Python數(shù)據(jù)分析、挖掘與可視化
定 價(jià)：89 元
叢書名：面向新工科高等院校大數(shù)據(jù)專業(yè)系列教材
- 作者：毋建軍 姜波 編著
- 出版時(shí)間：2021/9/1
- ISBN：9787111687108
- 出 版 社：機(jī)械工業(yè)出版社
- 中圖法分類：TP311.561
- 頁碼：340
- 紙張：
- 版次：
- 開本：16開
《Python數(shù)據(jù)分析、挖掘與可視化》從大數(shù)據(jù)分析實(shí)際業(yè)務(wù)流程出發(fā)，利用案例貫穿介紹了大數(shù)據(jù)分析應(yīng)具備的基礎(chǔ)開發(fā)技術(shù)，包括Python基礎(chǔ)、Python高級開發(fā)技術(shù)、數(shù)據(jù)采集與存儲、數(shù)據(jù)預(yù)處理、數(shù)據(jù)分析、數(shù)據(jù)可視化、數(shù)據(jù)挖掘等；詳細(xì)介紹了基于Python的數(shù)據(jù)分析全流程技術(shù)和相關(guān)機(jī)器學(xué)習(xí)算法；并通過社交用戶畫像挖掘案例，介紹了從應(yīng)用場景需求分析→社交數(shù)據(jù)分析→用戶畫像構(gòu)建的開發(fā)方法和過程，以及基于Flask框架、用戶屬性、神經(jīng)網(wǎng)絡(luò)挖掘的社交用戶數(shù)據(jù)分析和畫像構(gòu)建過程。
《Python數(shù)據(jù)分析、挖掘與可視化》既可作為高等院校人工智能、計(jì)算機(jī)、大數(shù)據(jù)等專業(yè)的相關(guān)課程的教材，也可作為大數(shù)據(jù)分析人員的技術(shù)參考書。
前言
第1章 Python基礎(chǔ)1
1.1 Python概述1
1.2 Python大數(shù)據(jù)應(yīng)用3
1.2.1 Python與大數(shù)據(jù)技術(shù)3
1.2.2 常用行業(yè)數(shù)據(jù)集6
1.2.3 嵌入式開發(fā)應(yīng)用6
1.2.4 數(shù)據(jù)挖掘及應(yīng)用7
1.2.5 機(jī)器學(xué)習(xí)及應(yīng)用8
1.2.6 數(shù)據(jù)分析未來發(fā)展9
1.3 搭建Python開發(fā)環(huán)境10
1.3.1 Python開發(fā)環(huán)境系統(tǒng)要求10
1.3.2 Windows系統(tǒng)平臺下搭建開發(fā)環(huán)境10
1.3.3 Linux系統(tǒng)平臺下搭建開發(fā)環(huán)境12
1.3.4 Mac系統(tǒng)平臺下搭建開發(fā)環(huán)境13
1.4 Python集成開發(fā)平臺14
1.5 Python常用庫概述18
1.5.1 Python庫簡介18
1.5.2 Python庫安裝及集成19
1.5.3 Python數(shù)據(jù)分析工具21
1.6 創(chuàng)建Python程序21
1.6.1 在Anaconda下創(chuàng)建Python程序22
1.6.2 命令行創(chuàng)建Python程序25
1.6.3 Python運(yùn)行在移動終端25
1.6.4 創(chuàng)建Python嵌入式程序27
習(xí)題28
第2章 Python高級開發(fā)29
2.1 字符串29
2.1.1 字符串及格式化29
2.1.2 字符串常用方法32
2.1.3 字符串匹配與正則表達(dá)式匹配33
2.1.4 字符串應(yīng)用35
2.2 文本處理35
2.2.1 讀寫JSON數(shù)據(jù)35
2.2.2 讀寫CSV數(shù)據(jù)37
2.2.3 解析XML數(shù)據(jù)38
2.2.4 字典轉(zhuǎn)XML數(shù)據(jù)42
2.2.5 文本處理應(yīng)用43
2.3 文件和流45
2.3.1 打開文件及模式45
2.3.2 文件處理方法46
2.3.3 文件應(yīng)用47
2.4 網(wǎng)絡(luò)及Web應(yīng)用48
