（第1～5章），第1章的主要內(nèi)容是數(shù)據(jù)挖掘概述；第2章對本書所用到的數(shù)據(jù)挖掘建模工具Python語言進(jìn)行了簡明扼要的說明；第3章、第4章、第5章對數(shù)據(jù)挖掘的建模過程，包括數(shù)據(jù)探索、數(shù)據(jù)預(yù)處理及挖掘建模的常用算法與原理進(jìn)行了介紹。實(shí)戰(zhàn)篇（第6～15章），重點(diǎn)對數(shù)據(jù)挖掘技術(shù)在電力、航空、醫(yī)療、互聯(lián)網(wǎng)、生產(chǎn)制造以及公共服務(wù)等行業(yè)的應(yīng)用進(jìn)行了分析。在案例結(jié)構(gòu)組織上，本書是按照先介紹案例背景與挖掘目標(biāo)，再闡述分析方法與過程，最后完成模型構(gòu)建的順序進(jìn)行的，在建模過程的關(guān)鍵環(huán)節(jié)，穿插程序?qū)崿F(xiàn)代碼。最后通過上機(jī)實(shí)踐，加深讀者對數(shù)據(jù)挖掘技術(shù)在案例應(yīng)用中的理解。

作者簡介

　　張良均資深大數(shù)據(jù)挖掘?qū)＜液湍Ｊ阶R別專家，高級信息項(xiàng)目管理師，有10多年的大數(shù)據(jù)挖掘應(yīng)用、咨詢和培訓(xùn)經(jīng)驗(yàn)。為電信、電力、政府、互聯(lián)網(wǎng)、生產(chǎn)制造、零售、銀行、生物、化工、醫(yī)藥等多個行業(yè)上百家大型企業(yè)提供過數(shù)據(jù)挖掘應(yīng)用與咨詢服務(wù)，實(shí)踐經(jīng)驗(yàn)非常豐富。此外，他精通Java EE企業(yè)級應(yīng)用開發(fā)，是廣東工業(yè)大學(xué)、華南師范大學(xué)、華南農(nóng)業(yè)大學(xué)、貴州師范學(xué)院、韓山師范學(xué)院、廣東技術(shù)師范學(xué)院兼職教授，著有《神經(jīng)網(wǎng)絡(luò)實(shí)用教程》、《數(shù)據(jù)挖掘：實(shí)用案例分析》、《MATLAB數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》《R語言數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》等暢銷書。

圖書目錄

前　言
基　礎(chǔ)　篇
第1章　數(shù)據(jù)挖掘基礎(chǔ)2
1.1　某知名連鎖餐飲企業(yè)的困惑2
1.2　從餐飲服務(wù)到數(shù)據(jù)挖掘3
1.3　數(shù)據(jù)挖掘的基本任務(wù)4
1.4　數(shù)據(jù)挖掘建模過程4
1.4.1　定義挖掘目標(biāo)4
1.4.2　數(shù)據(jù)取樣5
1.4.3　數(shù)據(jù)探索6
1.4.4　數(shù)據(jù)預(yù)處理7
1.4.5　挖掘建模7
1.4.6　模型評價7
1.5　常用的數(shù)據(jù)挖掘建模工具7
1.6　小結(jié)9
第2章　Python數(shù)據(jù)分析簡介10
2.1　搭建Python開發(fā)平臺12
2.1.1　所要考慮的問題12
2.1.2　基礎(chǔ)平臺的搭建12
2.2　Python使用入門13
2.2.1　運(yùn)行方式14
2.2.2　基本命令15
2.2.3　數(shù)據(jù)結(jié)構(gòu)17
2.2.4　庫的導(dǎo)入與添加20
2.3　Python數(shù)據(jù)分析工具22
2.3.1　Numpy23
2.3.2　Scipy24
2.3.3　Matplotlib24
2.3.4　Pandas26
2.3.5　StatsModels27
2.3.6　Scikit-Learn28
2.3.7　Keras29
2.3.8　Gensim30
2.4　配套資源使用設(shè)置31
2.5　小結(jié)32
