Python数据分析与应用 PDF 内部全资料版

《Python数据分析与应用》是由人民邮电出版社出版的一本关于Python数据方面的书籍，作者是黄红梅、张良均，主要介绍了关于Python方面的知识内容，目前在Python数据类书籍综合评分为：9.8分。

书籍介绍

这书选用了以每日任务为导向性的教学方式，依照处理具体每日任务的工作内容线路，逐渐进行详细介绍有关的基础理论知识结构图，计算转化成行得通的解决方法，* 后贯彻落实在每日任务保持阶段。 本书绝大多数章节目录围绕每日任务要求进行，不沉积知识结构图，侧重于解决困难时构思的启迪与计划方案的执行。根据从每日任务要求到保持这一详细工作内容的感受，协助用户真实了解与消化吸收Python数据统计分析与运用。 书中实例所有来源于公司真正新项目，可执行性强，正确引导用户融汇贯通，并出示源码等有关教学资源，协助用户迅速把握互联网大数据有关专业技能。这书以每日任务为导向性，全方位地详细介绍数据统计分析的步骤和Python数据统计分析库的运用，详尽解读运用Python处理公司具体难题的方式 。本书共9章，* 1章详细介绍了数据统计分析的基本要素等有关专业知识；* 2～6章详细介绍了Python数据统计分析的常见库以及运用，包含NumPy数值计算、Matplotlib大数据可视化、pandas数据分析、应用pandas开展数据预处理、应用scikit-learn搭建实体模型，比较全方位地论述了Python数据分析方法；第7～9章融合以前所教的数据统计分析技术性，开展公司综合性实例数据统计分析。除* 1章外，这书各章都包括了培训与课后练习练习题，根据训练和实际操作实践活动，协助用户推进所教的內容。 这书可做为高等院校云计算技术类技术专业的教材内容，还可以做为云计算技术发烧友的自学用书。