2.4.1 創(chuàng)建TCP、UDP服務(wù)器48
2.4.2 RPC遠(yuǎn)程訪問51
2.4.3 Python動態(tài)網(wǎng)站應(yīng)用52
2.5 Python圖形繪制55
2.5.1 Python GUI簡介55
2.5.2 wxPython安裝及配置55
2.5.3 wxPython應(yīng)用55
2.5.4 PySimpleGUI及Jython應(yīng)用58
2.6 Python測試及框架60
習(xí)題63
第3章 Python數(shù)據(jù)采集與存儲64
3.1 數(shù)據(jù)采集簡介64
3.1.1 數(shù)據(jù)源概述64
3.1.2 常用的爬蟲框架66
3.1.3 社交網(wǎng)站信息采集75
3.2 Python數(shù)據(jù)存儲78
3.2.1 文本格式存儲78
3.2.2 文本存儲應(yīng)用80
3.2.3 二進(jìn)制格式存儲80
3.2.4 二進(jìn)制存儲應(yīng)用81
3.3 數(shù)據(jù)庫存儲81
3.3.1 Python 常用數(shù)據(jù)庫簡介82
3.3.2 MongoDB及應(yīng)用82
3.3.3 Redis及應(yīng)用93
3.3.4 SQLite及應(yīng)用102
3.3.5 PyTables 及應(yīng)用108
3.3.6 社交數(shù)據(jù)存儲112
3.4 案例：租房數(shù)據(jù)采集與存儲113
習(xí)題115
第4章 Python數(shù)據(jù)預(yù)處理116
4.1 數(shù)據(jù)預(yù)處理及工具簡介116
4.1.1 預(yù)處理基礎(chǔ)116
4.1.2 預(yù)處理方法117
4.1.3 預(yù)處理技術(shù)118
4.1.4 垃圾短信分類預(yù)處理120
4.2 NumPy122
4.2.1 NumPy安裝及配置123
4.2.2 NumPy的數(shù)據(jù)存取123
4.2.3 NumPy的矩陣構(gòu)建126
4.2.4 NumPy 的矩陣運(yùn)算128
4.2.5 NumPy的數(shù)學(xué)統(tǒng)計(jì)131
4.2.6 NumPy的排序運(yùn)算134
4.2.7 NumPy處理缺失項(xiàng)136
4.3 pandas137
4.3.1 pandas安裝及配置138
4.3.2 pandas數(shù)據(jù)結(jié)構(gòu)141
4.3.3 pandas 數(shù)據(jù)加載和存儲142
4.3.4 pandas數(shù)值計(jì)算與排序144
4.3.5 pandas數(shù)據(jù)索引構(gòu)建147
4.3.6 pandas復(fù)雜數(shù)據(jù)結(jié)構(gòu)148
4.3.7 書目信息索引149
4.4 SciPy150
4.4.1 SciPy安裝及配置151
4.4.2 SciPy的文件輸入與輸出152
4.4.3 SciPy的特殊函數(shù)應(yīng)用152
4.4.4 SciPy的線性代數(shù)運(yùn)算153
4.4.5 SciPy的快速傅里葉變換154
4.4.6 SciPy的優(yōu)化和擬合155
4.5 案例：社交網(wǎng)站數(shù)據(jù)預(yù)處理157
習(xí)題162
第5章 Python數(shù)據(jù)分析163
5.1 數(shù)據(jù)分析簡介163
5.1.1 數(shù)據(jù)分析發(fā)展163
5.1.2 數(shù)據(jù)分析主流技術(shù)164
5.1.3 數(shù)據(jù)分析應(yīng)用領(lǐng)域166
5.2 Python 數(shù)據(jù)分析庫167
5.2.1 scikit-learn167
5.2.2 statsmodels170
5.2.3 Gensim172
5.2.4 Keras174
5.2.5 社交網(wǎng)站數(shù)據(jù)分析177
5.3 分類178
5.3.1 分類簡介179
5.3.2 常用分類算法179
5.3.3 分類評價(jià)標(biāo)準(zhǔn)181
