Python数据分析与挖掘实战 PDF 高质量版

10余名大数据挖掘行业杰出权威专家和科技人员，10多年大数据分析资询与执行工作经验结晶体。从大数据挖掘的运用来看，以电力工程、航空公司、诊疗、互联网技术、生产加工及其公共文化服务等制造行业真正实例主导线，从入门到精通详细介绍Python大数据挖掘模型全过程，理论性极强。

这书共15章，分2个一部分：基本篇、实战篇。基本篇详细介绍了大数据挖掘的基本概念，实战篇详细介绍了一个一个真正实例，根据对实例从入门到精通的分析，使用户在不经意间中根据实例实践活动得到数据挖掘项目工作经验，另外迅速理解看起来晦涩难懂的大数据挖掘基础理论。用户在阅读文章全过程中，应灵活运用随书配套设施的实例模型统计数据，依靠有关的大数据挖掘建模工具，根据上机操作试验，以迅速了解有关专业知识与基础理论。

基本篇（第1～5章），第1章的主题思想是大数据挖掘简述；第2章对这书常用到的大数据挖掘建模工具Python語言开展了言简意赅的表明；第3章、第4章、第5章对大数据挖掘的模型全过程，包含统计数据探寻、数据预处理及发掘模型的常见优化算法与基本原理开展了详细介绍。
实战篇（第6～15章），重中之重对数据挖掘算法在电力工程、航空公司、诊疗、互联网技术、生产加工及其公共文化服务等制造行业的运用开展了剖析。在实例构造机构上，这书是依照先详细介绍实例背景图与发掘总体目标，再论述统计分析方法与全过程，*后进行实体模型搭建的次序开展的，在模型全过程的重要环节，交叉程序实现编码。*后根据上机操作实践活动，加重用户对数据挖掘算法在实例运用中的了解。