第3章　數(shù)據(jù)探索33
3.1　數(shù)據(jù)質(zhì)量分析33
3.1.1　缺失值分析34
3.1.2　異常值分析34
3.1.3　一致性分析37
3.2　數(shù)據(jù)特征分析37
3.2.1　分布分析37
3.2.2　對比分析40
3.2.3　統(tǒng)計(jì)量分析41
3.2.4　周期性分析44
3.2.5　貢獻(xiàn)度分析45
3.2.6　相關(guān)性分析47
3.3　Python主要數(shù)據(jù)探索函數(shù)50
3.3.1　基本統(tǒng)計(jì)特征函數(shù)50
3.3.2　拓展統(tǒng)計(jì)特征函數(shù)53
3.3.3　統(tǒng)計(jì)作圖函數(shù)54
3.4　小結(jié)59
第4章　數(shù)據(jù)預(yù)處理60
4.1　數(shù)據(jù)清洗60
4.1.1　缺失值處理60
4.1.2　異常值處理64
4.2　數(shù)據(jù)集成64
4.2.1　實(shí)體識別64
4.2.2　冗余屬性識別65
4.3　數(shù)據(jù)變換65
4.3.1　簡單函數(shù)變換65
4.3.2　規(guī)范化66
4.3.3　連續(xù)屬性離散化68
4.3.4　屬性構(gòu)造70
4.3.5　小波變換71
4.4　數(shù)據(jù)規(guī)約74
4.4.1　屬性規(guī)約74
4.4.2　數(shù)值規(guī)約77
4.5　Python主要數(shù)據(jù)預(yù)處理函數(shù)80
4.6　小結(jié)81
第5章　挖掘建模83
5.1　分類與預(yù)測83
5.1.1　實(shí)現(xiàn)過程83
5.1.2　常用的分類與預(yù)測算法84
5.1.3　回歸分析85
5.1.4　決策樹89
5.1.5　人工神經(jīng)網(wǎng)絡(luò)95
5.1.6　分類與預(yù)測算法評價100
5.1.7　Python分類預(yù)測模型特點(diǎn)103
5.2　聚類分析104
5.2.1　常用聚類分析算法104
5.2.2　K-Means聚類算法105
5.2.3　聚類分析算法評價111
5.2.4　Python主要聚類分析算法111
5.3　關(guān)聯(lián)規(guī)則113
5.3.1　常用關(guān)聯(lián)規(guī)則算法114
5.3.2　Apriori算法114
5.4　時序模式119
5.4.1　時間序列算法120
5.4.2　時間序列的預(yù)處理120
5.4.3　平穩(wěn)時間序列分析122
5.4.4　非平穩(wěn)時間序列分析124
5.4.5　Python主要時序模式算法132
5.5　離群點(diǎn)檢測134
5.5.1　離群點(diǎn)檢測方法135
5.5.2　基于模型的離群點(diǎn)檢測方法136
5.5.3　基于聚類的離群點(diǎn)檢測方法138
5.6　小結(jié)141
實(shí)　戰(zhàn)　篇
第6章　電力竊漏電用戶自動識別144
6.1　背景與挖掘目標(biāo)144
6.2　分析方法與過程147
6.2.1　數(shù)據(jù)抽取148
6.2.2　數(shù)據(jù)探索分析148
6.2.3　數(shù)據(jù)預(yù)處理151
6.2.4　構(gòu)建專家樣本156
6.2.5　模型構(gòu)建157
6.3　上機(jī)實(shí)驗(yàn)161
6.4　拓展思考162
6.5　小結(jié)163
第7章　航空公司客戶價值分析164
7.1　背景與挖掘目標(biāo)164
7.2　分析方法與過程166
7.2.1　數(shù)據(jù)抽取168
7.2.2　數(shù)據(jù)探索分析168
7.2.3　數(shù)據(jù)預(yù)處理169
7.2.4　模型構(gòu)建173
7.3　上機(jī)實(shí)驗(yàn)177
7.4　拓展思考178
7.5　小結(jié)179