5.3.4 新聞分類182
5.4 回歸184
5.4.1 回歸簡介184
5.4.2 常用回歸算法185
5.4.3 回歸評價(jià)標(biāo)準(zhǔn)187
5.4.4 房屋價(jià)格回歸分析188
5.5 聚類189
5.5.1 聚類簡介189
5.5.2 典型聚類算法189
5.5.3 聚類評價(jià)標(biāo)準(zhǔn)191
5.5.4 用戶社區(qū)聚類分析192
5.6 機(jī)器學(xué)習(xí)基礎(chǔ)194
5.6.1 機(jī)器學(xué)習(xí)簡介194
5.6.2 常見機(jī)器學(xué)習(xí)算法195
5.6.3 主流應(yīng)用框架196
5.6.4 Theano 應(yīng)用198
5.7 案例：購物網(wǎng)站用戶態(tài)度及情感分析199
習(xí)題201
第6章 Python 數(shù)據(jù)可視化202
6.1 數(shù)據(jù)可視化簡介202
6.1.1 數(shù)據(jù)可視化定義202
6.1.2 數(shù)據(jù)可視化發(fā)展203
6.1.3 數(shù)據(jù)可視化分類204
6.1.4 數(shù)據(jù)可視化應(yīng)用205
6.2 數(shù)據(jù)可視化基礎(chǔ)206
6.2.1 數(shù)據(jù)可視化基本流程206
6.2.2 主流數(shù)據(jù)可視化分析技術(shù)207
6.2.3 人口遷移數(shù)據(jù)可視化209
6.3 數(shù)據(jù)可視化開發(fā)工具210
6.3.1 matplotlib210
6.3.2 NetworkX213
6.3.3 seaborn214
6.3.4 ggplot216
6.3.5 Bokeh217
6.3.6 Pygal219
6.3.7 Plotly221
6.3.8 pyecharts224
6.4 數(shù)據(jù)可視化分析框架227
6.5 案例：話題漂移可視化228
習(xí)題232
第7章 Python數(shù)據(jù)挖掘與應(yīng)用233
7.1 數(shù)據(jù)挖掘簡介233
7.1.1 Python數(shù)據(jù)挖掘基礎(chǔ)234
7.1.2 文本分詞236
7.1.3 Gensim文本主題挖掘237
7.1.4 新詞發(fā)現(xiàn)242
7.2 Python視頻數(shù)據(jù)處理244
7.2.1 常見視頻數(shù)據(jù)處理算法244
7.2.2 OpenCV的基本操作245
7.2.3 scikit-video視頻讀寫操作248
7.2.4 MoviePy視頻編輯操作250
7.2.5 人物視頻識別檢測252
7.3 Python圖像數(shù)據(jù)處理255
7.3.1 常見圖像處理算法255
7.3.2 Python圖像處理庫260
7.3.3 手寫數(shù)字圖像及字體識別262
7.3.4 基于CNN的圖像識別應(yīng)用267
7.4 案例：熱點(diǎn)話題挖掘272
習(xí)題277
第8章 綜合案例：社交用戶畫像
挖掘278
8.1 用戶畫像簡介278
8.1.1 用戶畫像基礎(chǔ)278
8.1.2 用戶畫像標(biāo)簽體系281
8.1.3 搭建用戶畫像挖掘系統(tǒng)環(huán)境284
8.2 用戶屬性挖掘模塊286
8.2.1 基礎(chǔ)標(biāo)簽創(chuàng)建286
8.2.2 標(biāo)簽數(shù)據(jù)存儲290
8.2.3 用戶屬性可視化292
8.3 用戶興趣挖掘模塊295
8.3.1 用戶興趣挖掘295
8.3.2 用戶興趣數(shù)據(jù)存儲301
8.3.3 用戶興趣可視化302
8.4 用戶行為挖掘模塊305
8.4.1 行為挖掘305
8.4.2 基于神經(jīng)網(wǎng)絡(luò)的挖掘308
8.4.3 行為標(biāo)簽存儲312
8.4.4 用戶行為關(guān)系可視化313
8.5 用戶畫像前端模塊315
8.5.1 標(biāo)簽綜合視圖315
8.5.2 單個(gè)用戶畫像325
8.5.3 用戶群體畫像334
習(xí)題340
書單推薦
