Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)

第1章  大數(shù)據(jù)采集 1
1.1  大數(shù)據(jù)分類 1
1.2  大數(shù)據(jù)采集方法 2
1.3  Python爬蟲(chóng) 3
1.3.1  審查元素 4
1.3.2  認(rèn)識(shí)網(wǎng)頁(yè)結(jié)構(gòu) 5
1.3.3  認(rèn)識(shí)robots.txt的文檔 6
1.3.4  爬蟲(chóng)的基本原理 11
1.3.5  Python爬蟲(chóng)架構(gòu) 11
1.3.6  用GET方式抓取數(shù)據(jù) 12
1.3.7  用POST方式抓取數(shù)據(jù) 15
1.3.8  用Beautiful Soup解析網(wǎng)頁(yè) 17
1.3.9  Python爬蟲(chóng)案例 19
1.4  本章小結(jié) 25
第2章  數(shù)據(jù)預(yù)處理 26
2.1  數(shù)據(jù)清洗 26
2.1.1  缺失值處理 27
2.1.2  異常值處理 28
2.2  數(shù)據(jù)集成 30
2.3  數(shù)據(jù)轉(zhuǎn)換 32
2.4  數(shù)據(jù)規(guī)約 34
2.5  Python主要數(shù)據(jù)預(yù)處理函數(shù) 35
2.6  本章小結(jié) 37
第3章  探索性數(shù)據(jù)分析 38
3.1  異常值分析 38
3.2  缺失值分析 41
3.3  分布分析 43
3.4  相關(guān)性分析 46
3.5  對(duì)比分析 48
3.6  統(tǒng)計(jì)量分析 48
3.7  周期性分析 51
3.8  貢獻(xiàn)度分析 51
3.9  Python主要數(shù)據(jù)探索函數(shù) 52
3.10  本章小結(jié) 53
第4章  Sklearn估計(jì)器 54
4.1  Sklearn概述 54
4.2  使用Sklearn估計(jì)器分類 58
4.2.1  k近鄰算法 59
4.2.2  管道機(jī)制 63
4.2.3  Sklearn比較分類器 65
4.3  本章小結(jié) 69
第5章  主流數(shù)據(jù)分析庫(kù) 70
5.1  NumPy 70
5.2  Pandas 75
5.2.1  Pandas系列 76
5.2.2  Pandas數(shù)據(jù)幀 78
5.2.3  Pandas面板 84
5.3  SciPy 86
5.4  Matplotlib 90
5.5  本章小結(jié) 93
第6章  大數(shù)據(jù)：數(shù)據(jù)庫(kù)類型 94
6.1  關(guān)系型數(shù)據(jù)庫(kù) 94
6.2  關(guān)系型數(shù)據(jù)庫(kù)與非關(guān)系型數(shù)據(jù)庫(kù)的關(guān)系 95
6.3  SQLite 96
6.3.1  SQLite安裝與配置 96
6.3.2  SQLite命令 97
6.3.3  SQLite語(yǔ)法 99
6.3.4  SQLite - Python 104
6.4  MySQL 111
6.4.1  MySQL安裝 111
6.4.2  MySQL管理 114
6.4.3  MySQL PHP語(yǔ)法 116
6.4.4  PHP腳本連接MySQL 116
6.4.5  Python操作MySQL數(shù)據(jù)庫(kù) 117
6.5  NoSQL數(shù)據(jù)庫(kù) 123
6.5.1  NoSQL概述 123
6.5.2  列存儲(chǔ)數(shù)據(jù)庫(kù) 125
6.5.3  文檔存儲(chǔ)數(shù)據(jù)庫(kù) 134
6.5.4  鍵值存儲(chǔ)數(shù)據(jù)庫(kù) 143
6.5.5  圖存儲(chǔ)數(shù)據(jù)庫(kù) 153
6.5.6  對(duì)象存儲(chǔ)數(shù)據(jù)庫(kù) 155
6.5.7  XML數(shù)據(jù)庫(kù) 155
6.6  本章小結(jié) 157
第7章  數(shù)據(jù)倉(cāng)庫(kù)/商業(yè)智能 158
7.1  數(shù)據(jù)倉(cāng)庫(kù)和商業(yè)智能簡(jiǎn)介 158
7.2  數(shù)據(jù)倉(cāng)庫(kù)架構(gòu) 159
7.3  OLAP 160
7.4  數(shù)據(jù)集市 161
7.5  商業(yè)智能 162
7.6  本章小結(jié) 163
第8章  數(shù)據(jù)聚合與分組運(yùn)算 164
8.1  GroupBy技術(shù) 164
8.1.1  通過(guò)函數(shù)進(jìn)行分組 165
8.1.2  對(duì)分組進(jìn)行迭代 167
8.1.3  選取一個(gè)或一組列 170
