第 1章　Python數(shù)據(jù)分析概述　1 任務(wù)1.1　認(rèn)識數(shù)據(jù)分析　2 1.1.1　掌握數(shù)據(jù)分析的概念　2 1.1.2　掌握數(shù)據(jù)分析的流程　3 1.1.3　了解數(shù)據(jù)分析的應(yīng)用場景　4 任務(wù)1.2　熟悉Python數(shù)據(jù)分析的工具　6 1.2.1　了解數(shù)據(jù)分析常用工具　6 1.2.2　了解Python數(shù)據(jù)分析的優(yōu)勢　7 1.2.3　了解Python數(shù)據(jù)分析常用庫　7 任務(wù)1.3　安裝Python的Anaconda發(fā)行版　9 1.3.1　了解Python的Anaconda發(fā)行版　10 1.3.2　在Windows系統(tǒng)中安裝Anaconda發(fā)行版　10 1.3.3　在Linux系統(tǒng)中安裝Anaconda發(fā)行版　13 任務(wù)1.4　掌握J(rèn)upyter Notebook常用功能　15 1.4.1　掌握J(rèn)upyter Notebook的基本功能　15 1.4.2　掌握J(rèn)upyter Notebook的高級功能　17 小結(jié)　20 課后習(xí)題　21 第 2章　NumPy數(shù)組計算基礎(chǔ)　23 任務(wù)2.1　掌握NumPy數(shù)組對象ndarray　24 2.1.1　創(chuàng)建數(shù)組對象　24 2.1.2　生成隨機數(shù)　30 2.1.3　通過索引訪問數(shù)組　31 2.1.4　變換數(shù)組的形狀　33 任務(wù)2.2　掌握NumPy矩陣與通用函數(shù)　37 2.2.1　創(chuàng)建NumPy矩陣　37 2.2.2　掌握ufunc函數(shù)　39 任務(wù)2.3　利用NumPy進(jìn)行統(tǒng)計分析　43 2.3.1　讀/寫文件　43 2.3.2　使用函數(shù)進(jìn)行簡單的統(tǒng)計分析　45 小結(jié)　50 實訓(xùn)　50 實訓(xùn)1　使用數(shù)組比較運算對超市牛奶價格進(jìn)行對比　50 實訓(xùn)2　創(chuàng)建6×6的簡單數(shù)獨游戲矩陣　51 課后習(xí)題　51 第3章　pandas統(tǒng)計分析基礎(chǔ)　53 任務(wù)3.1　讀/寫不同數(shù)據(jù)源的數(shù)據(jù)　54 3.1.1　認(rèn)識pandas庫　54 3.1.2　讀/寫文本文件　54 3.1.3　讀/寫Excel文件　58 3.1.4　讀/寫數(shù)據(jù)庫　60 任務(wù)3.2　掌握DataFrame的常用操作　62 3.2.1　查看DataFrame的常用屬性　63 3.2.2　查、改、增、刪DataFrame數(shù)據(jù)　64 3.2.3　描述分析DataFrame數(shù)據(jù)　70 任務(wù)3.3　轉(zhuǎn)換與處理時間序列數(shù)據(jù)　73 3.3.1　轉(zhuǎn)換時間字符串為標(biāo)準(zhǔn)時間　73 3.3.2　提取時間序列數(shù)據(jù)信息　75 3.3.3　加減時間數(shù)據(jù)　76 任務(wù)3.4　使用分組聚合進(jìn)行組內(nèi)計算　78 3.4.1　使用groupby()方法拆分?jǐn)?shù)據(jù)　78 3.4.2　使用agg()方法聚合數(shù)據(jù)　80 3.4.3　使用apply()方法聚合數(shù)據(jù)　82 3.4.4　使用transform()方法聚合數(shù)據(jù)　83 任務(wù)3.5　創(chuàng)建透視表與交叉表　84 3.5.1　使用pivot_table函數(shù)創(chuàng)建透視表　85 3.5.2　使用crosstab函數(shù)創(chuàng)建交叉表　87 小結(jié)　88 實訓(xùn)　89 實訓(xùn)1　讀取并查看某地區(qū)房屋銷售數(shù)據(jù)的基本信息　89 實訓(xùn)2　提取房屋售出時間信息并描述房屋價格信息　89 實訓(xùn)3　使用分組聚合方法分析房屋銷售情況　90 實訓(xùn)4　分析房屋地區(qū)、配套房間數(shù)和房屋價格的關(guān)系　90 課后習(xí)題　91 第4章　使用pandas進(jìn)行數(shù)據(jù)預(yù)處理　93 任務(wù)4.1　合并數(shù)據(jù)　93 4.1.1　堆疊合并數(shù)據(jù)　94 4.1.2　