本书以应用为导向，将理论与实践相结合，深入浅出地介绍了利用Python进行大数据分析与挖掘的基本知识，以及如何将其应用到具体领域的方法。本书分3篇：基础篇、案例篇和提高篇。基础篇(第1章-第6章)主要介绍Python基础知识及应用于科学计算、数据处理、数据可视化、机器学习、深度学习等方面的基础知识；案例篇(第7章-第11章)主要介绍利用Python进行金融、地理信息、交通、文本分析、图像识别等领域
电子书
内容简介
本书由浅入深，内容丰富。全书共11章，主要内容包括第1章R语言数据分析概述、第2章R语言数据操作基础、第3章数据读写、第4章数据预处理、第5章数据的描述统计分析、第6章 数据相关性分析、第7章 R语言可视化基础、第8章 高级可视化工具、第9章聚类分析、第10章关联规则、第11章分类及预测。
章节目录
- A-fy
- 58633-bq
- C-qy
- 前言
- 本书特点
- 1．基于R语言
- 2．理论与应用相结合
- 3．案例丰富且实用性强
- D-ml
- 目录
- 01
- R语言数据分析概述
- 第1章
- 1.1 认识数据分析
- 1.1.1 为什么要对数据做分析
- 1.1.2 数据分析的流程
- 1.2 R语言简介及R软件安装
- 1.2.1 R语言简介
- 1.2.2 R软件的安装
- 1.2.3 其他辅助工具
- 1.2.4 R语言快速上手
- 1．新手上路
- 2．获得帮助
- 3．工作空间
- 4．包的安装及使用
- 1.3 本章小结
- 1.4 本章练习
- 一、单选题
- 二、上机题
- 02
- R语言数据操作基础
- 第2章
- 2.1 R语言数据类型
- 2.1.1 数据类型判断及转换
- 2.1.2 日期类型数据处理
- 2.2 R语言数据对象
- 2.2.1 向量
- 1．向量的创建
- 2．向量的运算
- 3．生成序列
- 4．向量索引
- 2.2.2 矩阵和数组
- 2.2.3 因子
- 2.2.4 列表和数据框
- 2.3 文本处理
- 2.3.1 基础文本处理
- 1．基本字符操作函数
- 2．字符串连接函数
- 3．字符串匹配函数
- 4．字符串提取、替换和拆分函数
- 2.3.2 stringr包
- 1．字符串计算函数和字符串变换函数
- 2．字符串拼接函数
- 3．字符串匹配函数
- 2.4 本章小结
- 2.5 本章练习
- 一、填空题
- 二、上机题
- 03
- R语言数据读写
- 第3章
- 3.1 文本文件读写
- 3.1.1 base包
- 3.1.2 readr包
- 3.1.3 data.table包
- 3.2 Excel文件读写
- 3.2.1 xlsx包
- 3.2.2 XLConnect包
- 3.2.3 openxlsx包
- 3.2.4 readxl包
- 3.3 数据库文件读写
- 3.3.1 RODBC包
- 3.3.2 RMySQL包
- 3.4 本章小结
- 3.5 本章练习
- 一、单选题
- 二、多选题
- 三、上机题
- 04
- 数据基本管理
- 第4章
- 4.1 数据去重
- 4.2 数据排序
- 4.3 数据筛选
- 4.4 数据合并
- 4.5 数据关联
- 4.6 数据转换
- 4.7 融合重铸
- 1．将宽数据转换为长数据
- 2．将长数据转换为宽数据
- 4.8 数据聚合
- 4.9 数据分组
- 4.10 本章小结
- 4.11 本章练习
- 一、多选题
- 二、填空题
- 三、上机题
- 05
- 数据预处理
- 第5章
- 5.1 数据抽样
- 5.1.1 数据抽样的必要性
- 5.1.2 类失衡处理方法：SMOTE()函数
- 5.1.3 数据随机抽样：sample()函数
- 5.1.4 数据等比抽样：createDataPartition()函数
- 5.1.5 用于交叉验证的样本抽样
- 5.2 数据清洗
- 5.2.1 缺失值判断及处理
- 1．识别缺失值
- 2．缺失值处理
- 5.2.2 异常值判断及处理
- 1．简单统计量分析
- 2．3(准则
- 3．箱线图分析
- 4．聚类分析
- 5.3 数据变换
- 5.3.1 数据分箱
- 5.3.2 数据标准化
- 1．Min-Max标准化
- 2．零-均值标准化
- 3．preProcess()函数
- 5.4 数据哑变量处理
- 5.5 本章小结
- 5.6 本章练习
