内容简介
本书内容由浅入深，实例指导性强，通过大量的实例讲述Python程序设计基础，同时结合Python语言的特性，讲解各类基于Python的大数据应用实例。本书全部例题代码适用于Python3.6及更高版本。全书共13章，主要内容包括大数据及Python概述，Python基础知识、程序流程控制结构、常用组合数据类型、函数与模块、面向对象程序设计、文件相关操作、数据预处理和数据分析、使用NumPy进行处理数据分析、使用Pandas处理结构化数据、使用NumPy和Pandas进行数据预处理、使用scikit-learn进行机器学习，以及综合案例。本书适合作为普通高等院校非计算机专业大数据相关课程的教材，也可以作为职业培训教育及相关技术人员的参考用书。
展开全文
- A-fy
- 54386-bq
- C-qy
- 前言
- D-ml
- 目录
- 01
- 大数据及Python概述
- 第1章
- 1.1 大数据的发展和现状
- 1.1.1 大数据的产生
- 1．运营式系统阶段
- 2．用户原创内容阶段
- 3．感知式系统阶段
- 1.1.2 大数据的发展历程
- 1．大数据萌芽阶段（1980年～2008年）
- 2．大数据发展阶段（2009年～2011年）
- 3．大数据爆发阶段（2012年～2016年）
- 4．大数据成熟阶段（2017年至今）
- 1.1.3 大数据国内外发展现状
- 1．国外发展现状
- 2．国内发展现状
- 1.2 大数据的概念
- 1.2.1 数据量大
- 1.2.2 数据类型繁多
- 1.2.3 处理速度快
- 1.2.4 价值密度低
- 1.3 大数据的应用
- 1.4 大数据的关键技术
- 1.4.1 大数据采集技术
- 1.4.2 大数据预处理技术
- 1．数据清理
- 2．数据集成
- 3．数据规约
- 1.4.3 大数据存储及管理技术
- 1.4.4 大数据分析及挖掘技术
- 1．分类
- 2．回归分析
- 3．聚类
- 4．关联规则
- 1.4.5 大数据展现与应用技术
- 1.5 大数据分析的现状和步骤
- 1.5.1 大数据分析的现状
- 1.5.2 大数据分析创造价值的步骤
- 1.6 Python在大数据应用中的重要性
- 1.7 Python与数据分析的关系
- 1.7.1 数据分析
- 1．海量数据背后蕴藏的知识
- 2．数据分析与数据挖掘的关系
- 3．机器学习和数据分析的关系
- 1.7.2 数据分析的基本步骤
- 1．明确分析目的和思想/提出假设
- 2．数据收集
- 3．数据预处理
- 4．数据分析与知识发现
- 5．数据后处理
- 1.7.3 Python与数据分析
- 1．Python作为黏合剂
- 2．Python是面向生产的
- 3．强大的第三方库的支持
- 1.7.4 数据分析相关的Python库
- 1．NumPy
- 2．Pandas
- 3．scikit-learn
- 4．Matplotlib
- 思考与练习
- 02
- Python基础知识
- 第2章
- 2.1 Python概述
- 2.1.1 Python语言的发展历程
- 2.1.2 Python的特点
- 2.1.3 Python的下载、安装与使用
- 1．Python 2.x和Python 3.x
- 2．下载Python的安装程序
- 3．安装Python
- 4．使用Python
- 5．Python脚本语言书写规范
- 2.1.4 Anaconda开发环境的安装和使用
- 1．Anaconda3下载与安装
- 2．Anaconda3组件介绍
- 2.2 基础数据类型
- 2.2.1 数字
- 2.2.2 字符串
- 1．字符串的引用与切片
- 2．字符串常用操作
- 2.3 常量与变量
- 2.4 运算符与表达式
- 2.4.1 算术运算符
- 2.4.2 关系运算符
- 2.4.3 逻辑运算符
- 2.4.4 位运算符
- 2.4.5 成员和身份运算符
- 2.4.6 赋值运算符
- 2.5 常用Python内置函数
- 2.5.1 基本输入/输出函数
- 1．input()函数
- 2．print()函数
- 2.5.2 常用转换函数
- 2.5.3 常用数学函数
- 1．abs()函数。
- 2．round()函数
- 3．max()与min()函数
- 4．sum()函数
- 2.5.4 其他常用函数
- 1．list()和tuple()函数
- 2．type()函数
