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
内容简介
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、图像识别等领域的大数据分析与挖掘案例；提高篇(第12章)主要介绍图形用户界面可视化应用开发。附录提供了6个实训课题，以提高读者的实践应用能力。同时，本书还提供了详细的实训指导、数据源和程序代码等配套资源。
章节目录
- A-fy
- 54240-bq
- C-qy
- 前言
- D-ml
- 目录
- 01
- 基 础 篇
- 1.1 Python简介
- 1.2 Python安装及启动
- 1.2.1 Python安装
- 1.2.2 Python启动及界面认识
- 1.3 Python扩展包安装
- 1.3.1 在线安装
- 1.3.2 离线安装
- 1.4 Python基本数据类型
- 1.4.1 数值的定义
- 1.4.2 字符串的定义
- 1.4.3 列表的定义
- 1.4.4 元组的定义
- 1.4.5 集合的定义
- 1.4.6 字典的定义
- 1.5 Python的公有方法
- 1.5.1 索引
- 1.5.2 切片
- 1.5.3 长度
- 1.5.4 统计
- 1.5.5 确认成员身份
- 1.5.6 删除变量
- 1.6 列表、元组、字符串与字典方法
- 1.6.1 列表方法
- 1．创建空列表：list()
- 2．添加元素：append()
- 3．扩展列表：extend()
- 4．元素计数：count()
- 5．返回下标：index()
- 6．删除元素：remove()
- 7．元素排序：sort()
- 1.6.2 元组方法
- 1. 创建空元组：tuple()
- 2．元素计数：count()
- 3．返回下标：index()
- 4．元组连接
- 1.6.3 字符串方法
- 1．创建空字符串：str()
- 2．查找子串：find()
- 3．替换子串：replace()
- 4．字符串连接
- 5．字符串比较
- 1.6.4 字典方法
- 1．创建字典：dict()
- 2．获取字典值：get()
- 3．字典赋值：setdefault()
- 1.7 条件语句
- 1.7.1 if…语句
- 1.7.2 if…else…语句
- 1.7.3 if…elif…else…语句
- 1.8 循环语句
- 1.8.1 while语句
- 1.8.2 for语句
- 1.9 函数
- 1.9.1 无返回值函数的定义与调用
- 1.9.2 有一个返回值函数的定义与调用
- 1.9.3 有多返回值函数的定义与调用
- 本章小结
- 本章练习
- Python基础
- 第1章
- 02
- 科学计算包NumPy
- 第2章
- 2.1 NumPy简介
- 2.2 创建数组
- 2.2.1 利用array()函数创建数组
- 2.2.2 利用内置函数创建数组
- 2.3 数组尺寸
- 2.4 数组运算
- 2.5 数组切片
- 2.5.1 常见的数组切片方法
- 2.5.2 利用ix_()函数进行数组切片
- 2.6 数组连接
- 2.7 数据存取
- 2.8 数组形态变换
- 2.9 数组排序与搜索
- 2.10 矩阵与线性代数运算
- 2.10.1 创建NumPy矩阵
- 2.10.2 矩阵的属性和基本运算
- 2.10.3 线性代数运算
- 1．计算逆矩阵
- 2．求解线性方程组
- 3．求解特征值与特征向量
- 4．奇异值分解
- 5．计算矩阵行列式的值
- 本章小结
- 本章练习
- 03
- 数据处理包Pandas
- 第3章
- 3.1 Pandas简介
- 3.2 序列
- 3.2.1 序列创建及访问
- 3.2.2 序列属性
- 3.2.3 序列方法
- 1．unique()
- 2．isin()
- 3．value_counts()
- 4．空值处理方法
- 3.2.4 序列切片
- 3.2.5 序列聚合运算
- 3.3 数据框
- 3.3.1 数据框创建
- 3.3.2 数据框属性
- 3.3.3 数据框方法
- 1．dropna()
- 2．fillna()
- 3．sort_values()
- 4．sort_index()
- 5．head()
