Python數(shù)據(jù)分析與挖掘實戰(zhàn)（第3版）

目　　錄　Contents
前言
基礎篇
第1章　數(shù)據(jù)挖掘基礎2
1.1　某知名連鎖餐飲企業(yè)的困惑2
1.2　從餐飲服務到數(shù)據(jù)挖掘4
1.3　數(shù)據(jù)挖掘的基本任務4
1.4　數(shù)據(jù)挖掘的建模過程5
1.4.1　目標定義5
1.4.2　數(shù)據(jù)采集6
1.4.3　數(shù)據(jù)探索7
1.4.4　數(shù)據(jù)預處理8
1.4.5　挖掘建模8
1.4.6　模型評價8
1.5　常用的數(shù)據(jù)挖掘建模工具8
1.6　小結10
第2章　Python數(shù)據(jù)分析簡介11
2.1　搭建Python開發(fā)平臺12
2.1.1　需要考慮的問題12
2.1.2　基礎平臺的搭建13
2.2　Python使用入門14
2.2.1　運行方式14
2.2.2　基本命令15
2.2.3　數(shù)據(jù)結構18
2.2.4　庫的導入與添加23
2.3　Python數(shù)據(jù)分析工具25
2.3.1　NumPy26
2.3.2　SciPy27
2.3.3　Matplotlib28
2.3.4　pandas29
2.3.5　StatsModels31
2.3.6　scikit-learn31
2.3.7　Keras33
2.3.8　Gensim35
2.3.9　TensorFlow35
2.3.10　PyTorch39
2.3.11　PaddlePaddle42
2.3.12　XGBoost45
2.4　配套附件使用設置47
2.5　小結47
第3章　數(shù)據(jù)探索48
3.1　數(shù)據(jù)質量分析48
3.1.1　缺失值分析49
3.1.2　異常值分析49
3.1.3　一致性分析53
3.2　數(shù)據(jù)特征分析53
3.2.1　分布分析53
3.2.2　對比分析58
3.2.3　統(tǒng)計量分析60
3.2.4　周期性分析63
3.2.5　貢獻度分析65
3.2.6　相關性分析67
3.3　Python的主要數(shù)據(jù)探索函數(shù)71
3.3.1　基本統(tǒng)計特征函數(shù)71
3.3.2　拓展統(tǒng)計特征函數(shù)75
3.3.3　統(tǒng)計繪圖函數(shù)76
3.4　小結83
第4章　數(shù)據(jù)預處理84
4.1　數(shù)據(jù)清洗84
4.1.1　缺失值處理84
4.1.2　異常值處理89
4.1.3　重復值處理89
4.2　數(shù)據(jù)集成91
4.2.1　實體識別91
4.2.2　冗余屬性識別91
4.3　數(shù)據(jù)變換92
4.3.1　簡單函數(shù)變換92
4.3.2　數(shù)據(jù)規(guī)范化92
4.3.3　連續(xù)屬性離散化95
4.3.4　屬性構造97
4.3.5　小波變換98
4.4　數(shù)據(jù)歸約101
4.4.1　屬性歸約101
4.4.2　數(shù)值歸約106
4.5　Python的主要數(shù)據(jù)預處理函數(shù)109
4.6　小結111
第5章　挖掘建模113
5.1　分類與預測113
5.1.1　實現(xiàn)過程114
5.1.2　常用的分類與預測算法114
5.1.3　回歸分析115
5.1.4　決策樹119
5.1.5　人工神經(jīng)網(wǎng)絡126
5.1.6　分類與預測算法評價131
5.1.7　Python的分類預測模型136
5.2　聚類分析136
5.2.1　常用的聚類分析算法137
5.2.2　k均值聚類算法138
5.2.3　聚類分析算法評價143
5.2.4　Python的主要聚類分析算法144
5.3　關聯(lián)規(guī)則146
5.3.1　常用的關聯(lián)規(guī)則算法147
5.3.2　Apriori算法147
