本书的设计和编写目标是培养读者的数据思维能力和数据预处理能力，内容具有典型性和实用性，系统介绍基于Python的数据预处理的流程和技术。全书共8个单元，单元1介绍数据预处理的基础知识，单元2介绍Python数据预处理的库pandas的用法及主要数据对象的用法，单元3～单元7依次介绍数据预处理流程中数据获取、数据合并、数据清洗、数据变换和数据描述等相关知识和技术。为突出培养读者的动手能力，本书单元2
电子书
内容简介
本书以Jupyter Notebook为主要开发工具，全面地介绍数据预处理的相关知识。全书共分8章，内容分别为初识Python数据预处理、数据获取与存储、数据清洗、数据集成、数据变换、数据规约、综合实战：家用热水器用户行为分析以及两个综合实战项目。每个章节均配置了丰富的示例或案例，通过本书的学习，读者可以充分理解常用数据预处理方法的精髓、掌握具体技术细节，并在实践中提升实际开发能力，为数据分析和机器学习实践打下扎实基础。
本书既可作为高等院校大数据、计算机相关专业的教材，也可作为技术爱好者的入门用书。
章节目录
- 第1章 初识Python 数据预处理
- 1.1 数据预处理概述
- 1.1.1 认识数据
- 1.1.2 数据应用开发流程
- 1.1.3 数据预处理的目的
- 1.1.4 数据预处理的应用领域
- 1.2 高质量的数据
- 1.2.1 常见的数据问题
- 1.2.2 数据质量
- 1.3 数据预处理流程
- 1.3.1 数据获取与存储
- 1.3.2 数据清洗
- 1.3.3 数据集成
- 1.3.4 数据变换
- 1.3.5 数据规约
- 1.4 开发环境设置
- 1.4.1 Anaconda 概述
- 1.4.2 Anaconda 下载安装
- 1.4.3 Anaconda 管理虚拟环境
- 1.5 Jupyter 的使用
- 1.5.1 认识Jupyter
- 1.5.2 启动Jupyter Notebook
- 1.5.3 Jupyter 工作原理
- 1.5.4 Jupyter 使用方法
- 1.6 常用的数据预处理工具
- 1.6.1 数值计算工具NumPy
- 1.6.2 数据处理工具SciPy
- 1.6.3 数据处理工具Pandas
- 1.7 本章小结
- 1.8 习题
- 第2章 数据获取与存储
- 2.1 数据准备
- 2.1.1 常见的数据类型
- 2.1.2 常见的数据文件格式
- 2.2 网络爬虫获取数据
- 2.2.1 认识网络爬虫
- 2.2.2 网络爬虫执行阶段
- 2.2.3 爬取百度logo
- 2.2.4 常见的数据存储方式
- 2.3 数据读写
- 2.3.1 可读写数据
- 2.3.2 读写CSV 数据
- 2.3.3 读写JSON 数据
- 2.3.4 读写XML 数据
- 2.3.5 读写Excel 数据
- 2.4 使用数据库实现数据存储
- 2.4.1 认识数据库
- 2.4.2 数据库存储数据
- 2.5 实战1：遍历文件批量抽取文本内容
- 2.5.1 任务说明
- 2.5.2 任务分析
- 2.5.3 任务实现
- 2.6 本章小结
- 2.7 习题
- 第3章 数据清洗
- 3.1 数据清洗概述
- 3.1.1 初识数据清洗
- 3.1.2 数据清洗必要性
- 3.1.3 导入与审视数据
- 3.2 缺失值处理
- 3.2.1 缺失值产生原因
- 3.2.2 检测缺失值
- 3.2.3 填充缺失值fillna()
- 3.2.4 删除缺失值dropna()
- 3.2.5 插补缺失值interpolate()
- 3.3 重复值处理
- 3.3.1 检测重复值
- 3.3.2 处理重复值
- 3.4 异常值处理
- 3.4.1 检测异常值
- 3.4.2 处理异常值
- 3.5 时间日期格式处理
- 3.5.1 常见的时间日期格式
- 3.5.2 Python 处理时间日期格式
- 3.5.3 Pandas 转换数据
- 3.6 实战2：用户用电数据清洗
- 3.6.1 任务说明
- 3.6.2 任务分析
- 3.6.3 任务实现
- 3.7 本章小结
- 3.8 习题
- 第4章 数据集成
- 4.1 数据集成概述
- 4.1.1 初识数据集成
- 4.1.2 冗余属性识别
- 4.1.3 实体识别
- 4.2 主键合并数据
- 4.2.1 Pandas 的merge()函数
- 4.2.2 join()函数
- 4.2.3 Pandas 的merge()函数使用how 参数合并数据
- 4.3 堆叠合并数据
- 4.3.1 Pandas 的concat()函数
- 4.3.2 NumPy 的concatenate()函数
- 4.3.3 append()函数
- 4.4 重叠合并数据
- 4.4.1 combine()函数
- 4.4.2 combine_first()函数
- 4.5 集成方法介绍
- 4.5.1 认识机器学习库sklearn
- 4.5.2 数据集拆分
- 4.6 实战3：探索虚拟姓名数据
- 4.6.1 任务说明
- 4.6.2 任务分析
- 4.6.3 任务实现
- 4.7 本章小结
- 4.8 习题
- 第5章 数据变换
- 5.1 数据变换概述
- 5.1.1 初识数据变换
- 5.1.2 数据变换方式
- 5.2 常见操作
- 5.2.1 简单函数变换
- 5.2.2 连续属性离散化
- 5.2.3 属性构造
- 5.2.4 小波变换
- 5.2.5 数据规范化
- 5.3 分组与聚合
- 5.3.1 概述
- 5.3.2 窗口函数
- 5.3.3 分组函数
- 5.3.4 聚合函数
- 5.4 轴向旋转
