Анализ данных Python и исходный код приложения.
Цена: 842руб. (¥39.84)
Артикул: 566740431872
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:人民邮电出版社官方旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥ 189 119.52 526руб.
¥55.81 180руб.
¥992 092руб.
¥ 79 59.251 252руб.
 |
Каталог
*Глава 1 Обзор анализа данных Python 1
Миссия 1.1 Анализ когнитивных данных 1
1.1.1 Осветите концепцию анализа данных 2
1.1.2 Освоить процесс анализа данных 2
1.1.3 Понимание анализа данных сцена приложения 4
Инструменты Mission 1.2, знакомые с анализом данных Python 5
1.2.1 Понимание анализа данных Обычно используемые инструменты 6
1.2.2 Понимание преимуществ анализа данных Python 7
1.2.3 Понимание анализа данных Python Common Library 7
Миссия 1.3 Распределительная версия Anaconda Python 9
1.3.1 Изучите Anaconda выпуск Python версии 9 версии 9
1.3.2 Установите Anaconda 9 в системе Windows
1.3.3 Установите Anaconda 12 в системе Linux
Задача 1.4 Осветите общую функцию Notebook Jupyter 14
1.4.1 Основные особенности ноутбука Jupyter 14
1.4.2 Осветите функции верхнего уровня в записной книжке Jupyter 16
Резюме 19
После -школы 19
*Глава 2: Основы численных расчетов Numpy 21
Задача 2.1 Master Numpy Array объект Ndarray 21
2.1.1 Создание объекта массива 21
2.1.2 Сгенерировать случайное число 27
2.1.3 Доступ с индексированным массивом 29
2.1.4 Измените форму массива 31
Задача 2.2 Master Numpy Matrix и Universal Function 34
2.2.1 Создать Numpy Matrix 34
2.2.2 Осветите функцию UFUNC 37
Задача 2.3 Используйте Numpy для статистического анализа 41
2.3.1 Чтение/написание файла 41
2.3.2 Используйте функции для выполнения простого статистического анализа 44
2.3.3 Реализация задачи 48
Резюме 50
Обучение 50
Обучение 1 Создайте массив и выполните вычисления 50
Обучение 2 Создать шахматную доску 50
После -Упражнения 51
Глава 3 Матплотлиб Основная основа 52
Миссия 3.1 освоить основную грамматику и общие параметры рисования 52
3.1.1 Master Pyplot Basic Grammar 53
3.1.2 Установите динамический параметр RC Pyplot 56
Миссия 3.2 Отношения между анализом 59
3.2.1 Нарисуйте разбросанную точку Рисунок 59
3.2.2 Нарисуйте линию складывания Рисунок 62
3.2.3 Реализация задачи 65
Задача 3.3 Характеристики анализа Внутреннее распределение и децентрализация данных 68
3.3.1 Нарисуйте гистограмму 68
3.3.2 Нарисуйте графику торта 70
3.3.3 Нарисуйте диаграмму линии коробки 71
3.3.4 Реализация задачи 73
Резюме 77
Обучение 78
Обучение 1 Анализ 1996 года ～ 2015 г. Популяционные данные включают 78
Обучение 2 Анализ характеристик характеристик каждой характеристики данных о популяции с 1996 по 2015 год 78
После -упражнения 79
Глава 4 Статистический анализ Панды 80
Миссия 4.1 Чтение/запись данных различных источников данных 80
4.1.1 Чтение/запись данных базы данных 80
4.1.2 Читать/записать текстовый файл 83
4.1.3 Читать/записать файл Excel 87
4.1.4 Реализация задачи 88
Миссия 4.2 Освоение общей работы DataFrame 89
4.2.1 Просмотреть общие атрибуты DataFrame 89
4.2.2 DataFrame Data 91
4.2.3.