- 一、多选题
- 二、上机题
- 06
- R语言的重要绘图函数
- 第6章
- 6.1 图形三要素
- 6.1.1 颜色元素
- 6.1.2 文字元素
- 6.1.3 点线元素
- 1．点元素
- 2．线元素
- 6.2 低级绘图函数
- 6.2.1 标题
- 6.2.2 坐标轴
- 6.2.3 图例
- 6.2.4 网格线
- 6.2.5 点
- 6.2.6 文字
- 6.2.7 线
- 1．lines()函数绘制曲线
- 2．abline()函数绘制直线
- 6.3 高级绘图函数
- 6.3.1 散点图
- 1．散点图
- 2．散点图矩阵
- 3．高密度散点图
- 6.3.2 气泡图
- 6.3.3 线图
- 6.3.4 柱状图
- 6.3.5 饼图
- 6.3.6 直方图和密度图
- 6.3.7 箱线图
- 6.4 本章小结
- 6.5 本章练习
- 一、多选题
- 二、上机题
- 07
- 高级绘图工具
- 第7章
- 7.1 ggplot2绘图工具
- 7.1.1 从qplot()函数开始
- 1．几何对象
- 2．图形属性
- 7.1.2 ggplot()函数作图
- 7.1.3 ggplot2的扩展包
- 1．ggthemes包
- 2．ggExtra包
- 7.2 交互式绘图工具
- 7.2.1 recharts包
- 1．散点图
- 2．条形图
- 7.2.2 rbokeh包
- 7.2.3 plotly包
- 7.3 本章小结
- 7.4 本章练习
- 上机题
- 08
- 聚类分析
- 第8章
- 8.1 概述
- 8.2 聚类距离度量
- 8.3 层次聚类
- 8.3.1 层次聚类原理
- 8.3.2 层次聚类的R语言实现
- 8.3.3 聚类树状图可视化
- 8.3.4 比较聚类树状图
- 8.4 K-均值聚类
- 8.4.1 K-均值聚类原理
- 8.4.2 K-均值聚类的R语言实现
- 8.5 K-中心点聚类
- 8.6 密度聚类
- 8.6.1 密度聚类原理
- 8.6.2 密度聚类的R语言实现
- 8.7 集群评估及验证
- 8.7.1 估计聚类趋势
- 8.7.2 确定数据集中的簇数
- 8.7.3 集群验证
- 8.8 本章小结
- 8.9 本章练习
- 一、多选题
- 二、上机题
- 09
- 回归分析
- 第9章
- 9.1 简单线性回归
- 9.1.1 简单线性回归原理
- 9.1.2 简单线性回归的R语言实现
- 9.1.3 模型诊断及预测
- 9.1.4 指数变换
- 9.1.5 多项式回归
- 9.2 多元线性回归
- 9.3 自变量有定性变量的回归
- 9.4 逐步回归
- 9.5 多重共线性分析
- 9.6 线性回归的正则化
- 9.6.1 为什么要使用正则化
- 9.6.2 岭回归原理
- 9.6.3 LASSO回归原理
- 9.6.4 glmnet包简介
- 9.6.5 综合案例
- 9.7 逻辑回归
- 9.7.1 逻辑回归基本原理
- 9.7.2 逻辑回归的R语言实现
- 9.8 本章小结
- 9.9 本章练习
- 一、判断题
- 二、多选题
- 三、上机题
- 10
- 决策树
- 第10章
- 10.1 决策树概述
- 1．决策树的生成
- 2．生成树的剪枝
- 3．生成规则
- 4．模型性能评估及预测
- 10.2 决策树基本原理
- 10.2.1 ID3算法
- 10.2.2 C4.5算法
- 10.2.3 CART算法
- 10.3 R语言实现及案例
- 10.3.1 R语言实现
- 1．J48()函数
- 2．C5.0()函数
- 3．rpart()函数
- 4．ctree()函数
- 10.3.2 C5.0案例
- 1．构建树模型
- 2．决策树可视化
- 3．评测模型预测能力
- 4．提高模型的性能
- 10.3.3 CART案例
- 1．分类树构建与预测
- 2．回归树构建与预测
- 3．决策树剪枝
- 10.3.4 条件推理决策树案例
- 10.3.5 绘制决策边界
- 10.4 本章小结
- 10.5 本章练习
- 一、判断题
- 二、多选题
- 三、上机题
- 11
- 神经网络与支持向量机
- 第11章
- 11.1 理解神经网络
- 11.1.1 激活函数
- 1．Sigmoid函数
- 2．tanh函数
- 3．ReLU函数
- 11.1.2 网络结构
