KNIME視覺化數(shù)據(jù)分析

第1章 數(shù)據(jù)分析方法論 1
1.1 基本要求與基礎(chǔ)概念 1
1.1.1 目標讀者 1
1.1.2 楔子 2
1.1.3 厘清誰是數(shù)據(jù)的所有者 2
1.1.4 成為科學家還是工程師 3
1.2 方法論 4
1.2.1 你的問題是什么 4
1.2.2 問題的解空間 5
1.2.3 科學方法 6
1.2.4 “然后呢” 7
1.2.5 CRISP-DM數(shù)據(jù)挖掘的跨行業(yè)標準流程 9
1.3 后續(xù)內(nèi)容 10
第2章 KNIME使用基礎(chǔ) 12
2.1 權(quán)衡數(shù)據(jù)分析的需求與解決方案 12
2.1.1 制定實施方案 12
2.1.2 案例：一次關(guān)于工具選型的聊天 15
2.2 KNIME簡介、生態(tài)圈和資源 18
2.2.1 KNIME簡介 18
2.2.2 當我們提到KNIME時，具體是指什么 20
2.2.3 KNIME 的相關(guān)資源 21
2.3 安裝KNIME及其擴展 22
2.3.1 安裝KNIME分析平臺 22
2.3.2 啟動KNIME 24
2.3.3 安裝KNIME擴展 25
2.3.4 卸載KNIME擴展 26
2.4 KNIME的使用 26
2.4.1 關(guān)于KNIME界面 26
2.4.2 KNIME使用簡介 29
2.4.3 導入和導出現(xiàn)有工作流 30
2.4.4 例子服務器及Hub的使用 31
2.5 遇到問題怎么辦 34
第3章 KNIME數(shù)據(jù)分析基礎(chǔ) 36
3.1 數(shù)據(jù)來源及輪廓 36
3.1.1 了解原始數(shù)據(jù)來源 36
3.1.2 了解輪廓，進行探索性分析 36
3.1.3 一個好例子 37
3.1.4 房價例子 38
3.2 計算機如何處理表格數(shù)據(jù) 39
3.2.1 基礎(chǔ)數(shù)據(jù)操作 39
3.2.2 展示示例數(shù)據(jù) 39
3.2.3 具體的小問題 39
3.3 基礎(chǔ)操作之讀取數(shù)據(jù)源 41
3.3.1 讀取文件 41
3.3.2 讀取數(shù)據(jù)庫 43
3.3.3 導入之前的數(shù)據(jù) 43
3.4 基礎(chǔ)操作之挑選（select）操作 44
3.4.1 了解完備概念 44
3.4.2 你會幾種編程語言 45
3.4.3 回顧之前的問題 45
3.4.4 SQL中的挑選操作 46
3.4.5 KNIME中的挑選操作 47
3.5 基礎(chǔ)操作之CASE、group by和join 49
3.5.1 條件操作、缺失值和排序 50
3.5.2 分組操作——group by 51
3.5.3 子查詢——subquery 51
3.5.4 連接操作——join 52
3.5.5 使用KNIME完成之前的問題 52
3.6 了解KNIME中的重要概念 56
3.6.1 了解路徑 56
3.6.2 了解節(jié)點基礎(chǔ) 59
第4章 KNIME基礎(chǔ)節(jié)點——數(shù)據(jù)訪問類型 64
4.1 IO節(jié)點集合 65
4.1.1 Read（讀）目錄下的節(jié)點 66
4.1.2 File Folder Utility（文件、文件夾工具）目錄下的節(jié)點 68
4.1.3 Other（其他）目錄下的節(jié)點 69
4.1.4 文件處理節(jié)點的補充說明 70
4.2 DB節(jié)點集合 70
4.2.1 Connection（連接）目錄下的節(jié)點 71
4.2.2 獲取數(shù)據(jù)的兩種模式 73
4.2.3 Query（查詢）目錄下的節(jié)點 75
4.2.4 Read/Write（讀/寫）目錄下的節(jié)點 77
4.2.5 Utility（工具）目錄下的節(jié)點 78
4.3 JSON、XML類型 78
4.3.1 JSON格式介紹與解析 79
4.3.2 XML格式介紹與解析 83
4.3.3 JSON與XML的相應節(jié)點 84
4.4 Web相關(guān)節(jié)點 85
4.5 NoSQL相關(guān)節(jié)點 85
4.6 網(wǎng)絡(luò)數(shù)據(jù)訪問 86
4.6.1 網(wǎng)絡(luò)數(shù)據(jù)簡要說明 86
4.6.2 使用GET/POST Request 節(jié)點 89
4.6.3 其他 91
第5章 KNIME基礎(chǔ)節(jié)點——轉(zhuǎn)換類型 92
5.1 Column（列）處理節(jié)點集合 93
5.1.1 Binning（分桶）目錄下的節(jié)點 93
5.1.2 Convert ＆ Replace（轉(zhuǎn)換 ＆ 替換）目錄下的節(jié)點 96
5.1.3 Filter（過濾）目錄下的節(jié)點 101
5.1.4 Split ＆ Combine（分割與組合）目錄下的節(jié)點 101
5.1.5 Transform（轉(zhuǎn)換）目錄下的節(jié)點 103
5.1.6 其他的列處理節(jié)點 106
5.2 Row（行）處理節(jié)點集合 107
5.2.1 Filter（過濾）目錄下的節(jié)點 107
5.2.2 Transform（轉(zhuǎn)換）目錄下的節(jié)點 110
5.2.3 GroupBy（分組聚合）節(jié)點 112
5.2.4 Pivoting（轉(zhuǎn)軸或透視）節(jié)點 116
5.2.5 其他行處理節(jié)點 119
5.3 Table（表）處理節(jié)點集合 121
5.4 PMML節(jié)點集合 121
5.5 時間數(shù)據(jù)類型相關(guān)操作 124