4.2.4 Реализация задачи 104
Миссия 4.3 Преобразование и обработка данных временных рядов 107
4.3.1 Конвертированное время строки является стандартным временем 107
4.3.2 Извлечение информации о последовательности времени 109
4.3.3 Добавить или вычесть данные времени 110
4.3.4 Реализация задачи 111
Задача 4.4 Используйте агрегацию пакетов для расчета в группе 113
4.4.1 Используйте метод Groupby для разделения данных 114
4.4.2 Используйте метод AGG для агрегирования данных 116
4.4.3 Используйте метод применения для агрегирования данных 119
4.4.4 Используйте метод преобразования для агрегирования данных 121
4.4.5 Реализация задачи 121
Миссия 4.5 Создание перспективной таблицы и перекрестной таблицы 123
4.5.1 Используйте функцию pivot_table для создания перспективной таблицы 123
4.5.2 Используйте функцию CrosShab для создания перекрестной таблицы 127
4.5.3 Реализация задачи 128
Резюме 130
Обучение 130
Обучение 1 Прочитайте и просмотрите основную информацию основной таблицы данных сетевого кредита P2P 130
Обучение 2 ТАБЛИЦА ИНФОРМАЦИИ ИНФОРМАЦИИ ИНФОРМАЦИЯ И ИНФОРМАЦИЯ ВЕЛИКА ТАБЛИЦА ИНФОРМАЦИЯ Таблица 130
Обучение 3 Используйте метод агрегации пакетов для дальнейшего анализа таблицы обновления информации пользователя и информации о входе в систему Таблица 131
Обучение 4 Преобразование длинных и ширины для таблицы обновления информации и информации о входе в систему Таблица 131
После -класс упражнения 131
Глава 5 Используйте панды для предварительной обработки данных 133
Задача 5.1 слияние данных 133
5.1.1 Данные слияния стека 133
5.1.2 Первичный ключ комбинированный
5.1.3 Перекрытие и слияние данных 139
5.1.4 Реализация задачи 140
Задача 5.2 Данные очистки 141
5.2.1 Обнаружение и обработка повторения 141
5.2.2 Обнаружение и обработка пропущенных значений 146
5.2.3 Обнаружение и обработка аномального значения 149
5.2.4 Реализация задачи 152
Задача 5.3 Стандартизированные данные 154
5.3.1 Данные стандартизации отъезда 154
5.3.2 Данные стандартизации стандартизации 155
5.3.3 Стандартизированные данные десятичного фиксированного стандарта 156
5.3.4 Реализация задачи 157
Миссия 5.4 Данные о конверсии 158
5.4.1 Данные категории обработки тупых переменных 158
5.4.2 Дискретные непрерывные данные 160
5.4.3 Реализация задачи 162
Резюме 163
Практика 164
Обучение 1 Вставьте пользовательские данные об электроэнергетике. Отсутствие потерянной стоимости 164
Обучение 2 Потеря линии слияния, тенденция использования электроэнергии и данные тревоги 164.
Обучение 3 Стандартизированное моделирование.
После -класс упражнения 165
Глава 6 Используйте Scikit-Learn, чтобы построить модель 167
Миссия 6.1 Используйте конвертер Sklearn для обработки данных 167
6.1.1 Набор данных в наборах данных модуль 167
6.1.2 Разделите набор данных на учебный набор и набор тестов 170
6.1.3 Используйте конвертер Sklearn для предварительной обработки данных и уменьшения размеров 172
6.1.4 Реализация задачи 174
Миссия 6.2 Строительство и оценка кластерной модели 176
6.2.1 Используйте оценку Sklearn для создания кластерной модели 176
6.2.2 Модель кластера оценки 179
6.2.3 Реализация задачи 182
Миссия 6.3 Строительство и оценка классификационной модели 183
6.3.1 Используйте оценку Sklearn для создания классификационной модели 183
6.3.2 Модель классификации оценки 186
6.3.3 Реализация задачи 188
Задача 6.4 Строительство и оценить модель регрессии 190
6.4.1 Используйте оценку Sklearn для создания модели линейной регрессии 190
6.4.2 Оценка возврата модели 193
6.4.3 Реализация миссии 194
Резюме 196
Практика 196
Обучение 1 Используйте Sklearn для обработки набора данных Wine and Wine_quality 196
Обучение 2 Строительство модели кластера K-Means на основе набора данных вина 196
Обучение 3 Строительная модель классификации SVM на основе набора данных Wine Data 197
Обучение 4 Создайте регрессионную модель на основе набора данных Wine_quality 197
После -класс упражнение 198
Глава 7 Анализ ценности клиентов авиакомпаний 199
Задача 7.1 Понимает текущий статус и анализ ценных значений клиентов авиакомпаний 199
7.1.1 Изучите текущую ситуацию авиакомпании 200
7.1.2 Понимание анализа ценности клиента 201 201
7.1.3 Шаги и процессы, знакомые с анализом значений авиационной стоимости клиента 201
Задача 7.2 Предварительная обработка данных клиента авиации 202
7.2.
7.2.2.
