Python數(shù)據(jù)挖掘：入門、進階與實用案例分析

Contents?目　　錄
前　言
第一篇　基礎(chǔ)篇
第1章　數(shù)據(jù)挖掘概述　　2
1.1　數(shù)據(jù)挖掘簡介　　2
1.2　數(shù)據(jù)挖掘的通用流程　　4
1.2.1　目標分析　　4
1.2.2　數(shù)據(jù)抽取　　4
1.2.3　數(shù)據(jù)探索　　5
1.2.4　數(shù)據(jù)預(yù)處理　　5
1.2.5　分析與建?！　?
1.2.6　模型評價　　6
1.3　常用數(shù)據(jù)挖掘工具　　6
1.4　Python數(shù)據(jù)挖掘環(huán)境配置　　7
1.5　小結(jié)　　9
第2章　Python數(shù)據(jù)挖掘編程基礎(chǔ)　　10
2.1　Python使用入門　　10
2.1.1　基本命令　　10
2.1.2　判斷與循環(huán)　　14
2.1.3　函數(shù)　　15
2.1.4　庫的導(dǎo)入與添加　　17
2.2　Python數(shù)據(jù)分析及預(yù)處理
常用庫　　19
2.2.1　NumPy　　19
2.2.2　pandas　　20
2.2.3　Matplotlib　　20
2.3　Python數(shù)據(jù)挖掘建模常用框架
和庫　　20
2.3.1　scikit-learn　　21
2.3.2　深度學(xué)習(xí)　　21
2.3.3　其他　　23
2.4　小結(jié)　　25
第二篇　入門篇
第3章　電商平臺手機銷售數(shù)據(jù)采集與
分析　　28
3.1　背景與目標　　28
3.1.1　背景　　29
3.1.2　數(shù)據(jù)說明　　29
3.1.3　目標分析　　30
3.2　數(shù)據(jù)采集　　31
3.2.1　手機銷售數(shù)據(jù)采集　　31
3.2.2　手機售后數(shù)據(jù)采集　　32
3.3　數(shù)據(jù)探索與預(yù)處理　　34
3.3.1　數(shù)據(jù)信息探索　　34
3.3.2　缺失值處理　　36
3.3.3　文本處理　　37
3.4　數(shù)據(jù)可視化分析　　38
3.4.1　手機的銷售因素分析　　38
3.4.2　用戶的消費習(xí)慣分析　　45
3.4.3　用戶的售后評論分析　　49
3.5　制定營銷策略　　50
3.6　小結(jié)　　51
第4章　自動售貨機銷售數(shù)據(jù)分析與
應(yīng)用　　52
4.1　背景與目標　　52
4.1.1　背景　　52
4.1.2　數(shù)據(jù)說明　　53
4.1.3　目標分析　　53
4.2　數(shù)據(jù)讀取與預(yù)處理　　54
4.2.1　數(shù)據(jù)讀取　　54
4.2.2　數(shù)據(jù)清洗　　55
4.2.3　數(shù)據(jù)規(guī)約　　57
4.3　銷售數(shù)據(jù)可視化分析　　59
4.3.1　銷售額和自動售貨機數(shù)量的
關(guān)系　　59
4.3.2　訂單數(shù)量和自動售貨機數(shù)量的
關(guān)系　　60
4.3.3　暢銷和滯銷商品　　63
4.3.4　自動售貨機的銷售情況　　64
4.3.5　訂單支付方式占比　　67
4.3.6　各消費時段的訂單用戶
占比　　68
4.4　銷售額預(yù)測　　69
4.4.1　統(tǒng)計周銷售額　　69
4.4.2　平穩(wěn)性檢驗　　70
4.4.3　差分處理　　72
4.4.4　模型定階　　74
4.4.5　模型預(yù)測　　74
4.5　小結(jié)　　75
第5章　教育平臺的線上課程推薦
策略　　76
5.1　背景與目標　　76
5.1.1　背景　　77
5.1.2　數(shù)據(jù)說明　　77
5.1.3　目標分析　　78
5.2　數(shù)據(jù)探索　　78
5.2.1　數(shù)據(jù)質(zhì)量分析　　79
5.2.2　課程單價分布分析　　81
5.3　數(shù)據(jù)預(yù)處理　　82
5.4　平臺的運營狀況分析　　83
5.4.1　用戶留存率　　83
5.4.2　用戶活躍時間　　88
5.4.3　課程受歡迎程度　　90
5.5　Apriori模型的構(gòu)建　　92
5.5.1　Apriori算法　　93
5.5.2　構(gòu)建Apriori模型　　94
5.5.3　模型應(yīng)用　　97
5.6　制定課程推薦策略　　98
5.7　小結(jié)　　99
第三篇　進階篇
第6章　電視產(chǎn)品的營銷推薦　　102
6.1　背景與目標　　102
6.1.1　背景　　103
6.1.2　數(shù)據(jù)說明　　103
6.1.3　目標分析　　104
6.2　數(shù)據(jù)預(yù)處理　　105
6.2.1　數(shù)據(jù)清洗　　105
6.2.2　數(shù)據(jù)探索　　109
6.2.3　屬性構(gòu)建　　115
6.3　分析與建模　　118
6.3.1　基于物品的協(xié)同過濾推薦
模型　　119
6.3.2　基于流行度的推薦算法
模型　　121
6.4　模型評價　　122
6.5　小結(jié)　　124
第7章　運輸車輛安全駕駛行為
分析　　125
7.1　背景與目標　　125
7.1.1　背景　　126
7.1.2　數(shù)據(jù)說明　　126
7.1.3　目標分析　　126
7.2　構(gòu)建車輛駕駛行為指標　　127
7.3　數(shù)據(jù)探索分析　　129
7.3.1　分布分析　　129
7.3.2　相關(guān)性分析　　131
7.3.3　異常值檢測　　132
7.4　駕駛行為聚類分析　　133
7.4.1　K-Means聚類　　133
7.4.2　層次聚類　　135
7.4.3　高斯混合模型聚類　　136
7.4.4　譜聚類　　137
7.5　構(gòu)建駕駛行為預(yù)測模型　　139
7.5.1　構(gòu)建LDA模型　　139
7.5.2　構(gòu)建樸素貝葉斯模型　　140
7.5.3　構(gòu)建神經(jīng)網(wǎng)絡(luò)模型　　142
7.6　駕駛行為安全分析總結(jié)　　143
7.7　小結(jié)　　143
第8章　基于非侵入式負荷監(jiān)測與
分解的電力數(shù)據(jù)挖掘　　144
8.1　背景與目標　　144
8.1.1　背景　　144
8.1.2　數(shù)據(jù)說明　　146
8.1.3　目標分析　　148
8.2