编辑推荐
本书采用了以任务为导向的教学模式，按照解决实际任务的工作流程路线，逐步展开介绍相关的理论知识点，推导生成可行的解决方案， 后落实在任务实现环节。
全书大部分章节紧扣任务需求展开，不堆积知识点，着重于解决问题时思路的启发与方案的实施。通过从任务需求到实现这一完整工作流程的体验，帮助读者真正理解与消化Python数据分析与应用。
书中案例全部源于企业真实项目，可操作性强，引导读者融会贯通，并提供源代码等相关学习资源，帮助读者快速掌握大数据相关技能。
内容简介
本书以任务为导向，全面地介绍数据分析的流程和 Python 数据分析库的应用，详细讲解利用Python解决企业实际问题的方法。全书共9章，第1章介绍了数据分析的基本概念等相关知识；第2～6章介绍了Python数据分析的常用库及其应用，涵盖NumPy数值计算、Matplotlib数据可视化、pandas统计分析、使用pandas进行数据预处理、使用scikit-learn构建模型，较为全面地阐述了Python数据分析方法；第7～9章结合之前所学的数据分析技术，进行企业综合案例数据分析。除第1章外，本书各章都包含了实训与课后习题，通过练习和操作实践，帮助读者巩固所学的内容。
本书可以作为高校大数据技术类专业的教材，也可作为大数据技术爱好者的自学用书。
展开全文
- 封面
- 扉页
- 版权信息
- 内容提要
- 大数据专业系列图书编写委员会
- 序
- 前言
- 第1章 Python数据分析概述
- 任务1.1 认识数据分析
- 1.1.1 掌握数据分析的概念
- 1.1.2 掌握数据分析的流程
- 1.1.3 了解数据分析应用场景
- 任务1.2 熟悉Python数据分析的工具
- 1.2.1 了解数据分析常用工具
- 1.2.2 了解Python数据分析的优势
- 1.2.3 了解Python数据分析常用类库
- 任务1.3 安装Python的Anaconda发行版
- 1.3.1 了解Python的Anaconda发行版
- 1.3.2 在Windows系统中安装Anaconda
- 1.3.3 在Linux系统中安装Anaconda
- 任务1.4 掌握Jupyter Notebook常用功能
- 1.4.1 掌握Jupyter Notebook的基本功能
- 1.4.2 掌握Jupyter Notebook的高级功能
- 小结
- 课后习题
- 第2章 NumPy数值计算基础
- 任务2.1 掌握NumPy数组对象ndarray
- 2.1.1 创建数组对象
- 2.1.2 生成随机数
- 2.1.3 通过索引访问数组
- 2.1.4 变换数组的形态
- 任务2.2 掌握NumPy矩阵与通用函数
- 2.2.1 创建NumPy矩阵
- 2.2.2 掌握ufunc函数
- 任务2.3 利用NumPy进行统计分析
- 2.3.1 读/写文件
- 2.3.2 使用函数进行简单的统计分析
- 2.3.3 任务实现
- 小结
- 实训
- 实训1 创建数组并进行运算
- 实训2 创建一个国际象棋的棋盘
- 课后习题
- 第3章 Matplotlib数据可视化基础
- 任务3.1 掌握绘图基础语法与常用参数
- 3.1.1 掌握pyplot基础语法
- 3.1.2 设置pyplot的动态rc参数
- 任务3.2 分析特征间的关系
- 3.2.1 绘制散点图
- 3.2.2 绘制折线图
- 3.2.3 任务实现
- 任务3.3 分析特征内部数据分布与分散状况
- 3.3.1 绘制直方图
- 3.3.2 绘制饼图
- 3.3.3 绘制箱线图
- 3.3.4 任务实现
- 小结
- 实训
- 实训1 分析1996～2015年人口数据特征间的关系
- 实训2 分析1996～2015年人口数据各个特征的分布与分散状况
- 课后习题
- 第4章 pandas统计分析基础
- 任务4.1 读/写不同数据源的数据
- 4.1.1 读/写数据库数据
- 4.1.2 读/写文本文件
- 4.1.3 读/写Excel文件
- 4.1.4 任务实现
- 任务4.2 掌握DataFrame的常用操作
- 4.2.1 查看DataFrame的常用属性
- 4.2.2 查改增删DataFrame数据
- 4.2.3 描述分析DataFrame数据
- 4.2.4 任务实现
- 任务4.3 转换与处理时间序列数据
- 4.3.1 转换字符串时间为标准时间
- 4.3.2 提取时间序列数据信息
- 4.3.3 加减时间数据
- 4.3.4 任务实现
- 任务4.4 使用分组聚合进行组内计算
- 4.4.1 使用groupby方法拆分数据
- 4.4.2 使用agg方法聚合数据
- 4.4.3 使用apply方法聚合数据
- 4.4.4 使用transform方法聚合数据
- 4.4.5 任务实现
- 任务4.5 创建透视表与交叉表
- 4.5.1 使用pivot_table函数创建透视表
- 4.5.2 使用crosstab函数创建交叉表
- 4.5.3 任务实现
- 小结
- 实训
- 实训1 读取并查看P2P网络贷款数据主表的基本信息
- 实训2 提取用户信息更新表和登录信息表的时间信息
- 实训3 使用分组聚合方法进一步分析用户信息更新表和登录信息表
- 实训4 对用户信息更新表和登录信息表进行长宽表转换
- 课后习题
- 第5章 使用pandas进行数据预处理
- 任务5.1 合并数据
- 5.1.1 堆叠合并数据
- 5.1.2 主键合并数据
- 5.1.3 重叠合并数据
- 5.1.4 任务实现
