超值優(yōu)惠券
¥50
滿100可用 有效期2天

全場圖書通用（淘書團(tuán)除外）

不再提示
關(guān)閉
2024個(gè)人購書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請 | 注冊

Python數(shù)據(jù)分析與應(yīng)用

出版社：人民郵電出版社出版時(shí)間：2018-04-14
開本： 16開 頁數(shù)： 294
中 圖 價(jià):¥31.4(6.3折) 定價(jià)  ¥49.8 登錄后可看到會員價(jià)
暫時(shí)缺貨 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>
買過本商品的人還買了

Python數(shù)據(jù)分析與應(yīng)用 版權(quán)信息

Python數(shù)據(jù)分析與應(yīng)用 本書特色

本書以任務(wù)為導(dǎo)向，全面地介紹數(shù)據(jù)分析的流程和Python數(shù)據(jù)分析庫的應(yīng)用，詳細(xì)講解利用Python解決企業(yè)實(shí)際問題的方法。全書共9章，* 1章介紹了數(shù)據(jù)分析的基本概念等相關(guān)知識；* 2～6章介紹了Python數(shù)據(jù)分析的常用庫及其應(yīng)用，涵蓋NumPy數(shù)值計(jì)算、Matplotlib數(shù)據(jù)可視化、pandas統(tǒng)計(jì)分析、使用pandas進(jìn)行數(shù)據(jù)預(yù)處理、使用scikit-learn構(gòu)建模型，較為全面地闡述了Python數(shù)據(jù)分析方法；第7～9章結(jié)合之前所學(xué)的數(shù)據(jù)分析技術(shù)，進(jìn)行企業(yè)綜合案例數(shù)據(jù)分析。除* 1章外，本書各章都包含了實(shí)訓(xùn)與課后習(xí)題，通過練習(xí)和操作實(shí)踐，幫助讀者鞏固所學(xué)的內(nèi)容。 本書可作為高校大數(shù)據(jù)技術(shù)類專業(yè)的教材，也可以作為大數(shù)據(jù)技術(shù)愛好者的自學(xué)用書。

Python數(shù)據(jù)分析與應(yīng)用 內(nèi)容簡介

資 深大數(shù)據(jù)專家張良均領(lǐng)銜暢銷書作者團(tuán)隊(duì)，教育部長江學(xué)者特聘教授、國家杰出青年基金獲得者、IEEE Fellow、華南理工大學(xué)計(jì)算機(jī)與工程學(xué)院院長張軍傾力推薦。 本書采用了以任務(wù)為導(dǎo)向的教學(xué)模式，按照解決實(shí)際任務(wù)的工作流程路線，逐步展開介紹相關(guān)的理論知識點(diǎn)，推導(dǎo)生成可行的解決方案，* 后落實(shí)在任務(wù)實(shí)現(xiàn)環(huán)節(jié)。 全書大部分章節(jié)緊扣任務(wù)需求展開，不堆積知識點(diǎn)，著重于解決問題時(shí)思路的啟發(fā)與方案的實(shí)施。通過從任務(wù)需求到實(shí)現(xiàn)這一完整工作流程的體驗(yàn)，幫助讀者真正理解與消化Python數(shù)據(jù)分析與應(yīng)用。 書中案例全部源于企業(yè)真實(shí)項(xiàng)目，可操作性強(qiáng)，引導(dǎo)讀者融會貫通，并提供源代碼等相關(guān)學(xué)習(xí)資源，幫助讀者快速掌握大數(shù)據(jù)相關(guān)技能。

