电子书
内容简介
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习题，通过练习和操作实践，可帮助读者巩固所学的内容。
章节目录
- 扉页
- 版权页
- 委员会
- 序
- 前言
- 目录
- 基 础 篇
- 第1章 数据挖掘基础
- 1.1 数据挖掘发展史
- 1.2 数据挖掘的常用方法
- 1.3 数据挖掘的通用流程
- 1.3.1 目标分析
- 1.3.2 数据抽取
- 1.3.3 数据探索
- 1.3.4 数据预处理
- 1.3.5 分析与建模
- 1.3.6 模型评价
- 1.4 常用数据挖掘工具
- 1.5 Python 数据挖掘环境配置
- 小结
- 课后习题
- 第2章 Python数据挖掘编程基础
- 2.1 Python 使用入门
- 2.1.1 基本命令
- 2.1.2 判断与循环
- 2.1.3 函数
- 2.1.4 库的导入与添加
- 2.2 Python 数据分析预处理的常用库
- 2.2.1 NumPy
- 2.2.2 pandas
- 2.2.3 Matplotlib
- 2.3 Python 数据挖掘建模的常用库和框架
- 2.3.1 scikit-learn
- 2.3.2 深度学习框架
- 2.3.3 其他
- 小结
- 实训 判断、函数、类型转换的使用
- 课后习题
- 第3章 数据探索
- 3.1 数据校验
- 3.1.1 一致性校验
- 3.1.2 缺失值校验
- 3.1.3 异常值校验
- 3.2 数据特征分析
- 3.2.1 描述性统计分析
- 3.2.2 分布分析
- 3.2.3 对比分析
- 3.2.4 周期性分析
- 3.2.5 贡献度分析
- 3.2.6 相关性分析
- 小结
- 实训
- 实训1 分布分析、描述性统计分析和贡献度分析
- 实训2 对比分析、相关性分析和周期性分析
- 课后习题
- 第4章 数据预处理
- 4.1 数据清洗
- 4.1.1 重复值处理
- 4.1.2 缺失值处理
- 4.1.3 异常值处理
- 4.2 数据变换
- 4.2.1 简单函数变换
- 4.2.2 数据标准化
- 4.2.3 数据离散化
- 4.2.4 独热编码
- 4.3 数据合并
- 4.3.1 多表合并
- 4.3.2 分组聚合
- 小结
- 实训
- 实训1 数据清洗
- 实训2 数据变换
- 实训3 数据合并
- 课后习题
- 第5章 数据挖掘算法基础
- 5.1 分类与回归
- 5.1.1 常用的分类与回归算法
- 5.1.2 分类与回归模型评价
- 5.1.3 线性模型
- 5.1.4 决策树
- 5.1.5 最近邻分类
- 5.1.6 支持向量机
- 5.1.7 神经网络
- 5.1.8 集成算法
- 5.2 聚类
- 5.2.1 常用的聚类算法
- 5.2.2 聚类模型评价
- 5.2.3 K-Means算法
- 5.2.4 密度聚类
- 5.2.5 层次聚类
- 5.3 关联规则
- 5.3.1 常用关联规则算法
- 5.3.2 Apriori算法
- 5.4 智能推荐
- 5.4.1 常用智能推荐算法
- 5.4.2 智能推荐模型评价
- 5.4.3 协同过滤推荐算法
- 5.4.4 基于流行度的推荐算法
- 5.5 时间序列
- 5.5.1 时间序列算法
- 5.5.2 时间序列的预处理
- 5.5.3 平稳序列分析
- 5.5.4 非平稳序列分析
- 实训
- 实训1 使用分类算法实现客户流失预测
- 实训2 使用K-Means聚类算法实现超市顾客聚类分析
- 实训3 使用Apriori 算法挖掘网址间的相关关系
- 实训4 使用协同过滤推荐算法实现对用户进行品牌的个性化推荐
- 实训5 使用ARIMA 算法实现气温预测
- 课后习题
- 实 战 篇
- 第6章 信用卡高风险客户识别
- 6.1 背景与目标
- 6.1.1 背景
- 6.1.2 数据说明
- 6.1.3 目标