目录

• 第1章　Python数据分析概述　1
• 任务1.1　认识数据分析　1
• 1.1.1　掌握数据分析的概念　2
• 1.1.2　掌握数据分析的流程　2
• 1.1.3　了解数据分析应用场景　4
• 任务1.2　熟悉Python数据分析的工具　5
• 1.2.1　了解数据分析常用工具　6
• 1.2.2　了解Python数据分析的优势　7
• 1.2.3　了解Python数据分析常用类库　7
• 任务1.3　安装Python的Anaconda发行版　9
• 1.3.1　了解Python的Anaconda发行版　9
• 1.3.2　在Windows系统中安装Anaconda　9
• 1.3.3　在Linux系统中安装Anaconda　12
• 任务1.4　掌握Jupyter Notebook常用功能　14
• 1.4.1　掌握Jupyter Notebook的基本功能　14
• 1.4.2　掌握Jupyter Notebook的高 级功能　16
• 小结　19
• 课后习题　19
• 第2章　NumPy数值计算基础　21
• 任务2.1　掌握NumPy数组对象ndarray　21
• 2.1.1　创建数组对象　21
• 2.1.2　生成随机数　27
• 2.1.3　通过索引访问数组　29
• 2.1.4　变换数组的形态　31
• 任务2.2　掌握NumPy矩阵与通用函数　34
• 2.2.1　创建NumPy矩阵　34
• 2.2.2　掌握ufunc函数　37
• 任务2.3　利用NumPy进行统计分析　41
• 2.3.1　读/写文件　41
• 2.3.2　使用函数进行简单的统计分析　44
• 2.3.3　任务实现　48
• 小结　50
• 实训　50
• 实训1　创建数组并进行运算　50
• 实训2　创建一个国际象棋的棋盘　50
• 课后习题　51
• 第3章　Matplotlib数据可视化基础　52
• 任务3.1　掌握绘图基础语法与常用参数　52
• 3.1.1　掌握pyplot基础语法　53
• 3.1.2　设置pyplot的动态rc参数　56
• 任务3.2　分析特征间的关系　59
• 3.2.1　绘制散点图　59
• 3.2.2　绘制折线图　62
• 3.2.3　任务实现　65
• 任务3.3　分析特征内部数据分布与分散状况　68
• 3.3.1　绘制直方图　68
• 3.3.2　绘制饼图　70
• 3.3.3　绘制箱线图　71
• 3.3.4　任务实现　73
• 小结　77
• 实训　78
• 实训1　分析1996～2015年人口数据特征间的关系　78
• 实训2　分析1996～2015年人口数据各个特征的分布与分散状况　78
• 课后习题　79
• 第4章　pandas统计分析基础　80
• 任务4.1　读/写不同数据源的数据　80
• 4.1.1　读/写数据库数据　80
• 4.1.2　读/写文本文件　83
• 4.1.3　读/写Excel文件　87
• 4.1.4　任务实现　88
• 任务4.2　掌握DataFrame的常用操作　89
• 4.2.1　查看DataFrame的常用属性　89
• 4.2.2　查改增删DataFrame数据　91
• 4.2.3　描述分析DataFrame数据　101
• 4.2.4　任务实现　104
• 任务4.3　转换与处理时间序列数据　107
• 4.3.1　转换字符串时间为标准时间　107
• 4.3.2　提取时间序列数据信息　109
• 4.3.3　加减时间数据　110
• 4.3.4　任务实现　111
• 任务4.4　使用分组聚合进行组内计算　113
• 4.4.1　使用groupby方法拆分数据　114
• 4.4.2　使用agg方法聚合数据　116
• 4.4.3　使用apply方法聚合数据　119
• 4.4.4　使用transform方法聚合数据　121
• 4.4.5　任务实现　121
• 任务4.5　创建透视表与交叉表　123
• 4.5.1　使用pivot_table函数创建透视表　123
• 4.5.2　使用crosstab函数创建交叉表　127
• 4.5.3　任务实现　128
• 小结　130
• 实训　130
• 实训1　读取并查看P2P网络贷款数据主表的基本信息　130
• 实训2　提取用户信息更新表和登录信息表的时间信息　130
• 实训3　使用分组聚合方法进一步分析用户信息更新表和登录信息表　131
• 实训4　对用户信息更新表和登录信息表进行长宽表转换　131
• 课后习题　131
• 第5章　使用pandas进行数据预处理　133
• 任务5.1　合并数据　133
• 5.1.1　堆叠合并数据　133
• 5.1.2　主键合并数据　136
• 5.1.3　重叠合并数据　139
• 5.1.4　任务实现　140
• 任务5.2　清洗数据　141
• 5.2.1　检测与处理重复值　141
• 5.2.2　检测与处理缺失值　146
• 5.2.3　检测与处理异常值　149
• 5.2.4　任务实现　152
• 任务5.3　标准化数据　154
• 5.3.1　离差标准化数据　154
• 5.3.2　标准差标准化数据　155
• 5.3.3　小数定标标准化数据　156
• 5.3.4　任务实现　157
• 任务5.4　转换数据　158
• 5.4.1　哑变量处理类别型数据　158