- 3．id()函数
- 4．range()函数
- 5．sorted()函数
- 思考与练习
- 03
- 程序流程控制结构
- 第3章
- 3.1 顺序结构
- 3.2 分支结构
- 3.2.1 单分支结构
- 3.2.2 双分支结构
- 3.2.3 多分支结构
- 3.2.4 分支结构的嵌套
- 3.3 循环结构
- 3.3.1 while语句
- 3.3.2 for语句
- 3.3.3 循环控制语句
- 3.3.4 循环嵌套
- 思考与练习
- 04
- 常用组合数据类型
- 第4章
- 4.1 列表
- 4.1.1 列表的创建
- 4.1.2 列表的基本操作
- 1．访问列表元素
- 2．修改列表元素
- 3．移除列表元素
- 4．删除列表
- 5．遍历列表
- 4.1.3 列表常用方法
- 1．增加列表元素的方法
- 2．移除列表元素的方法
- 3．统计元素出现次数的方法
- 4．返回元素首次出现位置的方法
- 5．列表元素的排序方法
- 6．列表元素的浅复制和深复制
- 4.1.4 列表操作符
- 1．加法运算符
- 2．乘法运算符
- 3．成员运算符
- 4.1.5 内置函数对列表的操作
- 4.1.6 切片操作
- 1．获取列表的部分元素
- 2．增加列表元素
- 3．修改列表中的元素
- 4．删除列表中的元素
- 4.1.7 列表应用举例
- 4.2 元组
- 4.2.1 元组的创建
- 4.2.2 元组的基本操作
- 1．访问元组元素
- 2．删除元组
- 4.2.3 元组运算符
- 4.2.4 元组和列表的区别
- 4.2.5 元组应用举例
- 4.3 字典
- 4.3.1 字典的创建
- 4.3.2 字典的基本操作
- 1．访问字典元素
- 2．添加和修改字典元素
- 3．删除字典元素
- 4．in/not in运算
- 4.3.3 字典常用方法
- 1．update()方法
- 2．访问字典元素的方法
- 3．删除字典元素的方法
- 4.3.4 字典应用举例
- 4.4 集合
- 4.4.1 集合的创建
- 4.4.2 集合的基本操作
- 4.4.3 集合常用方法
- 1．添加集合元素
- 2．删除集合元素
- 3．复制集合的方法
- 4.4.4 集合运算符
- 1．并集运算符
- 2．交集运算符
- 3．差集运算符
- 4．对称差运算符
- 5．子集和超集
- 4.4.5 集合应用举例
- 思考与练习
- 05
- 函数与模块
- 第5章
- 5.1 函数概述
- 5.1.1 函数的功能
- 5.1.2 函数的分类
- 5.2 函数与匿名函数的定义和应用
- 5.2.1 函数的定义和应用
- 5.2.2 函数的返回值
- 5.2.3 匿名函数的定义与应用
- 5.3 函数的参数
- 5.3.1 形参和实参
- 5.3.2 参数的传递
- 5.3.3 参数类型
- 1．默认值参数
- 2．关键参数
- 3．可变长度参数
- 5.4 变量的作用域
- 5.4.1 局部变量
- 5.4.2 全局变量
- 5.5 函数的递归调用
- 5.6 模块
- 1．导入模块
- 2．模块位置搜索顺序
- 3．查看模块内容
- 5.7 常用标准模块
- 5.7.1 math模块
- 5.7.2 time模块
- 5.7.3 datetime模块
- 1．date类
- 2．time类
- 3．datetime类
- 5.7.4 calendar模块
- 5.7.5 random库
- 思考与练习
- 06
- 面向对象程序设计
- 第6章
- 6.1 面向对象概述
- 6.1.1 面向对象程序设计基础
- 1．封装性
- 2．继承性
- 3．多态性
- 6.1.2 类和对象
- 6.2 类的定义与使用
- 6.2.1 定义类
- 6.2.2 创建类的实例
- 6.2.3 构造方法和析构方法
- 1．构造方法
- 2．析构方法_ _del_ _()
- 6.2.4 类变量和实例变量
- 1．类变量
- 2．实例变量
- 6.2.5 访问限制
- 6.2.6 实例方法、类方法和静态方法
- 1．实例方法
- 2．类方法
- 3．静态方法
- 6.3 继承
- 6.3.1 类的继承
- 6.3.2 子类和父类的关系
- 6.3.3 方法重写
- 6.3.4 子类继承父类的构造方法
- 6.3.5 多重继承
- 6.4 多态
- 6.5 特殊变量、方法与运算符重载
- 6.5.1 特殊变量和方法
- 6.5.2 运算符重载