- 6.2 数据探索
- 6.2.1 描述性统计分析
- 6.2.2 客户历史信用记录
- 6.2.3 客户经济情况
- 6.2.4 客户经济风险情况
- 6.3 数据预处理
- 6.3.1 数据清洗
- 6.3.2 属性构造
- 6.4 分析与建模
- 6.4.1 参数寻优
- 6.4.2 构建聚类模型
- 6.4.3 信用卡客户风险分析
- 6.5 模型评价
- 小结
- 实训 使用K-Means聚类算法实现运营商客户价值分析
- 课后习题
- 第7章 餐饮企业菜品关联分析
- 7.1 背景与目标
- 7.1.1 背景
- 7.1.2 数据说明
- 7.1.3 目标
- 7.2 数据探索
- 7.2.1 分析每日用餐人数和营业额
- 7.2.2 分析菜品热销度
- 7.3 数据预处理
- 7.3.1 数据清洗
- 7.3.2 属性构造
- 7.4 分析与建模
- 7.4.1 构建Apriori 模型
- 7.4.2 训练模型
- 7.5 模型评价
- 小结
- 实训 西饼屋订单关联分析
- 课后习题
- 第8章 金融服务机构资金流量预测
- 8.1 背景与目标
- 8.1.1 背景
- 8.1.2 数据说明
- 8.1.3 目标
- 8.2 数据预处理
- 8.2.1 属性构造
- 8.2.2 截取平稳部分数据
- 8.2.3 周期性差分
- 8.2.4 平稳性检验和白噪声检验
- 8.3 分析与建模
- 8.3.1 时间序列模型的定阶
- 8.3.2 模型检验
- 8.4 模型评价
- 小结
- 实训 构建ARIMA模型预测资金赎回数据
- 课后习题
- 第9章 O2O优惠券使用预测
- 9.1 背景与目标
- 9.1.1 背景
- 9.1.2 数据说明
- 9.1.3 目标
- 9.2 数据探索
- 9.2.1 描述性统计分析
- 9.2.2 分析优惠形式信息
- 9.2.3 分析用户消费行为信息
- 9.2.4 分析商户投放优惠券信息
- 9.3 数据预处理
- 9.3.1 数据清洗
- 9.3.2 数据变换
- 9.4 分析与建模
- 9.4.1 决策树分类模型
- 9.4.2 梯度提升分类模型
- 9.4.3 XGBoost 分类模型
- 9.5 模型评价
- 小结
- 实训 运营商客户流失预测
- 课后习题
- 第10章 电视产品个性化推荐
- 10.1 背景与目标
- 10.1.1 背景
- 10.1.2 数据说明
- 10.1.3 目标
- 10.2 数据预处理
- 10.2.1 数据清洗
- 10.2.2 数据探索
- 10.2.3 属性构造
- 10.3 分析与建模
- 10.3.1 基于物品的协同过滤推荐模型
- 10.3.2 基于流行度的推荐模型
- 10.4 模型评价
- 小结
- 实训 网页浏览个性化推荐
- 课后习题
- 第11章 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
- 11.1 平台简介
- 11.1.1 实训库
- 11.1.2 数据连接
- 11.1.3 实训数据
- 11.1.4 我的实训
- 11.1.5 系统算法
- 11.1.6 个人算法
- 11.2 快速构建金融服务机构资金流量预测实训
- 11.2.1 数据源配置
- 11.2.2 属性构造
- 11.2.3 数据筛选
- 11.2.4 周期性差分
- 11.2.5 序列检验
- 11.2.6 分析与建模
- 小结
- 实训 构建ARIMA模型预测航空公司乘客量数据
- 课后习题
展开全部
Python数据分析与挖掘实战是2022年由人民邮电出版社出版,作者翟世臣，张良均 主编。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《Python数据分析与挖掘实战》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
电子书
电子书
电子书