7.2.3 5 Особенности стандартизированной модели LRFMC 206
7.2.4 Реализация задачи 207
Задача 7.3 Используйте алгоритм K-средних для группы клиентов 209 209
7.3.1 Изучить алгоритм кластера K-средних 209
7.3.2 Анализ результатов кластера 210
7.3.3 Приложение 213 модели 213
7.3.4 Реализация задачи 214
Резюме 215
Обучение 215
Обучение 1 Обработка данных кредитных карт ненормальное значение 215
Обучение 2 Строительная кредитная карта Кредитная оценка клиентов Оценка Оценки 217
Обучение 3 Construct K-Means Cluster Model 218
После -класс упражнения 218
Глава 8 Анализ финансовых доходов 220
Задача 8.1 Фон и метод прогноза фискального дохода 220
8.1.1 Анализ прогноза фискальных доходов 220
8.1.2 Как понять прогноз фискального дохода 222
8.1.3 Шаги и процессы знакомства с прогнозом финансового дохода 223
Задача 8.2 Анализ корреляции характеристик данных финансового дохода 223
8.2.1 Понимание корреляционного анализа 223
8.2.2 Результат расчета анализа 224
8.2.3 Реализация задачи 225
Задача 8.3 Ключевые функции Lasso return для выбора прогноза фискальных доходов 225
8.3.1 Учите Lasso return 226
8.3.2 АНАЛИЗ ЛАССО Результат возврата 227
8.3.3 Реализация задачи 227
Задача 8.4 Используйте серый прогноз и SVR для создания прогноза фискальных доходов 228
8.4.1 Ученится алгоритм прогноза серого 228
8.4.2 Понимание алгоритма SVR 229
8.4.3 Результаты анализа и прогнозирования 232
8.4.4 Реализация задачи 234
Резюме 236
Обучение 236
Обучение 1 Найдите коэффициент корреляции между характеристиками корпоративного подоходного налога 236
Обучение 2 Выберите ключевую особенность прогноза корпоративного подоходного налога 237
Обучение 3 Строительство прогноза корпоративного подоходного налога Модель 237
После -класс упражнения 237
Глава 9 Анализ поведения пользователей водонагревателя домохозяйства и распознавание событий 239
Задача 9.1 Изучите фон и шаги анализа поведения пользователя домашнего водонагревателя 239
9.1.1 Проанализируйте текущее состояние индустрии водонагревателя 240
9.1.2 Понимание основной ситуации данных сбора данных водонагревателя 240
9.1.3 Знакомые шаги и процессы анализа поведения пользователя домашнего водонагревателя 241
Миссия 9.2 Предварительная обработка водонагревателя Пользовательские данные о воде 242
9.2.1 Удалить избыточные функции 242
9.2.2 Divident of Water Event 243
9.2.3 Определите длинный порог одного водного события 244
9.2.4 Реализация задачи 246
Задача 9.3 Создание характеристик использования воды и скрининга инцидента использования воды 247
9.3.1 Строительство длины и частоты воды 248
9.3.2.
9.3.3 Скрининг -кандидат в купальный инцидент 250
9.3.4 Реализация задачи 251
Задача 9.4 Анализ поведенческих событий BP BP Модель 255
9.4.1. Принцип Алгоритма Алгоритма нейронной сети BP 255
9.4.2 Строительная модель 259
9.4.3 Модель оценки 260
9.4.4 Реализация задачи 260
Резюме 263
Обучение 263
Обучение 1 Данные клиента оператора стирки 263
Обучение 2 фильтровать данные оператора клиента 264
Обучение 3 Создание модели прогнозирования нейронной сети 265
После -класс упражнения 265
Приложение A 267
Приложение B 270
Ссылки 295
Введение
Эта книга ориентирована на задачи и всесторонне вводит процесс анализа данных и применение библиотеки анализа данных Python и подробно объясняет, как использовать Python для решения практических проблем на предприятиях. В общей сложности книга имеет 9 глав, а в главе 1 представлены основные концепции анализа данных и других связанных знаний; Глава 2–6 представляет общие библиотеки и приложения анализа данных Python, охватывающего численное расчет Numpy, визуализацию данных Matplotlib, статистический анализ пандов, предварительную обработку данных с пандами и создание модели с использованием Scikit-Learn. Он всесторонне объясняет метод анализа данных Python; Глава с 7 по 9 объединяет технологию анализа данных, изученную перед проведением всестороннего анализа данных. За исключением главы *1, каждая глава этой книги содержит практическую подготовку и упражнения после класса, которые помогают читателям консолидировать то, что они узнали, посредством практики и операции.
об авторе
Zhang Liangjun, менеджер проекта информационной системы *-Level, и инициатор Национального конкурса данных студентов студентов Тедди Кубка (www.tipdm.org). Профессор неполный рабочий день в Южно-Китайском Университете Нормального Университета и Гуандонского технологического университета и директор Общества промышленности и прикладной математики Гуандунга. Он имеет опыт работы в крупных высокотехнологичных предприятиях и университетах и в основном занимается планированием, исследованиями, разработками и консалтинговыми обучениями для добычи больших данных и его применения. Национальные компьютерные технологии и программное обеспечение Профессиональная техническая квалификация (уровень) Экзамен. Непрерывное образование и инструктор по обучению аналитика данных CDA. Он опубликовал более 20 документов, связанных с интеллектуальным анализом данных, получила 12 патентов на национальные изобретения, отредактировал книги «Практические учебные пособия для нейронных сетей», «Рабочие данные: практическое анализ случаев», «Анализ пихологического случая и добыча полезных ископаемых» и председательствовал на 9 научных и технологических проектов. Получил сертификат SAS, сертификат Data Mining Data Mining и Hadoop Development, с опытом работы в области проекта и отраслевым опытом в области питания, телекоммуникаций, банковских, производственных предприятий, электронной коммерции и электронного правительства.
Рекомендуемая рекомендация
*Эксперт по большим данным Данной Чжан Лянджун руководил командой лучших книг. такие как исходный код.