主鍵合并數(shù)據(jù)　97 4.1.3　重疊合并數(shù)據(jù)　99 任務(wù)4.2　清洗數(shù)據(jù)　100 4.2.1　檢測與處理重復(fù)值　100 4.2.2　檢測與處理缺失值　104 4.2.3　檢測與處理異常值　108 任務(wù)4.3　標(biāo)準(zhǔn)化數(shù)據(jù)　110 4.3.1　離差標(biāo)準(zhǔn)化數(shù)據(jù)　110 4.3.2　標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化數(shù)據(jù)　111 4.3.3　小數(shù)定標(biāo)標(biāo)準(zhǔn)化數(shù)據(jù)　111 任務(wù)4.4　變換數(shù)據(jù)　112 4.4.1　啞變量處理類別型數(shù)據(jù)　112 4.4.2　離散化連續(xù)型數(shù)據(jù)　114 小結(jié)　117 實訓(xùn)　117 實訓(xùn)1　合并年齡、平均血糖和中風(fēng)患者信息數(shù)據(jù)　117 實訓(xùn)2　刪除年齡異常的數(shù)據(jù)　118 實訓(xùn)3　離散化年齡特征　118 課后習(xí)題　119 第5章　Matplotlib、seaborn、pyecharts數(shù)據(jù)可視化基礎(chǔ)　121 任務(wù)5.1　掌握Matplotlib基礎(chǔ)繪圖　122 5.1.1　熟悉pyplot繪圖基礎(chǔ)語法與常用參數(shù)　122 5.1.2　使用Matplotlib繪制進(jìn)階圖形　128 任務(wù)5.2　掌握seaborn基礎(chǔ)繪圖　137 5.2.1　熟悉seaborn繪圖基礎(chǔ)　137 5.2.2　使用seaborn繪制基礎(chǔ)圖形　153 任務(wù)5.3　掌握pyecharts基礎(chǔ)繪圖　162 5.3.1　熟悉pyecharts繪圖基礎(chǔ)　162 5.3.2　使用pyecharts繪制交互式圖形　166 小結(jié)　171 實訓(xùn)　172 實訓(xùn)1　分析學(xué)生考試成績特征的分布與分散情況　172 實訓(xùn)2　分析學(xué)生考試成績與各個特征之間的關(guān)系　172 實訓(xùn)3　分析各空氣質(zhì)量指數(shù)之間的相關(guān)關(guān)系　173 實訓(xùn)4　繪制交互式基礎(chǔ)圖形　174 課后習(xí)題　174 第6章　使用scikit-learn構(gòu)建模型　177 任務(wù)6.1　使用sklearn轉(zhuǎn)換器處理數(shù)據(jù)　178 6.1.1　加載datasets模塊中的數(shù)據(jù)集　178 6.1.2　將數(shù)據(jù)集劃分為訓(xùn)練集和測試集　180 6.1.3　使用sklearn轉(zhuǎn)換器進(jìn)行數(shù)據(jù)預(yù)處理　182 任務(wù)6.2　構(gòu)建并評價聚類模型　184 6.2.1　使用sklearn估計器構(gòu)建聚類模型　185 6.2.2　評價聚類模型　187 任務(wù)6.3　構(gòu)建并評價分類模型　189 6.3.1　使用sklearn估計器構(gòu)建分類模型　190 6.3.2　評價分類模型　192 任務(wù)6.4　構(gòu)建并評價回歸模型　194 6.4.1　使用sklearn估計器構(gòu)建線性回歸模型　194 6.4.2　評價回歸模型　197 小結(jié)　198 實訓(xùn)　198 實訓(xùn)1　使用sklearn處理競標(biāo)行為數(shù)據(jù)集　198 實訓(xùn)2　構(gòu)建基于競標(biāo)行為數(shù)據(jù)集的K-Means聚類模型　199 實訓(xùn)3　構(gòu)建基于競標(biāo)行為數(shù)據(jù)集的支持向量機分類模型　200 實訓(xùn)4　構(gòu)建基于競標(biāo)行為數(shù)據(jù)集的回歸模型　200 課后習(xí)題　200 第7章　競賽網(wǎng)站用戶行為分析　202 任務(wù)7.1　了解競賽網(wǎng)站用戶行為分析的背景和方法　203 7.1.1　了解競賽網(wǎng)站背景　203 7.1.2　認(rèn)識用戶行為分析　204 7.1.3　熟悉競賽網(wǎng)站用戶行為分析的步驟與流程　204 任務(wù)7.2　預(yù)處理競賽網(wǎng)站用戶訪問數(shù)據(jù)　205 7.2.1　特征值變換　205 7.2.2　用戶識別　207 