内容简介
本书面向大数据应用型人才，以任务为导向，系统地介绍Python数据分析与挖掘的常用技术与真实案例。全书共7章，第1、2章介绍Python数据分析的常用模块及其应用，涵盖NumPy数值计算模块、pandas数据分析模块，较为系统地阐述Python数据分析的方法；第3、4章介绍轻量级的数据交换格式JSON和连接MySQL数据库的pymysql模块，并以此进行数据综合案例的分析；第5章介绍Matplotlib可视化模块，用于绘制一些统计图形；第6章主要讲解Flask框架结合ECharts实现可视化效果；第7章主要讲解在机器学习和数据挖掘中sklearn模块的应用。
本书适合作为高等院校大数据专业、人工智能专业的Python教材，也可作为Python相关培训的教材。
展开全文
- 封面
- 扉页
- 版权信息
- 内容提要
- 前言
- 第1章 数值计算模块NumPy
- 1.1 NumPy数组的创建与保存
- 1.1.1 使用基本方法创建数组
- 1.1.2 使用通用方法创建数组
- 1.1.3 读取外部数据创建数组
- 1.1.4 将数组保存为文本文件
- 1.2 NumPy数组的操作
- 1.2.1 数组的数据类型操作
- 1.2.2 数组的形状及其相关操作
- 1.2.3 数组元素访问：索引与切片
- 1.2.4 数组运算
- 1.3 NumPy数组常用函数
- 1.3.1 统计函数
- 1.3.2 逻辑函数
- 1.3.3 离散差分函数和梯度函数
- 1.3.4 随机函数
- 1.3.5 其他常用函数
- 1.4 股价统计分析案例
- 1.4.1 读取南方股价数据文件
- 1.4.2 计算市盈率
- 1.4.3 计算成交额加权平均价格
- 1.4.4 计算股价的极值
- 1.4.5 计算股价的方差与标准差
- 1.4.6 计算股票收益率和波动率
- 1.4.7 求平均收盘价极值分别在星期几
- 第2章 数据分析模块pandas
- 2.1 pandas基础
- 2.1.1 pandas简介
- 2.1.2 pandas的数据结构
- 2.1.3 pandas的安装和导入
- 2.1.4 pandas数据结构的运算操作
- 2.2 从文件读取数据构建DataFrame
- 2.2.1 读取CSV文件
- 2.2.2 读取TXT文件
- 2.2.3 读取Excel文件中的数据
- 2.2.4 将DataFrame保存为CSV文件
- 2.3 DataFrame的访问与删除
- 2.3.1 访问方式
- 2.3.2 行列的删除
- 2.3.3 DataFrame的访问实例
- 2.4 时间类型数据的转换与处理
- 2.4.1 使用pd.to_datetime()方法
- 2.4.2 提取年月日、时分秒、季节、星期
- 2.4.3 批量处理Datetime数据
- 2.5 数据的清洗
- 2.5.1 查找所有存在缺失值的行
- 2.5.2 删除缺失值
- 2.5.3 填充缺失值
- 2.5.4 重复值的处理
- 2.5.5 设置与重置索引
- 2.6 数据的整理
- 2.6.1 列内容的模糊筛选
- 2.6.2 列数据的转换
- 2.6.3 数据的处理
- 2.7 数据的分析统计
- 2.7.1 数据的描述性分析
- 2.7.2 数据的分组分析
- 2.7.3 连续数据分区
- 2.7.4 数据的相关性分析
- 第3章 JSON模块与格式转换
- 3.1 JSON对象与Python对象
- 3.1.1 将Python对象转换为JSON对象
- 3.1.2 将JSON对象转换为Python对象
- 3.1.3 Python对象和JSON对象的对比
- 3.2 JSON文件的读操作
- 3.2.1 保存JSON文件
- 3.2.2 读取JSON文件
- 3.2.3 JSON模块的4个函数
- 3.3 JSON文件的练习
- 3.3.1 读取JSON文件
- 3.3.2 使用pprint()方法
- 3.4 打开文件
- 3.4.1 引入with打开文件的原因
- 3.4.2 使用with open() as读/写文件
- 第4章 连接MySQL数据库的pymysql模块