Python數(shù)據(jù)分析與應(yīng)用 目錄

* 1章　Python數(shù)據(jù)分析概述　1

任務(wù)1.1　認(rèn)識數(shù)據(jù)分析　1

1.1.1　掌握數(shù)據(jù)分析的概念　2

1.1.2　掌握數(shù)據(jù)分析的流程　2

1.1.3　了解數(shù)據(jù)分析應(yīng)用場景　4

任務(wù)1.2　熟悉Python數(shù)據(jù)分析的工具　5

1.2.1　了解數(shù)據(jù)分析常用工具　6

1.2.2　了解Python數(shù)據(jù)分析的優(yōu)勢　7

1.2.3　了解Python數(shù)據(jù)分析常用類庫　7

任務(wù)1.3　安裝Python的Anaconda發(fā)行版　9

1.3.1　了解Python的Anaconda發(fā)行版　9

1.3.2　在Windows系統(tǒng)中安裝Anaconda　9

1.3.3　在Linux系統(tǒng)中安裝Anaconda　12

任務(wù)1.4　掌握J(rèn)upyter Notebook常用功能　14

1.4.1　掌握J(rèn)upyter Notebook的基本功能　14

1.4.2　掌握J(rèn)upyter Notebook的高 級功能　16

小結(jié)　19

課后習(xí)題　19

* 2章　NumPy數(shù)值計(jì)算基礎(chǔ)　21

任務(wù)2.1　掌握NumPy數(shù)組對象ndarray　21

2.1.1　創(chuàng)建數(shù)組對象　21

2.1.2　生成隨機(jī)數(shù)　27

2.1.3　通過索引訪問數(shù)組　29

2.1.4　變換數(shù)組的形態(tài)　31

任務(wù)2.2　掌握NumPy矩陣與通用函數(shù)　34

2.2.1　創(chuàng)建NumPy矩陣　34

2.2.2　掌握ufunc函數(shù)　37

任務(wù)2.3　利用NumPy進(jìn)行統(tǒng)計(jì)分析　41

2.3.1　讀/寫文件　41

2.3.2　使用函數(shù)進(jìn)行簡單的統(tǒng)計(jì)分析　44

2.3.3　任務(wù)實(shí)現(xiàn)　48

小結(jié)　50

實(shí)訓(xùn)　50

實(shí)訓(xùn)1　創(chuàng)建數(shù)組并進(jìn)行運(yùn)算　50

實(shí)訓(xùn)2　創(chuàng)建一個(gè)國際象棋的棋盤　50

課后習(xí)題　51

第3章　Matplotlib數(shù)據(jù)可視化基礎(chǔ)　52

任務(wù)3.1　掌握繪圖基礎(chǔ)語法與常用參數(shù)　52

3.1.1　掌握pyplot基礎(chǔ)語法　53

3.1.2　設(shè)置pyplot的動態(tài)rc參數(shù)　56

任務(wù)3.2　分析特征間的關(guān)系　59

3.2.1　繪制散點(diǎn)圖　59

3.2.2　繪制折線圖　62

3.2.3　任務(wù)實(shí)現(xiàn)　65

任務(wù)3.3　分析特征內(nèi)部數(shù)據(jù)分布與分散狀況　68

3.3.1　繪制直方圖　68

3.3.2　繪制餅圖　70

3.3.3　繪制箱線圖　71

3.3.4　任務(wù)實(shí)現(xiàn)　73

小結(jié)　77

實(shí)訓(xùn)　78

實(shí)訓(xùn)1　分析1996～2015年人口數(shù)據(jù)特征間的關(guān)系　78

實(shí)訓(xùn)2　分析1996～2015年人口數(shù)據(jù)各個(gè)特征的分布與分散狀況　78

課后習(xí)題　79

第4章　pandas統(tǒng)計(jì)分析基礎(chǔ)　80

任務(wù)4.1　讀/寫不同數(shù)據(jù)源的數(shù)據(jù)　80

4.1.1　讀/寫數(shù)據(jù)庫數(shù)據(jù)　80

4.1.2　讀/寫文本文件　83

4.1.3　讀/寫Excel文件　87

4.1.4　任務(wù)實(shí)現(xiàn)　88

任務(wù)4.2　掌握DataFrame的常用操作　89

4.2.1　查看DataFrame的常用屬性　89

