从零开始学Python数据分析与挖掘epub

从零开始学Python数据分析与挖掘 作者：刘顺祥

从零开始学Python数据分析与挖掘 出版社： 清华大学出版社

从零开始学Python数据分析与挖掘 内容简介

本书以Python 3版本作为数据分析与挖掘实战的应用工具，从Pyhton的基础语法开始，陆续介绍有关数值计算的Numpy、数据处理的Pandas、数据可视化的Matplotlib和数据挖掘的Sklearn等内容。全书共涵盖15种可视化图形以及10个常用的数据挖掘算法和实战项目，通过本书的学习，读者可以掌握数据分析与挖掘的理论知识和实战技能。

本书适于统计学、数学、经济学、金融学、管理学以及相关理工科专业的本科生、研究生使用，也能够提高从事数据咨询、研究或分析等人士的专业水平和技能。

从零开始学Python数据分析与挖掘 目录

前言

第1章 数据分析与挖掘概述

1.1 什么是数据分析和挖掘

1.2 数据分析与挖掘的应用领域

1.3 数据分析与挖掘的区别

1.4 数据挖掘的流程

1.5 常用的数据分析与挖掘工具

1.6 本章小结

第2章 从收入的预测分析开始

2.1 下载与安装Anoconda

2.2 基于Python的案例实战

2.3 本章小结

第3章 Python快速入门

3.1 数据结构及方法

3.2 控制流

3.3 字符串处理方法

3.4 自定义函数

3.5 一个爬虫案例

3.6 本章小结

第4章 Python数值计算工具——Numpy

4.1 数组的创建与操作

4.2 数组的基本运算符

4.3 常用的数学和统计函数

4.4 线性代数的相关计算

4.5 伪随机数的生成

4.6 本章小结

第5章 Python数据处理工具——Pandas

5.1 序列与数据框的构造

5.2 外部数据的读取

5.3 数据类型转换及描述统计

5.4 字符与日期数据的处理

5.5 常用的数据清洗方法

5.6 数据子集的获取

5.7 透视表功能

5.8 表之间的合并与连接

5.9 分组聚合操作

5.10 本章小结

第6章 Python数据可视化

6.1 离散型变量的可视化

6.2 数值型变量的可视化

6.3 关系型数据的可视化

6.4 多个图形的合并

6.5 本章小结

第7章 线性回归预测模型

7.1 一元线性回归模型

7.2 多元线性回归模型

7.3 回归模型的假设检验

7.4 回归模型的诊断

7.5 本章小结

第8章 岭回归与LASSO回归模型

8.1 岭回归模型

8.2 岭回归模型的应用

8.3 LASSO回归模型

8.4 LASSO回归模型的应用

8.5 本章小结

第9章 Logistic回归分类模型

9.1 Logistic模型的构建

9.2 分类模型的评估方法

9.3 Logistic回归模型的应用

9.4 本章小结

第10章 决策树与随机森林

10.1 节点字段的选择

10.2 决策树的剪枝

10.3 随机森林

10.4 决策树与随机森林的应用

10.5 本章小结

第11章 KNN模型的应用

11.1 KNN算法的思想

11.2 最佳k值的选择

11.3 相似度的度量方法

11.4 近邻样本的搜寻方法

11.5 KNN模型的应用

11.6 本章小结

第12章 朴素贝叶斯模型

12.1 朴素贝叶斯理论基础

12.2 几种贝叶斯模型

12.3 本章小结

第13章 SVM模型的应用

13.1 SVM简介

13.2 几种常见的SVM模型

13.3 分类问题的解决

13.4 预测问题的解决

13.5 本章小结

第14章 GBDT模型的应用

14.1 提升树算法

14.2 梯度提升树算法

14.3 非平衡数据的处理

14.4 XGBoost算法

14.5 本章小结

第15章 Kmeans聚类分析

15.1 Kmeans聚类

15.2 最佳k值的确定

15.3 Kmeans聚类的应用

15.4 Kmeans聚类的注意事项

15.5 本章小结

第16章 DBSCAN与层次聚类分析

16.1 密度聚类简介

16.2 密度聚类与Kmeans的比较

16.3 层次聚类

16.4 密度聚类与层次聚类的应用

16.5 本章小结

从零开始学Python数据分析与挖掘 精彩文摘

随着数据时代的蓬勃发展，越来越多的企事业单位开始认识到数据的重要性，并通过各种手段进行数据的搜集。例如，使用问卷调查法获取用户对产品的评价或改善意见；通过每一次的实验获得产品性能的改良状况；基于各种设备记录空气质量状况、人体健康状态、机器运行寿命等；通过网页或APP记录用户的每一次登录、浏览、交易、评论等操作；基于数据接口、网络爬虫等手段获取万维网中的公开数据；甚至是企业间的合作实现多方数据的共享。企事业单位花费人力、物力获取各种数据的主要目的就是通过数据分析和挖掘手段实现数据的变现，否则囤积的数据就是资源的浪费。

数据分析和挖掘都是基于搜集来的数据，应用数学、统计、计算机等技术抽取出数据中的有用信息，进而为决策提供依据和指导方向。例如，应用漏斗分析法挖掘出用户体验过程中的不足之处，从而进一步改善产品的用户流程；利用AB测试法检验网页布局的变动对交易转化率的影响，从而确定这种变动是否有利；基于RFM模型实现用户的价值分析，进而针对不同价值等级的用户采用各自的营销方案，实现精准触达；运用预测分析法对历史的交通数据进行建模，预测城市各路线的车流量，进而改善交通的拥堵状况；采用分类手段，对患者的体检指标进行挖掘，判断其所属的病情状况；利用聚类分析法对交易的商品进行归类，可以实现商品的捆绑销售、推荐销售等营销手段。应用数据分析和挖掘方法，让数据产生价值的案例还有很多，这里就不一一枚举了，所以只有很好地利用数据，它才能产生价值，毫不夸张地说，大部分功劳都要归功于数据分析和挖掘。