Python數(shù)據(jù)分析與可視化案例實(shí)戰(zhàn)（項(xiàng)目實(shí)戰(zhàn)·源碼解讀·微課視頻版）

第1章Python數(shù)據(jù)分析與可視化概述
1.1從MATLAB到Python
1.2NumPy
1.3Pandas
1.4Matplotlib
1.5SciPy與SymPy
第2章新生數(shù)據(jù)分析與可視化
2.1使用Pandas對(duì)數(shù)據(jù)預(yù)處理
2.2使用Matplotlib庫(kù)畫(huà)圖
2.3使用Pandas進(jìn)行繪圖
第3章Python表格處理分析
3.1背景介紹
3.2前期準(zhǔn)備與基本操作
3.2.1基本術(shù)語(yǔ)概念說(shuō)明
3.2.2安裝openpyxl并創(chuàng)建一個(gè)工作簿
3.2.3從Excel工作簿中讀取數(shù)據(jù)
3.2.4迭代訪問(wèn)數(shù)據(jù)
3.2.5插入數(shù)據(jù)
3.3進(jìn)階內(nèi)容
3.3.1為Excel表單添加公式
3.3.2為表單添加條件格式
3.3.3為Excel表單添加圖表
3.4數(shù)據(jù)分析實(shí)例
3.4.1背景與前期準(zhǔn)備
3.4.2使用openpyxl讀取數(shù)據(jù)并轉(zhuǎn)為DataFrame
3.4.3繪制數(shù)值列直方圖
3.4.4繪制相關(guān)性矩陣
3.4.5繪制散布矩陣
3.4.6將可視化結(jié)果插入Excel表格
第4章美國(guó)加利福尼亞州房?jī)r(jià)預(yù)測(cè)的數(shù)據(jù)分析
4.1數(shù)據(jù)的讀入和初步分析
4.1.1數(shù)據(jù)讀入
4.1.2分割測(cè)試集與訓(xùn)練集
4.1.3數(shù)據(jù)的初步分析
4.2數(shù)據(jù)的預(yù)處理
4.2.1拆分?jǐn)?shù)據(jù)
4.2.2空白值的填充
4.2.3數(shù)據(jù)標(biāo)準(zhǔn)化
4.2.4數(shù)據(jù)的流程化處理
4.3模型的構(gòu)建
4.3.1查看不同模型的表現(xiàn)
4.3.2選擇效果最好的模型進(jìn)行預(yù)測(cè)
 
 
 