4.2.2　查改增刪DataFrame數(shù)據(jù)　91

4.2.3　描述分析DataFrame數(shù)據(jù)　101

4.2.4　任務(wù)實(shí)現(xiàn)　104

任務(wù)4.3　轉(zhuǎn)換與處理時(shí)間序列數(shù)據(jù)　107

4.3.1　轉(zhuǎn)換字符串時(shí)間為標(biāo)準(zhǔn)時(shí)間　107

4.3.2　提取時(shí)間序列數(shù)據(jù)信息　109

4.3.3　加減時(shí)間數(shù)據(jù)　110

4.3.4　任務(wù)實(shí)現(xiàn)　111

任務(wù)4.4　使用分組聚合進(jìn)行組內(nèi)計(jì)算　113

4.4.1　使用groupby方法拆分?jǐn)?shù)據(jù)　114

4.4.2　使用agg方法聚合數(shù)據(jù)　116

4.4.3　使用apply方法聚合數(shù)據(jù)　119

4.4.4　使用transform方法聚合數(shù)據(jù)　121

4.4.5　任務(wù)實(shí)現(xiàn)　121

任務(wù)4.5　創(chuàng)建透視表與交叉表　123

4.5.1　使用pivot_table函數(shù)創(chuàng)建透視表　123

4.5.2　使用crosstab函數(shù)創(chuàng)建交叉表　127

4.5.3　任務(wù)實(shí)現(xiàn)　128

小結(jié)　130

實(shí)訓(xùn)　130

實(shí)訓(xùn)1　讀取并查看P2P網(wǎng)絡(luò)貸款數(shù)據(jù)主表的基本信息　130

實(shí)訓(xùn)2　提取用戶信息更新表和登錄信息表的時(shí)間信息　130

實(shí)訓(xùn)3　使用分組聚合方法進(jìn)一步分析用戶信息更新表和登錄信息表　131

實(shí)訓(xùn)4　對用戶信息更新表和登錄信息表進(jìn)行長寬表轉(zhuǎn)換　131

課后習(xí)題　131

第5章　使用pandas進(jìn)行數(shù)據(jù)預(yù)處理　133

任務(wù)5.1　合并數(shù)據(jù)　133

5.1.1　堆疊合并數(shù)據(jù)　133

5.1.2　主鍵合并數(shù)據(jù)　136

5.1.3　重疊合并數(shù)據(jù)　139

5.1.4　任務(wù)實(shí)現(xiàn)　140

任務(wù)5.2　清洗數(shù)據(jù)　141

5.2.1　檢測與處理重復(fù)值　141

5.2.2　檢測與處理缺失值　146

5.2.3　檢測與處理異常值　149

5.2.4　任務(wù)實(shí)現(xiàn)　152

任務(wù)5.3　標(biāo)準(zhǔn)化數(shù)據(jù)　154

5.3.1　離差標(biāo)準(zhǔn)化數(shù)據(jù)　154

5.3.2　標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化數(shù)據(jù)　155

5.3.3　小數(shù)定標(biāo)標(biāo)準(zhǔn)化數(shù)據(jù)　156

5.3.4　任務(wù)實(shí)現(xiàn)　157

任務(wù)5.4　轉(zhuǎn)換數(shù)據(jù)　158

5.4.1　啞變量處理類別型數(shù)據(jù)　158

5.4.2　離散化連續(xù)型數(shù)據(jù)　160

5.4.3　任務(wù)實(shí)現(xiàn)　162

小結(jié)　163

實(shí)訓(xùn)　164

實(shí)訓(xùn)1　插補(bǔ)用戶用電量數(shù)據(jù)缺失值　164

實(shí)訓(xùn)2　合并線損、用電量趨勢與線路告警數(shù)據(jù)　164

實(shí)訓(xùn)3　標(biāo)準(zhǔn)化建模專家樣本數(shù)據(jù)　164

課后習(xí)題　165

第6章　使用scikit-learn構(gòu)建模型　167

任務(wù)6.1　使用sklearn轉(zhuǎn)換器處理數(shù)據(jù)　167

6.1.1　加載datasets模塊中的數(shù)據(jù)集　167