- 6．drop()
- 7．join()
- 8．as_matrix()
- 9．to_excel()
- 10．统计方法
- 3.3.4 数据框切片
- 1．利用数据框中的iloc属性进行切片
- 2．利用数据框中的loc属性进行切片
- 3.4 外部文件读取
- 3.4.1 Excel文件读取
- 3.4.2 TXT文件读取
- 3.4.3 CSV文件读取
- 3.5 常用函数
- 3.5.1 滚动计算函数
- 3.5.2 数据框合并函数
- 3.5.3 数据框关联函数
- 本章小结
- 本章练习
- 04
- 数据可视化包Matplotlib
- 第4章
- 4.1 Matplotlib绘图基础
- 4.1.1 Matplotlib图像构成
- 4.1.2 Matplotlib绘图基本流程
- 4.1.3 中文字符显示
- 4.1.4 坐标轴字符刻度标注
- 4.2 Matplotlib常用图形绘制
- 4.2.1 散点图
- 4.2.2 线性图
- 4.2.3 柱状图
- 4.2.4 直方图
- 4.2.5 饼图
- 4.2.6 箱线图
- 4.2.7 子图
- 本章小结
- 本章练习
- 05
- 机器学习与实现
- 第5章
- 5.1 scikit-learn简介
- 5.2 数据预处理
- 5.2.1 缺失值处理
- 5.2.2 数据规范化
- 5.2.3 主成分分析
- 1．主成分分析的理解
- 2．主成分分析的数学模型
- 3．主成分分析的性质与定理
- 4．主成分分析的一般步骤
- 5．Python主成分分析应用举例
- 5.3 线性回归
- 5.3.1 一元线性回归
- 1．引例
- 2．一元线性回归模型
- 3．一元线性回归方程
- 4．一元线性回归方程的参数估计
- 5．一元线性回归方程的拟合优度
- 5.3.2 多元线性回归
- 1．多元线性回归模型
- 2．多元线性回归方程
- 3．多元线性回归方程参数估计
- 4．多元线性回归方程拟合优度
- 5.3.3 Python线性回归应用举例
- 1．读取数据，确定自变量x和因变量y
- 2．线性回归分析
- 3．利用线性回归模型进行预测
- 5.4 逻辑回归
- 5.4.1 逻辑回归模型
- 5.4.2 Python逻辑回归模型应用举例
- 1．数据获取
- 2．训练样本与测试样本划分
- 3．逻辑回归分析
- 5.5 神经网络
- 5.5.1 神经网络模拟思想
- 1．孩子的日常辨识能力
- 2．孩子大脑学习训练的模拟
- 5.5.2 神经网络结构及数学模型
- 5.5.3 Python神经网络分类应用举例
- 1．数据获取、训练样本与测试样本的划分
- 2．神经网络分类模型构建
- 5.5.4 Python神经网络回归应用举例
- 1．数据获取及训练样本构建
- 2．预测样本的构建
- 3．神经网络回归模型构建
- 5.6 支持向量机
- 5.6.1 支持向量机原理
- 1．高斯核函数
- 2．多项式核函数
- 3．sigmoid核函数
- 5.6.2 Python支持向量机应用举例
- 1．数据获取
- 2．训练样本与测试样本划分
- 3．支持向量机分类模型构建
- 5.7 K-均值聚类
- 5.7.1 K-均值聚类的基本原理
- 5.7.2 Python K-均值聚类算法应用举例
- 1．数据获取及标准化处理
- 2．K-均值聚类分析
- 5.8 关联规则
- 5.8.1 关联规则概念
- 5.8.2 布尔关联规则挖掘
- 5.8.3 一对一关联规则挖掘及Python实现
- 1．事务数据集转化为布尔（0或1）值数据表
- 2．挖掘两项之间的关联规则，并将结果导出到Excel文件中
- 5.8.4 多对一关联规则挖掘及Python实现
- 1．Apriori算法：挖掘频繁项集
- 2．基于频繁项集产生关联规则
- 3．Python实现Apriori关联规则挖掘算法
- 4．应用举例
- 本章小结
- 本章练习
- 06
- 深度学习与实现
- 第6章
- 6.1 深度学习简介
- 6.2 深度学习框架简介
- 6.2.1 Caffe框架
- 6.2.2 Theano框架
- 6.2.3 PaddlePaddle框架
- 6.2.4 TensorFlow框架
- 6.3 TensorFlow基础
- 6.3.1 TensorFlow安装
