Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)

前　言
基　礎(chǔ)　篇
第1章　數(shù)據(jù)挖掘基礎(chǔ)2
1.1　某知名連鎖餐飲企業(yè)的困惑2
1.2　從餐飲服務(wù)到數(shù)據(jù)挖掘3
1.3　數(shù)據(jù)挖掘的基本任務(wù)4
1.4　數(shù)據(jù)挖掘建模過程4
1.4.1　定義挖掘目標(biāo)4
1.4.2　數(shù)據(jù)取樣5
1.4.3　數(shù)據(jù)探索6
1.4.4　數(shù)據(jù)預(yù)處理7
1.4.5　挖掘建模7
1.4.6　模型評價7
1.5　常用的數(shù)據(jù)挖掘建模工具7
1.6　小結(jié)9
第2章　Python數(shù)據(jù)分析簡介10
2.1　搭建Python開發(fā)平臺12
2.1.1　所要考慮的問題12
2.1.2　基礎(chǔ)平臺的搭建12
2.2　Python使用入門13
2.2.1　運行方式14
2.2.2　基本命令15
2.2.3　數(shù)據(jù)結(jié)構(gòu)17
2.2.4　庫的導(dǎo)入與添加20
2.3　Python數(shù)據(jù)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　配套資源使用設(shè)置31
2.5　小結(jié)32
第3章　數(shù)據(jù)探索33
3.1　數(shù)據(jù)質(zhì)量分析33
3.1.1　缺失值分析34
3.1.2　異常值分析34
3.1.3　一致性分析37
3.2　數(shù)據(jù)特征分析37
3.2.1　分布分析37
3.2.2　對比分析40
3.2.3　統(tǒng)計量分析41
3.2.4　周期性分析44
3.2.5　貢獻度分析45
3.2.6　相關(guān)性分析47
3.3　Python主要數(shù)據(jù)探索函數(shù)50
3.3.1　基本統(tǒng)計特征函數(shù)50
3.3.2　拓展統(tǒng)計特征函數(shù)53
3.3.3　統(tǒng)計作圖函數(shù)54
3.4　小結(jié)59
第4章　數(shù)據(jù)預(yù)處理60
4.1　數(shù)據(jù)清洗60
4.1.1　缺失值處理60
4.1.2　異常值處理64
4.2　數(shù)據(jù)集成64
4.2.1　實體識別64
4.2.2　冗余屬性識別65
4.3　數(shù)據(jù)變換65
4.3.1　簡單函數(shù)變換65
4.3.2　規(guī)范化66
4.3.3　連續(xù)屬性離散化68
4.3.4　屬性構(gòu)造70
4.3.5　小波變換71
4.4　數(shù)據(jù)規(guī)約74
4.4.1　屬性規(guī)約74
4.4.2　數(shù)值規(guī)約77
4.5　Python主要數(shù)據(jù)預(yù)處理函數(shù)80
4.6　小結(jié)81
第5章　挖掘建模83
5.1　分類與預(yù)測83
5.1.1　實現(xiàn)過程83
5.1.2　常用的分類與預(yù)測算法84
5.1.3　回歸分析85
5.1.4　決策樹89
5.1.5　人工神經(jīng)網(wǎng)絡(luò)95
5.1.6　分類與預(yù)測算法評價100
5.1.7　Python分類預(yù)測模型特點103
5.2　聚類分析104
5.2.1　常用聚類分析算法104
5.2.2　K-Means聚類算法105
5.2.3　聚類分析算法評價111
5.2.4　Python主要聚類分析算法111
5.3　關(guān)聯(lián)規(guī)則113
5.3.1　常用關(guān)聯(lián)規(guī)則算法114
5.3.2　Apriori算法114
5.4　時序模式119
5.4.1　時間序列算法120
5.4.2　時間序列的預(yù)處理120
5.4.3　平穩(wěn)時間序列分析122
5.4.4　非平穩(wěn)時間序列分析124
5.4.5　Python主要時序模式算法132
5.5　離群點檢測134
5.5.1　離群點檢測方法135
5.5.2　基于模型的離群點檢測方法136
5.5.3　基于聚類的離群點檢測方法138
5.6　小結(jié)141
實　戰(zhàn)　篇
第6章　電力竊漏電用戶自動識別144
6.1　背景與挖掘目標(biāo)144
6.2　分析方法與過程147