6.1.2　將數(shù)據(jù)集劃分為訓(xùn)練集和測試集　170

6.1.3　使用sklearn轉(zhuǎn)換器進(jìn)行數(shù)據(jù)預(yù)處理與降維　172

6.1.4　任務(wù)實(shí)現(xiàn)　174

任務(wù)6.2　構(gòu)建并評價(jià)聚類模型　176

6.2.1　使用sklearn估計(jì)器構(gòu)建聚類模型　176

6.2.2　評價(jià)聚類模型　179

6.2.3　任務(wù)實(shí)現(xiàn)　182

任務(wù)6.3　構(gòu)建并評價(jià)分類模型　183

6.3.1　使用sklearn估計(jì)器構(gòu)建分類模型　183

6.3.2　評價(jià)分類模型　186

6.3.3　任務(wù)實(shí)現(xiàn)　188

任務(wù)6.4　構(gòu)建并評價(jià)回歸模型　190

6.4.1　使用sklearn估計(jì)器構(gòu)建線性回歸模型　190

6.4.2　評價(jià)回歸模型　193

6.4.3　任務(wù)實(shí)現(xiàn)　194

小結(jié)　196

實(shí)訓(xùn)　196

實(shí)訓(xùn)1　使用sklearn處理wine和wine_quality數(shù)據(jù)集　196

實(shí)訓(xùn)2　構(gòu)建基于wine數(shù)據(jù)集的K-Means聚類模型　196

實(shí)訓(xùn)3　構(gòu)建基于wine數(shù)據(jù)集的SVM分類模型　197

實(shí)訓(xùn)4　構(gòu)建基于wine_quality數(shù)據(jù)集的回歸模型　197

課后習(xí)題　198

第7章　航空公司客戶價(jià)值分析　199

任務(wù)7.1　了解航空公司現(xiàn)狀與客戶價(jià)值分析　199

7.1.1　了解航空公司現(xiàn)狀　200

7.1.2　認(rèn)識客戶價(jià)值分析　201

7.1.3　熟悉航空客戶價(jià)值分析的步驟與流程　201

任務(wù)7.2　預(yù)處理航空客戶數(shù)據(jù)　202

7.2.1　處理數(shù)據(jù)缺失值與異常值　202

7.2.2　構(gòu)建航空客戶價(jià)值分析關(guān)鍵特征　202

7.2.3　標(biāo)準(zhǔn)化LRFMC模型的5個(gè)特征　206

7.2.4　任務(wù)實(shí)現(xiàn)　207

任務(wù)7.3　使用K-Means算法進(jìn)行客戶分群　209

7.3.1　了解K-Means聚類算法　209

7.3.2　分析聚類結(jié)果　210

7.3.3　模型應(yīng)用　213

7.3.4　任務(wù)實(shí)現(xiàn)　214

小結(jié)　215

實(shí)訓(xùn)　215

實(shí)訓(xùn)1　處理信用卡數(shù)據(jù)異常值　215

實(shí)訓(xùn)2　構(gòu)造信用卡客戶風(fēng)險(xiǎn)評價(jià)關(guān)鍵特征　217

實(shí)訓(xùn)3　構(gòu)建K-Means聚類模型　218

課后習(xí)題　218

第8章　財(cái)政收入預(yù)測分析　220

任務(wù)8.1　了解財(cái)政收入預(yù)測的背景與方法　220

8.1.1　分析財(cái)政收入預(yù)測背景　220

8.1.2　了解財(cái)政收入預(yù)測的方法　222

8.1.3　熟悉財(cái)政收入預(yù)測的步驟與流程　223

任務(wù)8.2　分析財(cái)政收入數(shù)據(jù)特征的相關(guān)性　223

8.2.1　了解相關(guān)性分析　223

8.2.2　分析計(jì)算結(jié)果　224

8.2.3　任務(wù)實(shí)現(xiàn)　225

任務(wù)8.3　使用Lasso回歸選取財(cái)政收入預(yù)測的關(guān)鍵特征　225

8.3.1　了解Lasso回歸方法　226

8.3.2　分析Lasso回歸結(jié)果　227

8.3.3　任務(wù)實(shí)現(xiàn)　227

任務(wù)8.4　使用灰色預(yù)測和SVR構(gòu)建財(cái)政收入預(yù)測模型　228