- 6.3.2 TensorFlow命令
- 1．张量介绍
- 2．Eager模式
- 3. 常用模块介绍
- 6.3.3 TensorFlow案例
- 1．获取训练数据
- 2．定义模型
- 3．定义损失函数
- 4．模型训练
- 6.4 多层神经网络
- 6.4.1 多层神经网络结构及数学模型
- 1．分类问题
- 2．回归问题
- 6.4.2 多层神经网络分类问题应用举例
- 1．MNIST数据集
- 2．多层神经网络模型构建
- 3．模型编译步骤
- 4．模型训练
- 5．模型验证
- 6.4.3 多层神经网络回归问题应用举例
- 1．Auto MPG数据集
- 2．数据集清洗与划分
- 3．多层神经网络模型构建
- 4．模型训练
- 5．模型验证
- 6.5 卷积神经网络
- 6.5.1 卷积层计算
- 6.5.2 池化层计算
- 6.5.3 全连接层计算
- 6.5.4 CNN应用案例
- 1．CIFAR-10数据集
- 2．CNN模型构建
- 3．模型编译步骤
- 4．模型训练
- 5．模型验证
- 6.6 循环神经网络
- 6.6.1 RNN结构及数学模型
- 6.6.2 LSTM
- 1．新的内部状态
- 2．门控机制
- 6.6.3 RNN应用案例
- 1．IMDB数据集
- 2．RNN模型构建
- 3．模型编译步骤
- 4．模型训练
- 5．模型验证
- 本章小结
- 本章练习
- 07
- 案 例 篇
- 7.1 案例背景
- 7.2 案例目标及实现思路
- 7.3 基于总体规模与投资效率指标的上市公司综合评价
- 7.3.1 指标选择
- 7.3.2 数据获取
- 1．Tushare安装
- 2．数据的获取
- 7.3.3 数据处理
- 1．筛选指标值大于0的数据
- 2．去掉空值
- 3．数据标准化
- 7.3.4 主成分分析
- 7.3.5 综合排名
- 1．计算综合得分
- 2．整理排名结果
- 7.4 技术分析指标选择与计算
- 7.4.1 移动平均线指标
- 7.4.2 指数平滑异同平均线指标
- 7.4.3 随机指标
- 7.4.4 相对强弱指标
- 7.4.5 乖离率指标
- 7.4.6 能量潮指标
- 7.4.7 涨跌趋势指标
- 7.4.8 计算举例
- 7.5 量化投资模型与策略实现
- 7.5.1 投资组合构建
- 7.5.2 基于逻辑回归的量化投资策略实现
- 本章小结
- 本章练习
- 基于财务与交易数据的量化投资分析
- 第7章
- 08
- 众包任务定价优化方案
- 第8章
- 8.1 案例背景
- 8.2 案例目标及实现思路
- 8.3 数据获取与探索
- 8.3.1 Folium地理信息可视化包安装
- 8.3.2 数据读取与地图可视化
- 8.4 指标计算
- 8.4.1 指标设计
- 8.4.2 指标计算方法
- 8.4.3 程序实现
- 1．Z1～Z5的计算
- 2．Z6～Z12的计算
- 3．所有指标的计算
- 8.5 任务定价模型构建
- 8.5.1 指标数据预处理
- 1．空值处理
- 2．相关性分析
- 3．标准化处理
- 4．主成分分析
- 8.5.2 多元线性回归模型
- 8.5.3 神经网络模型
- 8.6 方案评价
- 8.6.1 任务完成增加量
- 8.6.2 成本增加额
- 8.6.3 完整实现代码
- 本章小结
- 本章练习
- 09
- 地铁站点日客流量预测
- 第9章
- 9.1 案例背景
- 9.2 案例目标及实现思路
- 9.3 数据获取与探索
- 9.3.1 二分法查找思想
- 9.3.2 每日数据索引范围提取
- 9.4 指标计算
- 9.4.1 指标设计
- 9.4.2 指标计算方法
- 9.4.3 程序实现
- 1. C1、C2的计算
- 2. C的计算
- 3. 指标计算完整代码
- 9.5 数据可视化
- 9.6 因素分析
- 9.6.1 SPSS进行指数平滑
- 9.6.2 因素分析结果
- 9.7 神经网络预测模型的建立
- 9.7.1 示例站点客流量预测
- 9.7.2 全部站点客流量预测
- 9.7.3 模型预测结果分析
- 本章小结
- 本章练习
- 10
- 微博文本情感分析
- 第10章
- 10.1 案例背景
- 10.2 案例目标及实现思路
- 10.3 数据预处理