7.2.3　數(shù)據(jù)清洗　208 7.2.4　網(wǎng)頁分類　211 7.2.5　構(gòu)造特征　213 任務(wù)7.3　對競賽網(wǎng)站用戶進(jìn)行分群　214 7.3.1　了解K-Means聚類算法　214 7.3.2　使用K-Means聚類算法進(jìn)行用戶分群　215 7.3.3　模型應(yīng)用　217 小結(jié)　218 實訓(xùn)　218 實訓(xùn)1　處理某App用戶信息數(shù)據(jù)集　218 實訓(xùn)2　構(gòu)建與用戶使用信息相關(guān)的　特征　219 實訓(xùn)3　構(gòu)建K-Means聚類模型　219 課后習(xí)題　219 第8章　企業(yè)所得稅預(yù)測分析　221 任務(wù)8.1　了解企業(yè)所得稅預(yù)測的背景與方法　222 8.1.1　分析企業(yè)所得稅預(yù)測背景　222 8.1.2　了解企業(yè)所得稅預(yù)測的方法　223 8.1.3　熟悉企業(yè)所得稅預(yù)測的步驟與流程　224 任務(wù)8.2　分析企業(yè)所得稅數(shù)據(jù)特征的相關(guān)性　224 8.2.1　了解相關(guān)性分析　225 8.2.2　計算Pearson相關(guān)系數(shù)　225 任務(wù)8.3　使用Lasso回歸選取企業(yè)所得稅預(yù)測的關(guān)鍵特征　227 8.3.1　了解Lasso回歸方法　227 8.3.2　選取關(guān)鍵特征　228 任務(wù)8.4　使用灰色預(yù)測算法和SVR算法構(gòu)建企業(yè)所得稅預(yù)測模型　229 8.4.1　了解灰色預(yù)測算法　230 8.4.2　了解SVR算法　231 8.4.3　預(yù)測企業(yè)所得稅　232 小結(jié)　236 實訓(xùn)　236 實訓(xùn)1　處理英雄聯(lián)盟游戲數(shù)據(jù)集　236 實訓(xùn)2　構(gòu)建游戲勝負(fù)預(yù)測關(guān)鍵特征　237 實訓(xùn)3　構(gòu)建SVR模型　238 課后習(xí)題　238 第9章　餐飲企業(yè)客戶流失預(yù)測　240 任務(wù)9.1　了解餐飲企業(yè)客戶分析需求　241 9.1.1　了解餐飲企業(yè)客戶流失預(yù)測背景　241 9.1.2　認(rèn)識餐飲企業(yè)客戶流失預(yù)測　243 9.1.3　熟悉餐飲企業(yè)客戶流失預(yù)測的步驟與流程　243 任務(wù)9.2　預(yù)處理餐飲企業(yè)數(shù)據(jù)　244 9.2.1　數(shù)據(jù)探索　244 9.2.2　查看重復(fù)值　246 9.2.3　處理異常值　246 9.2.4　處理缺失值　247 9.2.5　構(gòu)建客戶流失特征　248 任務(wù)9.3　使用決策樹算法和支持向量機算法進(jìn)行餐飲企業(yè)客戶流失預(yù)測　250 9.3.1　了解決策樹算法　250 9.3.2　了解支持向量機算法　252 9.3.3　預(yù)測餐飲企業(yè)客戶流失　253 小結(jié)　255 實訓(xùn)　256 實訓(xùn)1　預(yù)處理尺碼信息數(shù)據(jù)　256 實訓(xùn)2　構(gòu)建支持向量機分類模型預(yù)測客戶 服裝尺寸　256 課后習(xí)題　257 第 10章　基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)客戶流失預(yù)測　259 任務(wù)10.1　了解平臺的相關(guān)概念、特點和功能　260 10.1.1　了解平臺的界面、訪問方式和特點　260 10.1.2　了解“實訓(xùn)庫”模塊的功能　261 10.1.3　了解“數(shù)據(jù)連接”模塊的功能　261 10.1.4　了解“實訓(xùn)數(shù)據(jù)”模塊的功能　262 10.1.5　了解“我的實訓(xùn)”模塊的功能　262 10.1.6　了解“系統(tǒng)算法”模塊的功能　263 10.1.7　了解“個人算法”模塊的功能　265 任務(wù)10.2　使用平臺實現(xiàn)客戶流失預(yù)測　265 10.2.1　掌握使用平臺配置客戶流失預(yù)測案例的步驟和流程　265 10.2.2　數(shù)據(jù)源配置　266 10.2.3　數(shù)據(jù)預(yù)處理　268 10.2.4　構(gòu)建模型　273 小結(jié)　275 實訓(xùn)　275 實訓(xùn)　預(yù)測客戶服裝尺寸　275 課后習(xí)題　276