Python大數(shù)據(jù)分析算法與實(shí)例

目 錄

第1章 大數(shù)據(jù)分析概述 1
1.1 大數(shù)據(jù)分析背景 1
1.2 大數(shù)據(jù)分析的應(yīng)用 2
1.3 大數(shù)據(jù)分析算法 3
1.4 大數(shù)據(jù)分析工具 6
1.5 本章小結(jié) 9
第2章 數(shù)據(jù)特征算法分析 10
2.1 數(shù)據(jù)分布性分析 10
2.1.1 數(shù)據(jù)分布特征集中趨勢(shì)的測(cè)定 10
2.1.2 數(shù)據(jù)分布特征離散程度的測(cè)定 15
2.1.3 數(shù)據(jù)分布特征偏態(tài)與峰度的測(cè)定 19
2.2 數(shù)據(jù)相關(guān)性分析 21
2.2.1 數(shù)據(jù)相關(guān)關(guān)系 21
2.2.2 數(shù)據(jù)相關(guān)分析的主要內(nèi)容 24
2.2.3 相關(guān)關(guān)系的測(cè)定 24
2.3 數(shù)據(jù)聚類性分析 26
2.3.1 聚類分析定義 26
2.3.2 聚類類型 27
2.3.3 聚類應(yīng)用 29
2.4 數(shù)據(jù)主成分分析 29
2.4.1 主成分分析的原理及模型 30
2.4.2 數(shù)據(jù)主成分分析的幾何解釋 31
2.4.3 數(shù)據(jù)主成分的導(dǎo)出 32
2.4.4 證明主成分的方差是依次遞減的 34
2.4.5 數(shù)據(jù)主成分分析的計(jì)算 35
2.5 數(shù)據(jù)動(dòng)態(tài)性分析 36
2.6 數(shù)據(jù)可視化 40
2.7 本章小結(jié) 42
第3章 大數(shù)據(jù)分析工具：NumPy 43
3.1 NumPy簡介 43
3.2 NumPy環(huán)境安裝配置 44
3.3 ndarray對(duì)象 45
3.4 數(shù)據(jù)類型 47
3.5 數(shù)組屬性 49
3.6 數(shù)組創(chuàng)建例程 52
3.7 切片和索引 57
3.8 廣播 60
3.9 數(shù)組操作與迭代 61
3.10 位操作與字符串函數(shù) 87
3.11 數(shù)學(xué)運(yùn)算函數(shù) 91
3.12 算數(shù)運(yùn)算 93
3.13 統(tǒng)計(jì)函數(shù) 97
3.14 排序、搜索和計(jì)數(shù)函數(shù) 101
3.15 字節(jié)交換 104
3.16 副本和視圖 105
3.17 矩陣庫 107
3.18 線性代數(shù)模塊 109
3.19 Matplotlib庫 112
3.20 Matplotlib 繪制直方圖 114
3.21 IO文件操作 116
3.22 NumPy實(shí)例：GPS定位 117
3.23 本章小結(jié) 120
第4章 大數(shù)據(jù)分析工具：SciPy 121
4.1 SciPy簡介 121
4.2 文件輸入和輸出：SciPy.io 122
4.3 特殊函數(shù)：SciPy.special 123
4.4 線性代數(shù)操作：SciPy.linalg 124
4.5 快速傅里葉變換：sipy.fftpack 124
4.6 優(yōu)化器：SciPy.optimize 125
4.7 統(tǒng)計(jì)工具：SciPy.stats 126
4.8 SciPy實(shí)例 127
4.8.1 最小二乘擬合 127
4.8.2 函數(shù)最小值 128
4.9 本章小結(jié) 130
第5章 大數(shù)據(jù)分析工具：Matplotlib 131
5.1 初級(jí)繪制 131
5.2 圖像、子區(qū)、子圖、刻度 137
5.3 其他種類的繪圖 140
5.4 本章小結(jié) 147
第6章 大數(shù)據(jù)分析工具：Pandas 148
6.1 Pandas系列 148
6.2 Pandas數(shù)據(jù)幀 151
6.3 Pandas面板 155
6.4 Pandas快速入門 158
6.5 本章小結(jié) 172
第7章 大數(shù)據(jù)分析工具：Statsmodels與Gensim 173
7.1 Statsmodels 173
7.1.1 Statsmodels統(tǒng)計(jì)數(shù)據(jù)庫 173
7.1.2 Statsmodels典型的擬合模型概述 175
7.1.3 Statsmodels舉例 176
7.2 Gensim 178
7.2.1 基本概念 178
7.2.2 訓(xùn)練語料的預(yù)處理 179
7.2.3 主題向量的變換 180
7.2.4 文檔相似度的計(jì)算 181
7.3 本章小結(jié) 182
第8章 大數(shù)據(jù)分析算法與實(shí)例 183
8.1 描述統(tǒng)計(jì) 183
8.2 假設(shè)檢驗(yàn) 188
8.3 信度分析 192
8.4 列聯(lián)表分析 195
8.5 相關(guān)分析 196
8.6 方差分析 198
8.6.1 單因素方差分析 199
8.6.2 多因素方差分析 201
8.7 回歸分析 203
8.8 聚類分析 207
8.9 判別分析 212
8.10 主成分分析 216
8.11 因子分析 218
8.12 時(shí)間序列分析 221
8.13 生存分析 224
8.14 典型相關(guān)分析 245
8.15 RoC分析 250
8.16 距離分析 255
8.17 對(duì)應(yīng)分析 264
8.18 決策樹分析 265
8.19 神經(jīng)網(wǎng)絡(luò)-深度學(xué)習(xí) 271
8.19.1 深度學(xué)習(xí)的基本模型 271
8.19.2 新聞分類實(shí)例 275
8.20 蒙特·卡羅模擬 280
8.20.1 蒙特·卡羅模擬基本模型 281
8.20.2 蒙特·卡羅模擬計(jì)算看漲期權(quán)實(shí)例 281
8.21 關(guān)聯(lián)規(guī)則 287
8.21.1 關(guān)聯(lián)規(guī)則的概念 288
8.21.2 Apriori算法及實(shí)例 289
8.21.3 FP樹頻集算法 292
8.22 Uplift Modeling 301
8.23 集成方法 306
8.24 異常檢測(cè) 311
8.25 文本挖掘 315
8.26 Boosting算法（提升法和Gradient Boosting） 322
8.27 本章小結(jié) 325
參考文獻(xiàn) 326