- 思考与练习
- 07
- 文件相关操作
- 第7章
- 7.1 文件的类型
- 7.2 文本文件和二进制文件的操作方法
- 7.2.1 打开和关闭文件
- 7.2.2 文件对象常用操作
- 7.2.3 上下文管理语句
- 7.3 CSV和JSON文件的操作方法
- 7.3.1 数据的维度
- 7.3.2 CSV文件操作
- 1．CSV格式一维数据处理
- 2．CSV格式二维数据处理
- 3．CSV模块
- 7.3.3 JSON文件操作
- 1．json.dumps()
- 2．json.loads()
- 3．json.dump()
- 4．json.load()
- 思考与练习
- 08
- 数据预处理和数据分析
- 第8章
- 8.1 了解数据
- 1．集中趋势
- 2．离散程度
- 3．相关性测量
- 4．数据缺失
- 5．噪声
- 6．离群点
- 8.2 数据质量
- 8.2.1 完整性
- 8.2.2 一致性
- 8.2.3 准确性
- 8.2.4 及时性
- 8.3 数据预处理
- 8.3.1 数据清洗
- 1．缺失值的处理
- 2．噪声数据的处理
- 3．不一致数据的处理
- 4．异常数据的处理
- 8.3.2 数据集成
- 1．模式集成问题
- 2．冗余问题
- 3．数据值冲突检测与消除问题
- 8.3.3 数据转换
- 1．平滑处理
- 2．合计处理
- 3．数据泛化处理
- 4．规格化处理
- 5．属性构造处理
- 8.3.4 数据消减
- 8.4 特征工程
- 8.4.1 特征选择
- 1．特征是否发散
- 2．特征是否与分析结果相关
- 3．特征信息是否冗余
- 1．单变量特征筛选
- 2．单特征模型筛选
- 3．L1、L2正则筛选
- 4．基于模型系数筛选
- 5．特征组合
- 6．基于深度学习
- 8.4.2 特征构建
- 1．时间序列处理
- 2．分解类别属性
- 3．分箱和分区
- 4．交叉特征
- 8.5 数据分析
- 8.5.1 数据分析常用分析思维模式
- 1．分类
- 2．回归
- 3．聚类
- 4．相似匹配
- 5．频繁项集
- 6．统计描述
- 7．链接预测
- 8．数据压缩
- 9．因果分析
- 8.5.2 数据分析的经典算法
- 1．分类分析
- 2．关联规则
- 3．聚类分析
- 4．回归分析
- 思考与练习
- 09
- 使用NumPy进行数据分析
- 第9章
- 9.1 NumPy概述
- 9.2 NumPy ndarray对象
- 9.3 NumPy数据类型
- 9.4 NumPy数组属性
- 9.5 NumPy创建数组
- 1．numpy.empty
- 2．numpy.zeros
- 3．numpy.ones
- 4．从数值范围创建数组
- 9.6 NumPy切片和索引
- 9.7 NumPy数组操作
- 9.7.1 修改数组形状
- 1．numpy.reshape()函数
- 2．numpy.ndarray.flat()函数
- 3．numpy.ndarray.flatten()函数
- 4．numpy.ravel函数
- 9.7.2 数组元素的添加与删除
- 1．numpy.resize()函数
- 2．numpy.append()函数
- 3．numpy.insert函数
- 4．numpy.delete()函数
- 5．numpy.unique()函数
- 9.8 NumPy字符串函数
- 9.9 NumPy Matplotlib
- 9.9.1 安装Matplotlib
- 9.9.2 图形中中文的显示
- 9.9.3 绘制单一图形
- 9.9.4 在同一图中绘制多张子图
- 9.9.5 生成条形图
- 9.9.6 生成频率分布图
- 9.9.7 生成直方图
- 思考与练习
- 10
- 使用Pandas处理结构化数据
- 第10章
- 10.1 Pandas数据结构——Series
- 10.1.1 Series基本概念及创建
- 10.1.2 Series的索引
- 1．位置下标索引
- 2．标签索引
- 3．切片索引
- 4．布尔型索引
- 10.1.3 Series的基本技巧
- 1．数据查看.head()
- 2．重新索引.reindex()
- 3．对齐.Series()
- 4．删除.drop()
- 5．添加、修改
- 10.2 Pandas数据结构——DataFrame
- 10.2.1 DataFrame基本概念及创建