第6章 KNIME基礎(chǔ)節(jié)點——分析和數(shù)據(jù)挖掘類型 128
6.1 機器學習簡述 128
6.1.1 監(jiān)督學習和非監(jiān)督學習 128
6.1.2 基本概念和約定 129
6.1.3 模型選擇、超參優(yōu)化及錯誤分析 132
6.2 Analytics節(jié)點集合 133
6.2.1 學習器（Learner）和預測器（Predictor） 134
6.2.2 Feature Selection（特征選擇）節(jié)點 135
6.2.3 Scoring（記分）目錄下的節(jié)點 136
6.2.4 Statistics（統(tǒng)計）類節(jié)點 136
6.2.5 Distance Calculation（距離計算）類節(jié)點 137
6.3 探索性數(shù)據(jù)分析（EDA）練習 137
6.3.1 泰坦尼克號 137
6.3.2 數(shù)據(jù)探索 138
6.3.3 對原始數(shù)據(jù)進行粗略觀察 138
6.3.4 進一步觀察數(shù)據(jù) 143
6.4 簡單的機器學習練習——使用KNIME中的決策樹算法 147
第7章 進階話題——流變量與控制循環(huán)結(jié)構(gòu) 152
7.1 流變量從入門到精通 152
7.1.1 了解流變量 152
7.1.2 生成流變量 153
7.1.3 使用流變量 156
7.1.4 流變量的操作 160
7.1.5 流變量的特別使用方式 164
7.2 循環(huán)（Loop）結(jié)構(gòu) 164
7.2.1 兩種Loop End（循環(huán)結(jié)束）節(jié)點 166
7.2.2 遞歸循環(huán) 168
7.2.3 循環(huán)的調(diào)試 170
7.2.4 和流變量有關(guān)的循環(huán) 171
7.2.5 其他循環(huán) 172
7.3 分支（Switches）結(jié)構(gòu) 175
7.3.1 IF Switch節(jié)點 176
7.3.2 Java IF（Table）節(jié)點 177
7.3.3 CASE Switch類節(jié)點 177
7.3.4 Empty Table Switch（空表切換）節(jié)點 178
7.3.5 其他說明 179
7.4 錯誤處理 179
7.4.1 Try…Catch結(jié)構(gòu) 179
7.4.2 舉例：循環(huán)中的Try ... Catch結(jié)構(gòu) 183
7.4.3 其他 184
第8章 進階話題——數(shù)據(jù)可視化、模塊化與編程節(jié)點 185
8.1 數(shù)據(jù)可視化 185
8.1.1 數(shù)據(jù)可視化簡介 185
8.1.2 KNIME中的可視化節(jié)點簡介 188
8.1.3 以折線圖（Line Plot）為例介紹可視化相關(guān)節(jié)點 189
8.1.4 其他可視化圖表 195
8.1.5 通用可視化節(jié)點——Generic JavaScript View 195
8.2 模塊化 197
8.2.1 KNIME 模塊化簡史 198
8.2.2 元節(jié)點（Metanode） 199
8.2.3 組件（Component） 201
8.2.4 其他建議 207
8.3 生成報告 208
8.4 Java相關(guān)節(jié)點 213
8.4.1 Java Snippet（simple）節(jié)點 213
8.4.2 Java Snippet Row Filter（Java行過濾器）節(jié)點 216
8.4.3 Java Snippet節(jié)點 217
8.5 Python相關(guān)節(jié)點 221
8.5.1 Python環(huán)境配置 222
8.5.2 KNIME中的Python 226
8.5.3 Python相關(guān)節(jié)點介紹 229
8.5.4 與Jupyter交互 231
8.5.5 Conda的常用命令 234
第9章 高級話題 235
9.1 可復現(xiàn)性與測試 235
9.2 深度學習介紹 238
9.2.1 基于Keras的深度學習 239
9.2.2 基于TensorFlow 2的深度學習 242
9.2.3 使用現(xiàn)有模型進行預測 244
9.2.4 使用深度學習的其他方式 246
9.3 時間序列分析介紹 247
9.3.1 想要預測什么 247
9.3.2 時間圖（Time Plot） 249
9.3.3 季節(jié)圖（Seasonal Plot） 249
9.3.4 季節(jié)性子圖（Seasonal Subseries Plot） 251
9.3.5 箱形圖（Box Plot） 252
9.3.6 散點圖（Scatter Plot） 253
9.3.7 滯后圖（Lag Plot） 254
9.3.8 自相關(guān)圖（Auto Correlation Plot）與偏自相關(guān)圖（Partial autocorrelation
function Plot） 255
9.3.9 時間序列的組成 257
9.3.10 時間序列的預處理 258
9.3.11 趨勢（Trend）成分 260
9.3.12 季節(jié)性（Seasonal）成分 261
9.3.13 周期性（Cyclic）成分 263
9.3.14 經(jīng)典的統(tǒng)計學方法 263
9.4 擴展開發(fā)介紹 264
9.5 （機器學習的）集成部署（Integrated Deployment） 271
9.5.1 概述 271
9.5.2 使用舉例 272
9.6 KNIME Server、Executor與Edge簡介 276
9.6.1 架構(gòu)簡介 276
9.6.2 功能簡介 278