目录

• 前　言
• 基　础　篇
• 第1章　数据挖掘基础2
• 1.1　某知名连锁餐饮企业的困惑2
• 1.2　从餐饮服务到数据挖掘3
• 1.3　数据挖掘的基本任务4
• 1.4　数据挖掘建模过程4
• 1.4.1　定义挖掘目标4
• 1.4.2　数据取样5
• 1.4.3　数据探索6
• 1.4.4　数据预处理7
• 1.4.5　挖掘建模7
• 1.4.6　模型评价7
• 1.5　常用的数据挖掘建模工具7
• 1.6　小结9
• 第2章　Python数据分析简介10
• 2.1　搭建Python开发平台12
• 2.1.1　所要考虑的问题12
• 2.1.2　基础平台的搭建12
• 2.2　Python使用入门13
• 2.2.1　运行方式14
• 2.2.2　基本命令15
• 2.2.3　数据结构17
• 2.2.4　库的导入与添加20
• 2.3　Python数据分析工具22
• 2.3.1　Numpy23
• 2.3.2　Scipy24
• 2.3.3　Matplotlib24
• 2.3.4　Pandas26
• 2.3.5　StatsModels27
• 2.3.6　Scikit-Learn28
• 2.3.7　Keras29
• 2.3.8　Gensim30
• 2.4　配套资源使用设置31
• 2.5　小结32
• 第3章　数据探索33
• 3.1　数据质量分析33
• 3.1.1　缺失值分析34
• 3.1.2　异常值分析34
• 3.1.3　一致性分析37
• 3.2　数据特征分析37
• 3.2.1　分布分析37
• 3.2.2　对比分析40
• 3.2.3　统计量分析41
• 3.2.4　周期性分析44
• 3.2.5　贡献度分析45
• 3.2.6　相关性分析47
• 3.3　Python主要数据探索函数50
• 3.3.1　基本统计特征函数50
• 3.3.2　拓展统计特征函数53
• 3.3.3　统计作图函数54
• 3.4　小结59
• 第4章　数据预处理60
• 4.1　数据清洗60
• 4.1.1　缺失值处理60
• 4.1.2　异常值处理64
• 4.2　数据集成64
• 4.2.1　实体识别64
• 4.2.2　冗余属性识别65
• 4.3　数据变换65
• 4.3.1　简单函数变换65
• 4.3.2　规范化66
• 4.3.3　连续属性离散化68
• 4.3.4　属性构造70
• 4.3.5　小波变换71
• 4.4　数据规约74
• 4.4.1　属性规约74
• 4.4.2　数值规约77
• 4.5　Python主要数据预处理函数80
• 4.6　小结81
• 第5章　挖掘建模83
• 5.1　分类与预测83
• 5.1.1　实现过程83
• 5.1.2　常用的分类与预测算法84
• 5.1.3　回归分析85
• 5.1.4　决策树89
• 5.1.5　人工神经网络95
• 5.1.6　分类与预测算法评价100
• 5.1.7　Python分类预测模型特点103
• 5.2　聚类分析104
• 5.2.1　常用聚类分析算法104
• 5.2.2　K-Means聚类算法105
• 5.2.3　聚类分析算法评价111
• 5.2.4　Python主要聚类分析算法111
• 5.3　关联规则113
• 5.3.1　常用关联规则算法114
• 5.3.2　Apriori算法114
• 5.4　时序模式119
• 5.4.1　时间序列算法120
• 5.4.2　时间序列的预处理120
• 5.4.3　平稳时间序列分析122
• 5.4.4　非平稳时间序列分析124
• 5.4.5　Python主要时序模式算法132
• 5.5　离群点检测134
• 5.5.1　离群点检测方法135
• 5.5.2　基于模型的离群点检测方法136
• 5.5.3　基于聚类的离群点检测方法138
• 5.6　小结141
• 实　战　篇
• 第6章　电力窃漏电用户自动识别144
• 6.1　背景与挖掘目标144
• 6.2　分析方法与过程147
• 6.2.1　数据抽取148
• 6.2.2　数据探索分析148
• 6.2.3　数据预处理151
• 6.2.4　构建专家样本156
• 6.2.5　模型构建157
• 6.3　上机实验161
• 6.4　拓展思考162
• 6.5　小结163
• 第7章　航空公司客户价值分析164
• 7.1　背景与挖掘目标164
• 7.2　分析方法与过程166
• 7.2.1　数据抽取168
• 7.2.2　数据探索分析168
• 7.2.3　数据预处理169
• 7.2.4　模型构建173
• 7.3　上机实验177
• 7.4　拓展思考178
• 7.5　小结179
• 第8章　中医证型关联规则挖掘180
• 8.1　背景与挖掘目标180
• 8.2　分析方法与过程181
• 8.2.1　数据获取183
• 8.2.2　数据预处理186
• 8.2.3　模型构建190
• 8.3　上机实验193
• 8.4　拓展思考194
• 8.5　小结194
• 第9章　基于水色图像的水质评价195
• 9.1　背景与挖掘目标195
• 9.2　分析方法与过程195
• 9.2.1　数据预处理197
• 9.2.2　模型构建199
• 9.2.3　水质评价201
• 9.3　上机实验202
• 9.4　拓展思考202
• 9.5　小结203
• 第10章　家用电器用户行为分析与事件识别204
• 10.1　背景与挖掘目标204
• 10.2　分析方法与过程205
• 10.2.1　数据抽取206
• 10.2.2　数据探索分析207
• 10.2.3　数据预处理207
• 10.2.4　模型构建217
• 10.2.5　模型检验219
• 10.3　上机实验220
• 10.4　拓展思考221
• 10.5　小结222
• 第11章　应用系统负载分析与磁盘容量预测223
• 11.1　背景与挖掘目标223
• 11.2　分析方法与过程225
• 11.2.1　数据抽取226
• 11.2.2　数据探索分析226
• 11.2.3　数据预处理227
• 11.2.4　模型构建229
• 11.3　上机实验235
• 11.4　拓展思考236
• 11.5　小结237
• 第12章　电子商务网站用户行为分析及服务推荐238
• 12.1　背景与挖掘目标238
• 12.2　分析方法与过程240
• 12.2.1　数据抽取242
• 12.2.2　数据探索分析244
• 12.2.3　数据预处理251
• 12.2.4　模型构建256
• 12.3　上机实验266
• 12.4　拓展思考267
• 12.5　小结269
• 第13章　财政收入影响因素分析及预测模型270
• 13.1　背景与挖掘目标270
• 13.2　分析方法与过程272
• 13.2.1　灰色预测与神经网络的组合模型273
• 13.2.2　数据探索分析274
• 13.2.3　模型构建277
• 13.3　上机实验294
• 13.4　拓展思考295
• 13.5　小结296
• 第14章　基于基站定位数据的商圈分析297
• 14.1　背景与挖掘目标297
• 14.2　分析方法与过程299
• 14.2.1　数据抽取299
• 14.2.2　数据探索分析299
• 14.2.3　数据预处理301
• 14.2.4　模型构建304
• 14.3　上机实验308
• 14.4　拓展思考309
• 14.5　小结309
• 第15章　电商产品评论数据情感分析310
• 15.1　背景与挖掘目标310
• 15.2　分析方法与过程310
• 15.2.1　评论数据采集311
• 15.2.2　评论预处理314
• 15.2.3　文本评论分词320
• 15.2.4　模型构建320
• 15.3　上机实验333
• 15.4　拓展思考334
• 15.5　小结335
• 参考文献336