- 5.4.1 Pandas 透视表
- 5.4.2 melt()函数
- 5.5 哑变量处理与面元切分
- 5.5.1 哑变量处理
- 5.5.2 面元切分
- 5.6 数据转换
- 5.6.1 函数映射转换
- 5.6.2 值处理：replace()替换元素
- 5.6.3 行列处理：map()映射
- 5.6.4 索引处理：rename()重命名
- 5.7 实战4：探索酒类消费数据
- 5.7.1 任务说明
- 5.7.2 任务分析
- 5.7.3 任务实现
- 5.8 本章小结
- 5.9 习题
- 第6章 数据规约
- 6.1 数据规约概述
- 6.1.1 初识数据规约
- 6.1.2 数据规约的常见类型
- 6.2 Pandas 数据规约操作
- 6.2.1 数据重塑
- 6.2.2 降采样
- 6.2.3 PCA 降维
- 6.3 实战5：利用sklearn 实现鸢尾花数据降维
- 6.3.1 任务说明
- 6.3.2 任务分析
- 6.3.3 任务实现
- 6.4 本章小结
- 6.5 习题
- 第7章 综合实战：家用热水器用户行为分析
- 7.1 项目背景与目标
- 7.1.1 项目背景
- 7.1.2 项目目标
- 7.1.3 项目分析
- 7.1.4 项目总体流程
- 7.2 探索数据
- 7.2.1 认识数据集
- 7.2.2 探索数据特征
- 7.3 数据预处理
- 7.3.1 数据变换之连续属性离散化
- 7.3.2 数据规约之属性规约
- 7.3.3 数据集成之合并数据
- 7.3.4 数据变换之属性构造
- 7.3.5 数据清洗之筛选候选洗浴事件
- 7.4 构建模型
- 7.4.1 BP 神经网络模型
- 7.4.2 构建洗浴事件识别模型
- 7.5 模型评估
- 7.5.1 评价指标
- 7.5.2 绘制ROC 曲线
- 7.6 本章小结
- 第8章 综合实战：赏析中华古诗词
- 8.1 项目背景与目标
- 8.1.1 项目背景
- 8.1.2 项目目标
- 8.1.3 项目总体流程及分析
- 8.2 基本特征提取
- 8.2.1 数据集介绍
- 8.2.2 数据描述
- 8.2.3 jieba 分词
- 8.2.4 分词模式和并行分词
- 8.2.5 关键词提取
- 8.3 文本预处理
- 8.3.1 独热编码器处理标签
- 8.3.2 词性标注、自定义字典
- 8.3.3 去除停用词
- 8.3.4 文本中的字符处理
- 8.4 模型构建——中文文本词云
- 8.4.1 认识词云
- 8.4.2 wordcloud 库
- 8.5 实战6：三国演义中文词频统计
- 8.5.1 任务说明
- 8.5.2 任务分析
- 8.5.3 任务实现
- 8.6 本章小结
- 未标题
展开全部
Python数据预处理（微课版）是2024年由人民邮电出版社出版,作者主编。
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数据预处理（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
全书共8章，其中第1章介绍数据预处理的入门知识；第2-6章介绍科学计算库numpy和数据分析库pandas，以及通过pandas库实现数据获取、数据清理、数据集成、数据变换和数据规约的功能；第7章介绍数据清理工具OpenRefine的安装及使用；第8章结合前期的核心知识进行实战演练。除第1章外，其他章均配置了丰富的示例或案例，读者可以一边学习一边练习，巩固所学的知识，并在实践中提升实际开发能力。本
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12章，主要内容包括第1章介绍数据可视化的基础知识，第2章介绍Python数据可视化库及其参数配置，第3章介绍时序数据的可视化，并通过实际案例讲解其可视化方法，第4章介绍金融数据的可视化，并通过实际案例讲解其可视化方法，第5章介绍空间数据的可视化，并通过实际案例讲解其可视化方法，第6章介绍地理数据的可视化，并通过实际案例讲解其可视化方法，第7章介绍层次数据的可视化，并通过实际案例讲解其可视化
电子书
为了适应数字经济时代的新发展趋势，培养新时代大数据专业人才，编者通过总结多年的教学经验，借鉴国内外相关领域的教学优势，详细剖析大数据采集、预处理与可视化的基础理论、关键技术、相关工具和应用案例，进而编成本书。本书是集理论与实践于一体的应用型教材。全书共7章，包括大数据概述、Python程序设计、大数据采集、大数据预处理技术、Excel数据获取与预处理、Python数据预处理、数据可视化技术。本书在
电子书
本书共7章，主要介绍数据科学的基础理论、统计学与模型、机器学习与算法、数据可视化、数据加工、大数据技术、数据产品开发及数据科学中的人文与管理等内容。
电子书
本书介绍了常用的数据结构，全书分为10章，依次为绪论、线性表、栈和队列、串、广义表、树和二叉树、常用二叉树、图、排序及查找。书中采用Python语言来描述和实现各种数据结构，内容丰富，知识点完整，结构层次分明，通过大量插图来讲解算法实现过程，有利于读者理解并巩固数据结构的相关算法思想。
电子书
本书在内容上着重阐述计算机中存储、组织数据的方式与计算机程序解决问题的步骤，同时对数据结构与算法中的典型案例进行讲解，在程序实现中使用Java与Python两种语言对照表述。本书共8章，第1章是数据结构与算法概论，主要介绍数据结构和算法的基本概念；第2、3章是线性表与栈和队列，这部分介绍简单的数据结构类型及操作算法；第4章是递归，这是数据结构中重要的操作算法；第5、6章是树与图，这部分介绍较为复杂