- 10.3.1 数据读取
- 10.3.2 分词
- 10.3.3 去停用词
- 10.3.4 词向量
- 10.3.5 划分数据集
- 10.4 支持向量机分类模型
- 10.5 基于LSTM的分类模型
- 本章小结
- 本章练习
- 11
- 基于水色图像的水质评价
- 第11章
- 11.1 案例背景
- 11.2 案例目标及实现思路
- 11.3 数据获取与探索
- 11.4 支持向量机分类识别模型
- 11.4.1 颜色特征计算方法
- 1．一阶颜色矩
- 2．二阶颜色矩
- 3．三阶颜色矩
- 11.4.2 自变量与因变量计算
- 11.4.3 模型实现
- 11.5 卷积神经网络分类识别模型：灰图
- 11.5.1 数据处理
- 11.5.2 模型实现
- 11.6 卷积神经网络识别模型：彩图
- 11.6.1 数据处理
- 11.6.2 模型实现
- 本章小结
- 本章练习
- 12
- 图形用户界面可视化应用开发
- 第12章
- 12.1 水色图像水质评价系统
- 12.1.1 PyCharm安装
- 12.1.2 创建项目文件夹
- 12.1.3 配置QtDesigner工具
- 12.1.4 配置代码生成工具
- 12.1.5 系统界面设计
- 12.1.6 系统界面转化为PyQt5代码
- 12.1.7 配置项目解释器
- 12.1.8 系统功能实现
- 1．导入图片按钮回调函数定义
- 2．水色识别按钮回调函数定义
- 3．功能实现
- 12.1.9 生成可独立运行的exe文件
- 1．安装pyinstaller编译包
- 2．安装依赖包
- 3．生成exe文件
- 12.2 上市公司综合评价系统
- 12.2.1 界面设计
- 12.2.2 系统功能实现
- 1．初始化树结构和下拉框内容
- 2．树单击回调函数实现
- 3．下拉框值选中回调函数实现
- 4．下拉框值改变回调函数实现
- 5．功能实现
- 12.2.3 生成EXE文件
- 本章小结
- 本章练习
- fl
- 附录 综合实训课题
- 1．上市公司财务风险预警模型
- 2．基于GPS行车数据的常规运输线路识别
- 3．基于聚类分析的地铁站点功能分类研究
- 4．上市公司新闻标题情感识别
- 5．基于卷积神经网络的岩石图像分类识别
- 6．基于财务与交易数据的量化投资分析系统设计与实现
- ck
- 参考文献
展开全部
Python大数据分析与挖掘实战（微课版）是2020年由人民邮电出版社出版,作者黄恒秋 莫洁安 谢东津 张良均 苏颖。
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大数据分析与挖掘实战（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
本书共11章，分为基础篇(第1-5章)和实战篇(第6-11章)，基础篇包括数据挖掘基础、Python数据挖掘编程基础、数据探索、数据预处理、数据挖掘算法基础等基础知识：实战篇包括6个案例，分别为信用卡高风险客户识别、餐饮企业菜品关联分析、金融服务机构资金流量预测、O2O优惠券使用预测、电视产品个性化推荐，以及基于TipDM大数据挖掘建模平台实现金融服务机构资金流量预测。本书大部分章节包含实训和课后
电子书
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。
电子书
本书共16章，内容涵盖基本数据类型、自定义函数、控制语句、自定义模块和导入语句等Python基础知识，面向对象编程、文件管理和路径管理、序列化和持久化等Python中级知识，Web开发、数据库开发等Python高级知识，字符编码、BOM等拓展知识。
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
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
本书共9章，主要内容包括：Python语法基础、Python数据结构、函数和类、正则表达式与格式化输出、Numpy和Pandas、数据处理与分析、网络爬虫、数据可视化、应用案例分析。
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