5.4　時序模式153
5.4.1　時間序列算法153
5.4.2　時間序列的預處理154
5.4.3　平穩(wěn)時間序列分析156
5.4.4　非平穩(wěn)時間序列分析159
5.4.5　Python的主要時序模式算法167
5.5　離群點檢測170
5.5.1　離群點的成因及類型170
5.5.2　離群點檢測方法171
5.5.3　基于統(tǒng)計模型的離群點
　　　檢測方法172
5.5.4　基于聚類的離群點檢測方法174
5.6　小結177
實戰(zhàn)篇
第6章　房屋租金影響因素分析
　　　　與預測180
6.1　背景與挖掘目標180
6.2　分析方法與過程181
6.2.1　數(shù)據(jù)預處理181
6.2.2　數(shù)據(jù)探索190
6.2.3　模型構建201
6.3　上機實驗207
6.4　拓展思考208
6.5　小結209
第7章　商超客戶價值分析210
7.1　背景與挖掘目標210
7.2　分析方法與過程211
7.2.1　數(shù)據(jù)探索與預處理212
7.2.2　模型構建及結果分析228
7.3　上機實驗238
7.4　拓展思考239
7.5　小結240
第8章　商品零售購物籃分析241
8.1　背景與挖掘目標241
8.2　分析方法與過程242
8.2.1　數(shù)據(jù)探索分析243
8.2.2　數(shù)據(jù)預處理249
8.2.3　模型構建249
8.3　上機實驗255
8.4　拓展思考256
8.5　小結256
第9章　基于水色圖像的水質評價257
9.1　背景與挖掘目標257
9.2　分析方法與過程258
9.2.1　分析流程259
9.2.2　數(shù)據(jù)預處理259
9.2.3　模型構建263
9.2.4　水質評價264
9.3　上機實驗265
9.4　拓展思考265
9.5　小結266
第10章　家用熱水器用戶行為
　　　　　分析與事件識別267
10.1　背景與挖掘目標267
10.2　分析方法與過程268
10.2.1　數(shù)據(jù)探索分析269
10.2.2　數(shù)據(jù)預處理272
10.2.3　模型構建283
10.2.4　模型檢驗284
10.3　上機實驗285
10.4　拓展思考287
10.5　小結288
第11章　電視產品個性化推薦289
11.1　背景與挖掘目標289
11.2　分析方法與過程290
11.2.1　分析流程291
11.2.2　數(shù)據(jù)預處理291
11.2.3　分析與建模306
11.2.4　模型評價310
11.3　上機實驗313
11.4　拓展思考314
11.5　小結314
第12章　天問一號事件中的網(wǎng)民
　　　　評論情感分析315
12.1　背景與挖掘目標315
12.2　分析方法與過程316
12.2.1　分析流程316
12.2.2　數(shù)據(jù)說明317
12.2.3　數(shù)據(jù)探索318
12.2.4　文本預處理323
12.2.5　繪制詞云圖327
12.2.6　使用樸素貝葉斯構建
　　　　情感分析模型331
12.2.7　模型評價338
12.2.8　模型優(yōu)化340
12.3　上機實驗344
12.4　拓展思考345
12.5　小結345
提高篇
第13章　基于TipDM大數(shù)據(jù)挖掘
　　　　　建模平臺實現(xiàn)商超客戶
　　　　　價值分析348
13.1　平臺簡介348
13.1.1　“共享庫”模塊350
13.1.2　“數(shù)據(jù)連接”模塊350
13.1.3　“數(shù)據(jù)集”模塊350
13.1.4　“我的工程”模塊351
13.1.5　“個人組件”模塊354
13.2　快速構建數(shù)據(jù)挖掘工程355
13.2.1　數(shù)據(jù)源配置355
13.2.2　數(shù)據(jù)探索與處理360
13.2.3　模型構建與結果分析379
13.3　小結393