第5章影評(píng)數(shù)據(jù)分析與電影推薦
5.1明確目標(biāo)與準(zhǔn)備數(shù)據(jù)
5.2工具選擇
5.3初步分析
5.3.1用戶角度分析
5.3.2電影角度分析
5.4電影推薦
第6章醫(yī)療花費(fèi)預(yù)測(cè)
6.1數(shù)據(jù)讀取
6.2數(shù)據(jù)預(yù)處理
6.2.1字符串類(lèi)型的轉(zhuǎn)換
6.2.2數(shù)據(jù)的分布和映射
6.3數(shù)據(jù)分析
6.3.1協(xié)方差矩陣和熱力圖
6.3.2DBSCAN聚類(lèi)算法
6.3.3支持向量機(jī)分類(lèi)算法
6.4線性回歸
6.5結(jié)果預(yù)測(cè)
6.6結(jié)果分析
第7章用戶消費(fèi)行為分析
7.1RFM模型簡(jiǎn)介
7.2數(shù)據(jù)讀入
7.3數(shù)據(jù)清洗和預(yù)處理
7.3.1數(shù)據(jù)清洗
7.3.2數(shù)據(jù)預(yù)處理
7.4RFM統(tǒng)計(jì)量計(jì)算
7.5RFM歸類(lèi)
7.6結(jié)果保存
7.7可視化結(jié)果
第8章用戶流失預(yù)警
8.1讀入數(shù)據(jù)
8.2數(shù)據(jù)預(yù)處理和自變量標(biāo)準(zhǔn)化
8.3五折交叉驗(yàn)證
8.4代入三種模型
8.5調(diào)整prob閾值，輸出精度評(píng)估
第9章在Kaggle上預(yù)測(cè)房?jī)r(jià)
9.1讀取數(shù)據(jù)集
9.2預(yù)處理數(shù)據(jù)集
9.3訓(xùn)練模型
9.4k折交叉驗(yàn)證
9.5模型選擇和調(diào)整
9.6在Kaggle上提交預(yù)測(cè)結(jié)果
第10章世界杯
10.1數(shù)據(jù)說(shuō)明
10.2世界杯觀眾
10.3世界杯冠軍
10.4世界杯參賽隊(duì)伍與比賽
10.5世界杯進(jìn)球
第11章股價(jià)預(yù)測(cè)
11.1使用Tsfresh進(jìn)行升維和特征工程
11.2程序設(shè)計(jì)思路
11.3程序設(shè)計(jì)步驟
11.3.1讀入并分析數(shù)據(jù)
11.3.2移窗
11.3.3升維
11.3.4方差過(guò)濾
11.3.5使用AdaBoostRegressor模型進(jìn)行回歸預(yù)測(cè)
11.3.6預(yù)測(cè)結(jié)果分析
第12章基于上下文感知的多模態(tài)交通推薦
12.1案例目標(biāo)
12.2數(shù)據(jù)說(shuō)明
12.2.1查詢記錄
12.2.2顯示記錄
12.2.3點(diǎn)擊記錄
12.2.4用戶記錄
12.3解決方案
12.3.1導(dǎo)入工具包和數(shù)據(jù)
12.3.2特征導(dǎo)入和數(shù)據(jù)處理
12.3.3模型訓(xùn)練與結(jié)果保存
第13章美國(guó)波士頓房?jī)r(jià)預(yù)測(cè)
13.1背景介紹
13.2數(shù)據(jù)清洗
13.3數(shù)據(jù)分析
13.4分析結(jié)果
第14章機(jī)器人最優(yōu)路徑走迷宮
14.1關(guān)鍵技術(shù)
14.1.1馬爾可夫決策過(guò)程
14.1.2Bellman方程
14.2程序設(shè)計(jì)步驟
14.2.1初始化迷宮地圖
14.2.2計(jì)算不同位置的最優(yōu)路徑
第15章基于Kmeans算法的鳶尾花數(shù)據(jù)聚類(lèi)和可視化
15.1數(shù)據(jù)及工具簡(jiǎn)介
15.1.1Iris數(shù)據(jù)集(鳶尾花數(shù)據(jù)集)
15.1.2Tkinter
15.2案例分析
15.2.1模塊引入
15.2.2布局圖形界面
15.2.3讀取數(shù)據(jù)文件
15.2.4聚類(lèi)
15.2.5聚類(lèi)結(jié)果可視化
15.2.6誤差分析及其可視化
15.2.7使用流程
第16章利用手機(jī)的購(gòu)物評(píng)論分析手機(jī)特征
16.1數(shù)據(jù)準(zhǔn)備
16.2數(shù)據(jù)分析
16.2.1模型介紹
16.2.2算法應(yīng)用
16.2.3名詞提取
16.2.4情感分析
第17章菜譜分析
17.1數(shù)據(jù)集介紹
17.2數(shù)據(jù)觀察
17.2.1數(shù)據(jù)讀入
17.2.2分布統(tǒng)計(jì)
17.3數(shù)據(jù)預(yù)處理
17.3.1英文單詞標(biāo)準(zhǔn)化
17.3.2數(shù)據(jù)向量化
17.4模型構(gòu)建
第18章基于回歸問(wèn)題和XGBoost模型的房?jī)r(jià)預(yù)測(cè)
18.1XGBoost模型介紹
18.2技術(shù)方案
18.2.1數(shù)據(jù)分析
18.2.2XGBoost模型參數(shù)
18.2.3調(diào)參過(guò)程
18.3完整代碼及結(jié)果展示
第19章基于VGG19和TensorBoard的圖像分類(lèi)和數(shù)據(jù)可視化
19.1背景概念介紹
19.1.1VGG19模型 
19.1.2TensorBoard
19.1.3CIFAR10數(shù)據(jù)集
19.2網(wǎng)絡(luò)搭建與TensorBoard可視化實(shí)戰(zhàn)
19.2.1網(wǎng)絡(luò)搭建
19.2.2準(zhǔn)備數(shù)據(jù)并構(gòu)建網(wǎng)絡(luò)實(shí)例
19.2.3TensorBoard訓(xùn)練過(guò)程可視化
第20章基于Elasticsearch實(shí)現(xiàn)附近小區(qū)信息搜索
20.1Elasticsearch的簡(jiǎn)介與安裝
20.1.1Elasticsearch的簡(jiǎn)介
20.1.2Elasticsearch的安裝
20.2數(shù)據(jù)準(zhǔn)備
20.2.1網(wǎng)頁(yè)分析與信息提取
20.2.2獲取經(jīng)緯度
20.2.3數(shù)據(jù)格式轉(zhuǎn)換
20.3Python實(shí)現(xiàn)Elasticsearch基礎(chǔ)操作
20.3.1創(chuàng)建索引和插入數(shù)據(jù)
20.3.2查詢數(shù)據(jù)和數(shù)據(jù)類(lèi)型
20.3.3刪除相關(guān)操作
20.3.4檢索功能
20.4房?jī)r(jià)地理位置坐標(biāo)搜索實(shí)現(xiàn)
第21章汽車(chē)貸款違約的數(shù)據(jù)分析
21.1數(shù)據(jù)樣本分析
21.1.1數(shù)據(jù)樣本概述
21.1.2變量類(lèi)型分析
21.1.3Python代碼實(shí)踐
21.2數(shù)據(jù)的預(yù)處理
21.2.1目標(biāo)變量探索
21.2.2X變量初步探索
21.2.3連續(xù)變量的缺失值處理
21.2.4分類(lèi)變量的缺失值處理
21.3數(shù)據(jù)分析的模型建立與評(píng)估
21.3.1數(shù)據(jù)的預(yù)處理與訓(xùn)練集劃分
21.3.2采用回歸模型進(jìn)行數(shù)據(jù)分析
21.3.3采用決策樹(shù)進(jìn)行數(shù)據(jù)分析
21.3.4采用隨機(jī)森林優(yōu)化決策樹(shù)模型
第22章基于Spark的搜索引擎日志用戶行為分析
22.1功能需求
22.1.1搜索引擎用戶行為分析的意義
22.1.2搜索引擎日志概述
22.2系統(tǒng)架構(gòu)
22.2.1用戶搜索流程
22.2.2系統(tǒng)架構(gòu)設(shè)計(jì)
22.3功能實(shí)現(xiàn)
22.3.1Spark本地運(yùn)行環(huán)境搭建
22.3.2搜索引擎日志數(shù)據(jù)獲取
22.3.3分析指標(biāo)
22.3.4Spark任務(wù)提交
第23章科比職業(yè)生涯進(jìn)球分析
23.1預(yù)處理
23.2分析科比的命中率
23.3分析科比的投籃習(xí)慣
附錄APyTorch環(huán)境搭建
A.1Linux平臺(tái)下PyTorch環(huán)境搭建
A.2Windows平臺(tái)下PyTorch環(huán)境搭建
參考文獻(xiàn)