8.4.1　了解灰色預(yù)測算法　228

8.4.2　了解SVR算法　229

8.4.3　分析預(yù)測結(jié)果　232

8.4.4　任務(wù)實(shí)現(xiàn)　234

小結(jié)　236

實(shí)訓(xùn)　236

實(shí)訓(xùn)1　求取企業(yè)所得稅各特征間的相關(guān)系數(shù)　236

實(shí)訓(xùn)2　選取企業(yè)所得稅預(yù)測關(guān)鍵特征　237

實(shí)訓(xùn)3　構(gòu)建企業(yè)所得稅預(yù)測模型　237

課后習(xí)題　237

第9章　家用熱水器用戶行為分析與事件識別　239

任務(wù)9.1　了解家用熱水器用戶行為分析的背景與步驟　239

9.1.1　分析家用熱水器行業(yè)現(xiàn)狀　240

9.1.2　了解熱水器采集數(shù)據(jù)基本情況　240

9.1.3　熟悉家用熱水器用戶行為分析的步驟與流程　241

任務(wù)9.2　預(yù)處理熱水器用戶用水?dāng)?shù)據(jù)　242

9.2.1　刪除冗余特征　242

9.2.2　劃分用水事件　243

9.2.3　確定單次用水事件時(shí)長閾值　244

9.2.4　任務(wù)實(shí)現(xiàn)　246

任務(wù)9.3　構(gòu)建用水行為特征并篩選用水事件　247

9.3.1　構(gòu)建用水時(shí)長與頻率特征　248

9.3.2　構(gòu)建用水量與波動特征　249

9.3.3　篩選候選洗浴事件　250

9.3.4　任務(wù)實(shí)現(xiàn)　251

任務(wù)9.4　構(gòu)建行為事件分析的BP神經(jīng)網(wǎng)絡(luò)模型　255

9.4.1　了解BP神經(jīng)網(wǎng)絡(luò)算法原理　255

9.4.2　構(gòu)建模型　259

9.4.3　評估模型　260

9.4.4　任務(wù)實(shí)現(xiàn)　260

小結(jié)　263

實(shí)訓(xùn)　263

實(shí)訓(xùn)1　清洗運(yùn)營商客戶數(shù)據(jù)　263

實(shí)訓(xùn)2　篩選客戶運(yùn)營商數(shù)據(jù)　264

實(shí)訓(xùn)3　構(gòu)建神經(jīng)網(wǎng)絡(luò)預(yù)測模型　265

課后習(xí)題　265

附錄A　267

附錄B　270

參考文獻(xiàn)　295
展開全部

Python數(shù)據(jù)分析與應(yīng)用 作者簡介

張良均，高級信息系統(tǒng)項(xiàng)目管理師，泰迪杯全國大學(xué)生數(shù)據(jù)挖掘競賽（www.tipdm.org）發(fā)起人。華南師范大學(xué)、廣東工業(yè)大學(xué)兼職教授，廣東省工業(yè)與應(yīng)用數(shù)學(xué)學(xué)會理事。兼有大型高科技企業(yè)和高校的工作經(jīng)歷，主要從事大數(shù)據(jù)挖掘及其應(yīng)用的策劃、研發(fā)及咨詢培訓(xùn)。全國計(jì)算機(jī)技術(shù)與軟件專業(yè)技術(shù)資格（水平）考試?yán)^續(xù)教育和CDA數(shù)據(jù)分析師培訓(xùn)講師。發(fā)表數(shù)據(jù)挖掘相關(guān)論文數(shù)二十余篇，已取得國家發(fā)明專利12項(xiàng)，主編《Hadoop大數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》《Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》《R語言數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》等多本暢銷圖書，主持并完成科技項(xiàng)目9項(xiàng)。獲得SAS、SPSS數(shù)據(jù)挖掘認(rèn)證及Hadoop開發(fā)工程師證書，具有電力、電信、銀行、制造企業(yè)、電子商務(wù)和電子政務(wù)的項(xiàng)目經(jīng)驗(yàn)和行業(yè)背景。

商品評論(0條)
暫無評論……
書友推薦
本類暢銷
返回頂部
中圖網(wǎng)
在線客服