8.1.4  通過(guò)字典或Series進(jìn)行分組 171
8.1.5  通過(guò)函數(shù)進(jìn)行分組 172
8.1.6  根據(jù)索引級(jí)別分組 173
8.2  數(shù)據(jù)聚合 174
8.2.1  面向列的多函數(shù)應(yīng)用 174
8.2.2  以無(wú)索引的方式返回聚合數(shù)據(jù) 177
8.2.3  分組級(jí)運(yùn)算和轉(zhuǎn)換 178
8.3  透視表和交叉表 181
8.4  本章小結(jié) 183
第9章  數(shù)據(jù)挖掘工具 184
9.1  數(shù)據(jù)挖掘工具分類 184
9.2  數(shù)據(jù)挖掘經(jīng)典算法 185
9.3  免費(fèi)數(shù)據(jù)挖掘工具 186
9.4  Git和GitHub項(xiàng)目數(shù)據(jù)挖掘工具 188
9.5  Python數(shù)據(jù)挖掘工具 190
9.5.1  Gensim 190
9.5.2  TensorFlow 194
9.5.3  Keras 197
9.6  本章小結(jié) 197
第10章  挖掘建模 198
10.1  數(shù)據(jù)挖掘建模的一般過(guò)程 198
10.2  分類與預(yù)測(cè) 199
10.3  聚類分析 200
10.4  關(guān)聯(lián)分析 201
10.5  時(shí)序模式 202
10.6  離群點(diǎn)檢測(cè) 203
10.7  本章小結(jié) 204
第11章  模型評(píng)估 205
11.1  驗(yàn)證 205
11.2  交叉驗(yàn)證 206
11.3  自助法 206
11.4  回歸評(píng)估指標(biāo) 207
11.5  分類評(píng)估指標(biāo) 207
11.6  ROC曲線 208
11.7  本章小結(jié) 210
第12章  社會(huì)媒體挖掘 211
12.1  社會(huì)媒體與社會(huì)媒體數(shù)據(jù) 211
12.2  中國(guó)社會(huì)媒體核心用戶數(shù)據(jù)分析 212
12.3  社會(huì)媒體挖掘技術(shù)與研究熱點(diǎn) 213
12.4  社會(huì)媒體挖掘流程 214
12.5  Twitter情感分析 216
12.6  本章小結(jié) 221
第13章  圖挖掘分類 222
13.1  圖挖掘概述 222
13.2  圖挖掘技術(shù)基礎(chǔ) 224
13.3  網(wǎng)絡(luò)度量 226
13.4  網(wǎng)絡(luò)模型 229
13.5  圖挖掘與知識(shí)推理 230
13.6  圖挖掘算法簡(jiǎn)介 231
13.7  社區(qū)檢測(cè) 232
13.7.1  模塊度 233
13.7.2  社區(qū)發(fā)現(xiàn)算法 234
13.8  頻繁子圖挖掘算法gSpan的實(shí)現(xiàn) 237
13.9  基于networkx進(jìn)行社交網(wǎng)絡(luò)分析 239
13.10  本章小結(jié) 245
第14章  基于深度學(xué)習(xí)的驗(yàn)證碼識(shí)別 246
14.1  獲取圖片驗(yàn)證碼 246
14.2  驗(yàn)證碼圖片預(yù)處理 248
14.3  依賴TensorFlow的深度學(xué)習(xí)驗(yàn)證碼識(shí)別 255
14.4  本章小結(jié) 259
第15章  基于深度學(xué)習(xí)的文本分類挖掘?qū)崿F(xiàn) 260
15.1  文本分類概念 260
15.2  文本分類挖掘算法概述 261
15.3  基于傳統(tǒng)機(jī)器學(xué)習(xí)的文本分類 262
15.4  基于深度學(xué)習(xí)的文本分類 263
15.4.1  FastText文本分類模型算法實(shí)現(xiàn) 264
15.4.2  TextCNN文本分類模型算法實(shí)現(xiàn) 268
15.4.3  Bert深度雙向Transformer構(gòu)建語(yǔ)言理解預(yù)訓(xùn)練模型 271
15.4.4  TextRNN文本分類 273
15.4.5  RCNN文本分類 275
15.4.6  Hierarchical Attention Network文本分類 278
15.4.7  seq2seq with attention文本分類 281
15.4.8  Transformer文本分類 283
15.4.9  Dynamic Memory Network文本分類 289
15.4.10  Recurrent Entity Network文本分類 292
15.4.11  Boosting文本分類 294
15.4.12  BiLstmTextRelation文本分析 294
15.4.13  twoCNNTextRelation文本分類 297
15.5  本章小結(jié) 297
參考文獻(xiàn) 298