- 11.1.3 人工神经网络的主要类型
- 11.2 神经网络的R语言实现
- 1．nnet包
- 2．neuralnet包
- 3．AMORE包
- 4．RSNNS包
- 11.3 基于神经网络进行类别预测
- 1．利用nnet包训练神经网络模型
- 2．利用neuralnet包训练神经网络模型
- 3．利用AMORE包训练神经网络模型
- 4．利用RSNNS包训练神经网络模型
- 11.4 理解支持向量机
- 11.5 支持向量机的R语言实现
- 1．e1071包
- 2．kernlab包
- 11.6 基于支持向量机进行类别预测
- 1．线性可分
- 2．非线性可分
- 3．调整支持向量机
- 11.7 本章小结
- 11.8 本章练习
- 一、判断题
- 二、多选题
- 三、上机题
- 12
- 模型性能评估及优化
- 第12章
- 12.1 模型性能评估
- 12.1.1 数值预测评估方法
- 1．常见评估指标
- 2．R语言实现
- 12.1.2 概率预测评估方法
- 1．混淆矩阵
- 2．ROC曲线
- 3．KS曲线
- 4．累积提升图
- 12.2 模型参数优化
- 12.2.1 训练集、验证集、测试集的引入
- 12.2.2 K折交叉验证
- 12.2.3 网格搜索
- 12.3 本章小结
- 12.4 本章练习
- 一、判断题
- 二、多选题
- 三、上机题
展开全部
R语言数据分析与挖掘（微课版）是2022年由人民邮电出版社出版,作者谢佳标 编著。
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《R语言数据分析与挖掘（微课版）》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。
电子书
电子书
文本是一种特殊的非结构化数据，在当今的大数据时代，其价值日趋凸显。本书利用开源而强大的R软件，对文本数据挖掘的概念、技术及技巧进行了系统的介绍。本书共11章，内容包括：走进文本数据挖掘，R语言快速入门，字符串的基本处理，用好正则表达式，导入各类文本数据，对各类文本数据进行预处理，文本特征提取的4种方法，基于机器学习的文本分类方法，文本情感分析，文本可视化，文本数据挖掘项目实践。本书还提供了丰富的应
电子书
本书以深入浅出的语言系统地讲解了数据挖掘的框架和基本方法，主要内容包括：数据挖掘与R语言概述、数据理解、数据准备、关联规则挖掘、聚类分析、线性模型与广义线性模型、神经网络的基本方法、决策树、基于决策树的模型组合、模型评估与比较。本书使用基于R语言的数据挖掘案例贯穿全书，并辅以上机实验和习题，帮助读者熟练使用R语言进行数据挖掘。
电子书
数据挖掘旨在发现蕴含在数据中的有价值的数据模式、知识或规律，是目前非常热门的研究领域。理解数据挖掘模型的原理、方法并熟练掌握其实现技术是数据挖掘从业者必备的能力。本书从理论模型和技术实战两个角度，全面讲述数据挖掘的基本流程、模型方法、实现技术及案例应用，帮助读者系统地掌握数据挖掘的核心技术，培养读者从事数据挖掘工作的基本能力。全书共12章，主要内容包括数据探索、数据预处理、特征选择、基础分类模型及
电子书
本书共13章，主要包括：数据分析概述及R语言环境，R语言的数据对象及其类型，R语言数据存储与读取，R语言编程，R语言可视化，R语言描述性统计，R语言参数估计，R语言参数假设检验等内容。
电子书
本书主要介绍数据分析的基础知识和实操过程。全书共7章，首先从数据分析概述入手，介绍数据分析的基础知识、数据分析的流程、常用的数据分析方法及数据分析的道德与职业原则。接着以八爪鱼采集器和Excel为例，从商务数据采集概述及初级应用、数据采集高级应用及采集实例、数据清洗与整理、数据可视化、数据分析报告的撰写等数据分析的流程切入，结合具体的案例进行详细讲解。最后为数据分析案例实践，主要介绍旅游产品的游记
电子书
1.Python零基础，轻松学会数据分析与挖掘2.编码、分析、挖掘，数据分析全流程一次搞定3.微课视频，扫码即可观看，重点难点逐个击破本书适于统计学、数学、经济学、金融学、管理学以及相关理工科专业的本科生、研究生使用，也能够提高从事数据咨询、研究或分析等人士的专业水平和技能。
电子书
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Matplot