第8章　中醫(yī)證型關(guān)聯(lián)規(guī)則挖掘180
8.1　背景與挖掘目標(biāo)180
8.2　分析方法與過程181
8.2.1　數(shù)據(jù)獲取183
8.2.2　數(shù)據(jù)預(yù)處理186
8.2.3　模型構(gòu)建190
8.3　上機(jī)實(shí)驗(yàn)193
8.4　拓展思考194
8.5　小結(jié)194
第9章　基于水色圖像的水質(zhì)評價195
9.1　背景與挖掘目標(biāo)195
9.2　分析方法與過程195
9.2.1　數(shù)據(jù)預(yù)處理197
9.2.2　模型構(gòu)建199
9.2.3　水質(zhì)評價201
9.3　上機(jī)實(shí)驗(yàn)202
9.4　拓展思考202
9.5　小結(jié)203
第10章　家用電器用戶行為分析與事件識別204
10.1　背景與挖掘目標(biāo)204
10.2　分析方法與過程205
10.2.1　數(shù)據(jù)抽取206
10.2.2　數(shù)據(jù)探索分析207
10.2.3　數(shù)據(jù)預(yù)處理207
10.2.4　模型構(gòu)建217
10.2.5　模型檢驗(yàn)219
10.3　上機(jī)實(shí)驗(yàn)220
10.4　拓展思考221
10.5　小結(jié)222
第11章　應(yīng)用系統(tǒng)負(fù)載分析與磁盤容量預(yù)測223
11.1　背景與挖掘目標(biāo)223
11.2　分析方法與過程225
11.2.1　數(shù)據(jù)抽取226
11.2.2　數(shù)據(jù)探索分析226
11.2.3　數(shù)據(jù)預(yù)處理227
11.2.4　模型構(gòu)建229
11.3　上機(jī)實(shí)驗(yàn)235
11.4　拓展思考236
11.5　小結(jié)237
第12章　電子商務(wù)網(wǎng)站用戶行為分析及服務(wù)推薦238
12.1　背景與挖掘目標(biāo)238
12.2　分析方法與過程240
12.2.1　數(shù)據(jù)抽取242
12.2.2　數(shù)據(jù)探索分析244
12.2.3　數(shù)據(jù)預(yù)處理251
12.2.4　模型構(gòu)建256
12.3　上機(jī)實(shí)驗(yàn)266
12.4　拓展思考267
12.5　小結(jié)269
第13章　財(cái)政收入影響因素分析及預(yù)測模型270
13.1　背景與挖掘目標(biāo)270
13.2　分析方法與過程272
13.2.1　灰色預(yù)測與神經(jīng)網(wǎng)絡(luò)的組合模型273
13.2.2　數(shù)據(jù)探索分析274
13.2.3　模型構(gòu)建277
13.3　上機(jī)實(shí)驗(yàn)294
13.4　拓展思考295
13.5　小結(jié)296
第14章　基于基站定位數(shù)據(jù)的商圈分析297
14.1　背景與挖掘目標(biāo)297
14.2　分析方法與過程299
14.2.1　數(shù)據(jù)抽取299
14.2.2　數(shù)據(jù)探索分析299
14.2.3　數(shù)據(jù)預(yù)處理301
14.2.4　模型構(gòu)建304
14.3　上機(jī)實(shí)驗(yàn)308
14.4　拓展思考309
14.5　小結(jié)309
第15章　電商產(chǎn)品評論數(shù)據(jù)情感分析310
15.1　背景與挖掘目標(biāo)310
15.2　分析方法與過程310
15.2.1　評論數(shù)據(jù)采集311
15.2.2　評論預(yù)處理314
15.2.3　文本評論分詞320
15.2.4　模型構(gòu)建320
15.3　上機(jī)實(shí)驗(yàn)333
15.4　拓展思考334
15.5　小結(jié)335
參考文獻(xiàn)336