Python数据分析与挖掘实战（第2版）

有代码、有案例、有教程，还求什么？11-18

感觉还好 没有3.5 打3有点略低 于心不忍 为了打建模国赛花了几个小时看完的 感觉总体略浅 很多东西没有深入讲 不过篇幅限制 可以理解 后面建模有些idea还是挺有意思的 虽然结果大多一般 但也能提供一些灵感 花几个小时过一遍还算值得09-02

一个小时翻完了案例RFM，图像用决策树，水流的阈值确认09-12

看完啦！一站式的分析框架应该是应用趋势，未来数据分析应该也会变得像EXCEL一样简单吧。学习的时候在思考某些案例到底有没有分析的必要性，比如热水器用水行为分析的案例，在数据收集、数据预处理方面太繁琐，而且是通过设定一些人为的准则来分析，个人认为还不如做几个问卷调查和访问来得简单和真实。数据分析很多时候只不过是把一些显而易见的定性的结论通过数据表达出来。但不可否认在餐饮行业、电商行业的数据分析确实可以带来定量化的优势。说到底，并不是要盲目地应用数据分析手段，而是要从实际需求出发，解决实际问题，这样才能发挥出数据分析的真正优势。07-15

跳了几章自己会用到的全程敲了一遍代码，很多代码已经过时了，会报错。不得不说，文科生没有算法基础看起来真头大，但是个人觉得很多案例挺实用的。05-23

学完这本书之后会踏实很多05-14

拿到一个观察值序列后，首先要对它的纯随机性和平稳性进行检验，这两个重要的检验称为序列的预处理。纯随机序列又叫白噪声序列，序列的各项之间没有任何相关关系，序列在进行完全无序的随机波动，可以终止对该序列的分析。白噪声序列是没有信息可提取的平稳序列。对于平稳非白噪声序列，它的均值和方差是常数，现已有一套非常成熟的平稳序列的建模方法。通常是建立一个线性模型来拟合该序列的发展，借此提取该序列的有用信息。ARMA模型是最常用的平稳序列拟合模型。对于非平稳序列，由于它的均值和方差不稳定，处理方法一般是将其转变为平稳序列，这样就可以应用有关平稳时间序列的分析方法，如建立ARMA模型来进行相应的研究。如果一个时间序列经差分运算后具有平稳性，则称该序列为差分平稳序列，可以使用ARIMA模型进行分析。07-14

内容全面，章节安排合理，个人觉得已经很不错了。但是这本书的难度其实挺大的，全部掌握不容易，需要再好好复习整理。04-26