• 5.4.2　离散化连续型数据　160
• 5.4.3　任务实现　162
• 小结　163
• 实训　164
• 实训1　插补用户用电量数据缺失值　164
• 实训2　合并线损、用电量趋势与线路告警数据　164
• 实训3　标准化建模专家样本数据　164
• 课后习题　165
• 第6章　使用scikit-learn构建模型　167
• 任务6.1　使用sklearn转换器处理数据　167
• 6.1.1　加载datasets模块中的数据集　167
• 6.1.2　将数据集划分为训练集和测试集　170
• 6.1.3　使用sklearn转换器进行数据预处理与降维　172
• 6.1.4　任务实现　174
• 任务6.2　构建并评价聚类模型　176
• 6.2.1　使用sklearn估计器构建聚类模型　176
• 6.2.2　评价聚类模型　179
• 6.2.3　任务实现　182
• 任务6.3　构建并评价分类模型　183
• 6.3.1　使用sklearn估计器构建分类模型　183
• 6.3.2　评价分类模型　186
• 6.3.3　任务实现　188
• 任务6.4　构建并评价回归模型　190
• 6.4.1　使用sklearn估计器构建线性回归模型　190
• 6.4.2　评价回归模型　193
• 6.4.3　任务实现　194
• 小结　196
• 实训　196
• 实训1　使用sklearn处理wine和wine_quality数据集　196
• 实训2　构建基于wine数据集的K-Means聚类模型　196
• 实训3　构建基于wine数据集的SVM分类模型　197
• 实训4　构建基于wine_quality数据集的回归模型　197
• 课后习题　198
• 第7章　航空公司客户价值分析　199
• 任务7.1　了解航空公司现状与客户价值分析　199
• 7.1.1　了解航空公司现状　200
• 7.1.2　认识客户价值分析　201
• 7.1.3　熟悉航空客户价值分析的步骤与流程　201
• 任务7.2　预处理航空客户数据　202
• 7.2.1　处理数据缺失值与异常值　202
• 7.2.2　构建航空客户价值分析关键特征　202
• 7.2.3　标准化LRFMC模型的5个特征　206
• 7.2.4　任务实现　207
• 任务7.3　使用K-Means算法进行客户分群　209
• 7.3.1　了解K-Means聚类算法　209
• 7.3.2　分析聚类结果　210
• 7.3.3　模型应用　213
• 7.3.4　任务实现　214
• 小结　215
• 实训　215
• 实训1　处理信用卡数据异常值　215
• 实训2　构造信用卡客户风险评价关键特征　217
• 实训3　构建K-Means聚类模型　218
• 课后习题　218
• 第8章　财政收入预测分析　220
• 任务8.1　了解财政收入预测的背景与方法　220
• 8.1.1　分析财政收入预测背景　220
• 8.1.2　了解财政收入预测的方法　222
• 8.1.3　熟悉财政收入预测的步骤与流程　223
• 任务8.2　分析财政收入数据特征的相关性　223
• 8.2.1　了解相关性分析　223
• 8.2.2　分析计算结果　224
• 8.2.3　任务实现　225
• 任务8.3　使用Lasso回归选取财政收入预测的关键特征　225
• 8.3.1　了解Lasso回归方法　226
• 8.3.2　分析Lasso回归结果　227
• 8.3.3　任务实现　227
• 任务8.4　使用灰色预测和SVR构建财政收入预测模型　228
• 8.4.1　了解灰色预测算法　228
• 8.4.2　了解SVR算法　229
• 8.4.3　分析预测结果　232
• 8.4.4　任务实现　234
• 小结　236
• 实训　236
• 实训1　求取企业所得税各特征间的相关系数　236
• 实训2　选取企业所得税预测关键特征　237
• 实训3　构建企业所得税预测模型　237
• 课后习题　237
• 第9章　家用热水器用户行为分析与事件识别　239
• 任务9.1　了解家用热水器用户行为分析的背景与步骤　239
• 9.1.1　分析家用热水器行业现状　240
• 9.1.2　了解热水器采集数据基本情况　240
• 9.1.3　熟悉家用热水器用户行为分析的步骤与流程　241
• 任务9.2　预处理热水器用户用水数据　242
• 9.2.1　删除冗余特征　242
• 9.2.2　划分用水事件　243
• 9.2.3　确定单次用水事件时长阈值　244
• 9.2.4　任务实现　246
• 任务9.3　构建用水行为特征并筛选用水事件　247
• 9.3.1　构建用水时长与频率特征　248
• 9.3.2　构建用水量与波动特征　249
• 9.3.3　筛选候选洗浴事件　250
• 9.3.4　任务实现　251
• 任务9.4　构建行为事件分析的BP神经网络模型　255
• 9.4.1　了解BP神经网络算法原理　255
• 9.4.2　构建模型　259
• 9.4.3　评估模型　260
• 9.4.4　任务实现　260
• 小结　263
• 实训　263
• 实训1　清洗运营商客户数据　263
• 实训2　筛选客户运营商数据　264
• 实训3　构建神经网络预测模型　265
• 课后习题　265
• 附录A　267
• 附录B　270
• 参考文献　295