6.2.1　數(shù)據(jù)抽取148
6.2.2　數(shù)據(jù)探索分析148
6.2.3　數(shù)據(jù)預(yù)處理151
6.2.4　構(gòu)建專家樣本156
6.2.5　模型構(gòu)建157
6.3　上機實驗161
6.4　拓展思考162
6.5　小結(jié)163
第7章　航空公司客戶價值分析164
7.1　背景與挖掘目標(biāo)164
7.2　分析方法與過程166
7.2.1　數(shù)據(jù)抽取168
7.2.2　數(shù)據(jù)探索分析168
7.2.3　數(shù)據(jù)預(yù)處理169
7.2.4　模型構(gòu)建173
7.3　上機實驗177
7.4　拓展思考178
7.5　小結(jié)179
第8章　中醫(yī)證型關(guān)聯(lián)規(guī)則挖掘180
8.1　背景與挖掘目標(biāo)180
8.2　分析方法與過程181
8.2.1　數(shù)據(jù)獲取183
8.2.2　數(shù)據(jù)預(yù)處理186
8.2.3　模型構(gòu)建190
8.3　上機實驗193
8.4　拓展思考194
8.5　小結(jié)194
第9章　基于水色圖像的水質(zhì)評價195
9.1　背景與挖掘目標(biāo)195
9.2　分析方法與過程195
9.2.1　數(shù)據(jù)預(yù)處理197
9.2.2　模型構(gòu)建199
9.2.3　水質(zhì)評價201
9.3　上機實驗202
9.4　拓展思考202
9.5　小結(jié)203
第10章　家用電器用戶行為分析與事件識別204
10.1　背景與挖掘目標(biāo)204
10.2　分析方法與過程205
10.2.1　數(shù)據(jù)抽取206
10.2.2　數(shù)據(jù)探索分析207
10.2.3　數(shù)據(jù)預(yù)處理207
10.2.4　模型構(gòu)建217
10.2.5　模型檢驗219
10.3　上機實驗220
10.4　拓展思考221
10.5　小結(jié)222
第11章　應(yīng)用系統(tǒng)負(fù)載分析與磁盤容量預(yù)測223
11.1　背景與挖掘目標(biāo)223
11.2　分析方法與過程225
11.2.1　數(shù)據(jù)抽取226
11.2.2　數(shù)據(jù)探索分析226
11.2.3　數(shù)據(jù)預(yù)處理227
11.2.4　模型構(gòu)建229
11.3　上機實驗235
11.4　拓展思考236
11.5　小結(jié)237
第12章　電子商務(wù)網(wǎng)站用戶行為分析及服務(wù)推薦238
12.1　背景與挖掘目標(biāo)238
12.2　分析方法與過程240
12.2.1　數(shù)據(jù)抽取242
12.2.2　數(shù)據(jù)探索分析244
12.2.3　數(shù)據(jù)預(yù)處理251
12.2.4　模型構(gòu)建256
12.3　上機實驗266
12.4　拓展思考267
12.5　小結(jié)269
第13章　財政收入影響因素分析及預(yù)測模型270
13.1　背景與挖掘目標(biāo)270
13.2　分析方法與過程272
13.2.1　灰色預(yù)測與神經(jīng)網(wǎng)絡(luò)的組合模型273
13.2.2　數(shù)據(jù)探索分析274
13.2.3　模型構(gòu)建277
13.3　上機實驗294
13.4　拓展思考295
13.5　小結(jié)296
第14章　基于基站定位數(shù)據(jù)的商圈分析297
14.1　背景與挖掘目標(biāo)297
14.2　分析方法與過程299
14.2.1　數(shù)據(jù)抽取299
14.2.2　數(shù)據(jù)探索分析299
14.2.3　數(shù)據(jù)預(yù)處理301
14.2.4　模型構(gòu)建304
14.3　上機實驗308
14.4　拓展思考309
14.5　小結(jié)309
第15章　電商產(chǎn)品評論數(shù)據(jù)情感分析310
15.1　背景與挖掘目標(biāo)310
15.2　分析方法與過程310
15.2.1　評論數(shù)據(jù)采集311
15.2.2　評論預(yù)處理314
15.2.3　文本評論分詞320
15.2.4　模型構(gòu)建320
15.3　上機實驗333
15.4　拓展思考334
15.5　小結(jié)335
參考文獻336