- 4.1 在Python 3中连接MySQL
- 4.1.1 游标简介
- 4.1.2 使用pymysql连接MySQL
- 4.1.3 pymysql.connect()函数的参数与实例
- 4.2 pymysql的基本使用方法
- 4.2.2 返回字典格式数据
- 4.2.3 pymysql与pandas结合
- 第5章 Matplotlib可视化模块
- 5.1 确定画布的大小和格局
- 5.1.1 主画布的设置
- 5.1.2 Matplotlib属性的设置
- 5.1.3 增加子图
- 5.1.4 解决子图标题重叠问题
- 5.2 绘制折线图和散点图
- 5.2.1 plt.plot()函数的语法与基本使用方法
- 5.2.2 图形的主要设置
- 5.2.3 设置x、y轴坐标刻度
- 5.2.4 在图上添加注释
- 5.2.5 使用plt.plot()函数绘制散点图
- 5.3 使用plt.scatter()函数绘制散点图
- 5.4 使用plt.bar()函数绘制条形图
- 5.4.1 plt.bar()函数的语法与参数
- 5.4.2 绘制堆叠条形图
- 5.4.3 绘制并列条形图
- 5.4.4 绘制条形图（横图）
- 5.4.5 绘制正负条形图
- 5.5 使用plt.hist()函数绘制直方图
- 5.5.1 直方图与条形图的区别
- 5.5.2 绘制直方图的一般格式
- 5.6 绘制箱形图
- 5.6.1 箱形图的组成、形状与作用
- 5.6.2 绘制箱形图
- 5.6.3 给箱形图添加注释
- 5.7 雷达图
- 5.7.1 极坐标
- 5.7.2 绘制雷达图
- 5.8 三维图
- 5.9 通过DataFrame生成折线图
- 第6章 Flask框架与ECharts可视化
- 6.1 Flask框架的基本概念与使用方法
- 6.1.1 Flask框架的基本使用方法
- 6.1.2 Flask框架的概念与更多使用方法
- 6.2 ECharts的使用方法
- 6.2.1 下载ECharts视图示例网页
- 6.2.2 编写Flask程序调用示例网页
- 6.3 使用Flask框架结合ECharts实现动态视图
- 6.3.1 准备JS支持文件
- 6.3.2 在Flask框架的程序中定义数据
- 6.3.3 修改HTML以适应Flask动态数据
- 6.4 使用Flask+MySQL+ECharts实现联动视图
- 6.4.1 数据库及表的准备工作
- 6.4.2 选择简单柱状图作为模板
- 6.4.3 从MySQL数据库中获取数据并在ECharts视图中展示
- 第7章 机器学习模块sklearn
- 7.1 sklearn线性回归
- 7.1.1 一元线性回归模型的训练
- 7.1.2 线性回归模型的评估方法
- 7.1.3 分割数据集的方法
- 7.1.4 最小二乘法线性回归
- 7.2 sklearn分类算法
- 7.2.1 与分类器相关的概念
- 7.2.2 K近邻查询算法
- 7.2.3 贝叶斯算法
- 7.2.4 决策树算法
- 7.2.5 随机森林算法
- 7.2.6 SVM算法
- 7.3 sklearn聚类算法
- 7.3.1 K均值聚类算法的基本原理
- 7.3.2 K均值聚类算法的主要参数
- 7.3.3 根据身高、体重和性别聚类
- 7.3.4 对鸢尾花数据进行K均值聚类
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2023
作者：杨玲
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数据分析与挖掘》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：2023
作者：杨玲
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数据分析与挖掘》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数据分析与挖掘
免费读 (VIP)