- 任务5.2 清洗数据
- 5.2.1 检测与处理重复值
- 5.2.2 检测与处理缺失值
- 5.2.3 检测与处理异常值
- 5.2.4 任务实现
- 任务5.3 标准化数据
- 5.3.1 离差标准化数据
- 5.3.2 标准差标准化数据
- 5.3.3 小数定标标准化数据
- 5.3.4 任务实现
- 任务5.4 转换数据
- 5.4.1 哑变量处理类别型数据
- 5.4.2 离散化连续型数据
- 5.4.3 任务实现
- 小结
- 实训
- 实训1 插补用户用电量数据缺失值
- 实训2 合并线损、用电量趋势与线路告警数据
- 实训3 标准化建模专家样本数据
- 课后习题
- 第6章 使用scikit-learn构建模型
- 任务6.1 使用sklearn转换器处理数据
- 6.1.1 加载datasets模块中的数据集
- 6.1.2 将数据集划分为训练集和测试集
- 6.1.3 使用sklearn转换器进行数据预处理与降维
- 6.1.4 任务实现
- 任务6.2 构建并评价聚类模型
- 6.2.1 使用sklearn估计器构建聚类模型
- 6.2.2 评价聚类模型
- 6.2.3 任务实现
- 任务6.3 构建并评价分类模型
- 6.3.1 使用sklearn估计器构建分类模型
- 6.3.2 评价分类模型
- 6.3.3 任务实现
- 任务6.4 构建并评价回归模型
- 6.4.1 使用sklearn估计器构建线性回归模型
- 6.4.2 评价回归模型
- 6.4.3 任务实现
- 小结
- 实训
- 实训1 使用sklearn处理wine和wine_quality数据集
- 实训2 构建基于wine数据集的K-Means聚类模型
- 实训3 构建基于wine数据集的SVM分类模型
- 实训4 构建基于wine_quality数据集的回归模型
- 课后习题
- 第7章 航空公司客户价值分析
- 任务7.1 了解航空公司现状与客户价值分析
- 7.1.1 了解航空公司现状
- 7.1.2 认识客户价值分析
- 7.1.3 熟悉航空客户价值分析的步骤与流程
- 任务7.2 预处理航空客户数据
- 7.2.1 处理数据缺失值与异常值
- 7.2.2 构建航空客户价值分析关键特征
- 7.2.3 标准化LRFMC模型的5个特征
- 7.2.4 任务实现
- 任务7.3 使用K-Means算法进行客户分群
- 7.3.1 了解K-Means聚类算法
- 7.3.2 分析聚类结果
- 7.3.3 模型应用
- 7.3.4 任务实现
- 小结
- 实训
- 实训1 处理信用卡数据异常值
- 实训2 构造信用卡客户风险评价关键特征
- 实训3 构建K-Means聚类模型
- 课后习题
- 第8章 财政收入预测分析
- 任务8.1 了解财政收入预测的背景与方法
- 8.1.1 分析财政收入预测背景
- 8.1.2 了解财政收入预测的方法
- 8.1.3 熟悉财政收入预测的步骤与流程
- 任务8.2 分析财政收入数据特征的相关性
- 8.2.1 了解相关性分析
- 8.2.2 分析计算结果
- 8.2.3 任务实现
- 任务8.3 使用Lasso回归选取财政收入预测的关键特征
- 8.3.1 了解Lasso回归方法
- 8.3.2 分析Lasso回归结果
- 8.3.3 任务实现
- 任务8.4 使用灰色预测和SVR构建财政收入预测模型
- 8.4.1 了解灰色预测算法
- 8.4.2 了解SVR算法
- 8.4.3 分析预测结果
- 8.4.4 任务实现
- 小结
- 实训
- 实训1 求取企业所得税各特征间的相关系数
- 实训2 选取企业所得税预测关键特征
- 实训3 构建企业所得税预测模型
- 课后习题
- 第9章 家用热水器用户行为分析与事件识别
- 任务9.1 了解家用热水器用户行为分析的背景与步骤
- 9.1.1 分析家用热水器行业现状
- 9.1.2 了解热水器采集数据基本情况
- 9.1.3 熟悉家用热水器用户行为分析的步骤与流程
- 任务9.2 预处理热水器用户用水数据
- 9.2.1 删除冗余特征
- 9.2.2 划分用水事件
- 9.2.3 确定单次用水事件时长阈值
- 9.2.4 任务实现
- 任务9.3 构建用水行为特征并筛选用水事件
- 9.3.1 构建用水时长与频率特征
- 9.3.2 构建用水量与波动特征
- 9.3.3 筛选候选洗浴事件
- 9.3.4 任务实现
- 任务9.4 构建行为事件分析的BP神经网络模型
- 9.4.1 了解BP神经网络算法原理
- 9.4.2 构建模型
- 9.4.3 评估模型
- 9.4.4 任务实现
- 小结
- 实训
- 实训1 清洗运营商客户数据
- 实训2 筛选客户运营商数据
- 实训3 构建神经网络预测模型
- 课后习题
- 附录A
- 附录B
- 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：2018
作者：张良均
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数据分析与应用》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：2018
作者：张良均
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数据分析与应用》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数据分析与应用
免费读 (VIP)