- 10.2.2 DataFrame的索引
- 1．选择行
- 2．索引列
- 3．切片索引
- 4．布尔型索引
- 5．多重索引
- 10.2.3 DataFrame的基本技巧
- 1．数据查看和转置
- 2．修改、添加
- 3．删除值
- 4．对齐
- 5．排序
- 10.3 Pandas时间模块
- 10.4 Pandas时刻数据
- 10.5 Pandas时间戳索引
- 1．date_range()-日期范围：生成日期范围
- 2．date_range()-日期范围：超前/滞后数据
- 10.6 Pandas时期
- 10.7 时间序列——索引及切片
- 10.8 时间序列——重采样
- 10.9 数值计算和统计基础
- 10.10 文本数据
- 10.11 合并
- 10.12 连接与修补
- 10.13 去重及替换
- 10.14 数据分组
- 10.15 数据读取
- 思考与练习
- 11
- 使用NumPy和Pandas进行预处理
- 第11章
- 11.1 缺失值处理
- 11.1.1 判断是不是缺失值——isnull()、notnull()
- 11.1.2 删除缺失值——dropna()
- 11.1.3 填充/替换缺失值：fillna()、replace()
- 11.1.4 缺失值插补
- 1．均值/中位数/众数插补法
- 2．临近值插补法
- 3．拉格朗日插值法
- 11.2 异常值分析和处理
- 11.2.1 正态分布3σ原则
- 11.2.2 箱形图分析
- 11.3 数据归一化/标准化
- 11.3.1 0-1标准化
- 11.3.2 Z-score标准化
- 11.4 数据连续属性离散化
- 11.4.1 等宽法
- 11.4.2 等频法
- 11.5 数据预处理案例——分析各省市各年度的流感人口数据
- 11.5.1 数据介绍和任务要求
- 11.5.2 流感数据的读取与清洗
- 1．读取第一年流感数据
- 2．对第一年的数据进行预处理
- 3．批量读取连接数据
- 11.5.3 检查数据
- 11.5.4 人口数据的清洗与重塑
- 11.5.5 拼接数据
- 思考与练习
- 12
- 使用scikit-learn进行机器学习
- 第12章
- 12.1 常用模块
- 12.1.1 分类方法
- 1．逻辑回归
- 2．支持向量机
- 3．最近邻
- 4．决策树
- 5．朴素贝叶斯
- 12.1.2 回归方法
- 1．最小二乘法
- 2．岭回归
- 3．Lasso
- 12.1.3 聚类方法
- 1．K-means算法
- 2．SpectralClustering算法
- 12.1.4 模型选择
- 12.2 机器学习案例——识别Iris（鸢尾花）类别
- 12.2.1 加载数据
- 12.2.2 数据可视化
- 12.2.3 使用逻辑回归分类器识别
- 12.2.4 可视化模型结果
- 思考与练习
- 13
- 综合案例
- 第13章
- 13.1 综合案例1——利用USDA食品数据库简单分析食品的营养成分
- 13.1.1 数据介绍和任务要求
- 13.1.2 数据预处理和数据拼接
- 13.1.3 数据分析
- 13.2 综合案例2——利用泰坦尼克号数据进行生还者分析
- 13.2.1 泰坦尼克号问题之背景
- 13.2.2 问题解决方法
- 13.2.3 读取和认识数据
- 1．乘客各属性分布
- 2．属性与获救结果的关联统计
- 3．简单数据预处理
- 13.2.4 逻辑回归建模
- 13.2.5 交叉验证
- 13.2.6 学习曲线
- 13.2.7 总结
- 思考与练习
- ck
- 参考文献
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2020
作者：吕会红 邱静怡
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《Python大数据应用基础》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
出版时间：2020
作者：吕会红 邱静怡
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《Python大数据应用基础》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
Python大数据应用基础
免费读 (VIP)