从零开始学Python数据分析与挖掘

作品简介

本书以Python3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。

刘顺祥，统计学硕士，“数据分析1480”微信公众号运营者。曾就职于大数据咨询公司，为联想、亨氏、美丽田园、网鱼网咖等企业项目提供服务；曾在唯品会大数据部担任数据分析师一职，负责电商支付环节的数据分析业务。

作品目录

• 作者简介
• 内容简介
• 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