Python數(shù)據(jù)挖掘：入門、進階與實用案例分析

定　價：￥99.00

作　者：	盧滔張良均戴浩李曼陳四德著
出版社：	機械工業(yè)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

當(dāng)當(dāng)網(wǎng) (￥74.20)

ISBN：	9787111730101	出版時間：	2023-08-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　內(nèi)容簡介這是一本以項目實戰(zhàn)案例為驅(qū)動的數(shù)據(jù)挖掘著作，它能幫助完全沒有Python編程基礎(chǔ)和數(shù)據(jù)挖掘基礎(chǔ)的讀者快速掌握Python數(shù)據(jù)挖掘的技術(shù)、流程與方法。在寫作方式上，本書與傳統(tǒng)的“理論與實踐結(jié)合”的入門書不同，它以數(shù)據(jù)挖掘領(lǐng)域的知名賽事“泰迪杯”數(shù)據(jù)挖掘挑戰(zhàn)賽（已舉辦10屆）和“泰迪杯”數(shù)據(jù)分析技能賽（已舉辦5屆）（累計1500余所高校的10余萬師生參賽）為依托，精選了11個經(jīng)典賽題，將Python編程知識、數(shù)據(jù)挖掘知識和行業(yè)知識三者融合，讓讀者在實踐中快速掌握電商、教育、交通、傳媒、電力、旅游、制造等7大行業(yè)的數(shù)據(jù)挖掘方法。本書不僅適用于零基礎(chǔ)的讀者自學(xué)，還適用于教師教學(xué)，為了幫助讀者更加高效地掌握本書的內(nèi)容，本書提供了以下10項附加價值：（1）建模平臺：提供一站式大數(shù)據(jù)挖掘建模平臺，免配置，包含大量案例工程，邊練邊學(xué)，告別紙上談兵（2）視頻講解：提供不少于600分鐘Python編程和數(shù)據(jù)挖掘相關(guān)教學(xué)視頻，邊看邊學(xué)，快速收獲經(jīng)驗值（3）精選習(xí)題：精心挑選不少于60道數(shù)據(jù)挖掘練習(xí)題，并提供詳細解答，邊學(xué)邊練，檢查知識盲區(qū)（4）作者答疑：學(xué)習(xí)過程中有任何問題，通過“樹洞”小程序，紙書拍照，一鍵發(fā)給作者，邊問邊學(xué)，事半功倍（5）數(shù)據(jù)文件：提供各個案例配套的數(shù)據(jù)文件，與工程實踐結(jié)合，開箱即用，增強實操性（6）程序代碼：提供書中代碼的電子文件及相關(guān)工具的安裝包，代碼導(dǎo)入平臺即可運行，學(xué)習(xí)效果立竿見影（7）教學(xué)課件：提供配套的PPT課件，使用本書作為教材的老師可以申請，節(jié)省備課時間（8）模型服務(wù)：提供不少于10個數(shù)據(jù)挖掘模型，模型提供完整的案例實現(xiàn)過程，助力提升數(shù)據(jù)挖掘?qū)嵺`能力（9）教學(xué)平臺：泰迪科技為本書提供的附加資源提供一站式數(shù)據(jù)化教學(xué)平臺，附有詳細操作指南，邊看邊學(xué)邊練，節(jié)省時間（10）就業(yè)推薦：提供大量就業(yè)推薦機會，與1500+企業(yè)合作，包含華為、京東、美的等知名企業(yè)通過學(xué)習(xí)本書，讀者可以理解數(shù)據(jù)挖掘的原理，迅速掌握大數(shù)據(jù)技術(shù)的相關(guān)操作，為后續(xù)數(shù)據(jù)分析、數(shù)據(jù)挖掘、深度學(xué)習(xí)的實踐及競賽打下良好的技術(shù)基礎(chǔ)。

作者簡介

暫缺《Python數(shù)據(jù)挖掘：入門、進階與實用案例分析》作者簡介

圖書目錄

Contents?目　　錄
前　言
第一篇　基礎(chǔ)篇
第1章　數(shù)據(jù)挖掘概述　　2
1.1　數(shù)據(jù)挖掘簡介　　2
1.2　數(shù)據(jù)挖掘的通用流程　　4
1.2.1　目標(biāo)分析　　4
1.2.2　數(shù)據(jù)抽取　　4
1.2.3　數(shù)據(jù)探索　　5
1.2.4　數(shù)據(jù)預(yù)處理　　5
1.2.5　分析與建?！　?
1.2.6　模型評價　　6
1.3　常用數(shù)據(jù)挖掘工具　　6
1.4　Python數(shù)據(jù)挖掘環(huán)境配置　　7
1.5　小結(jié)　　9
第2章　Python數(shù)據(jù)挖掘編程基礎(chǔ)　　10
2.1　Python使用入門　　10
2.1.1　基本命令　　10
2.1.2　判斷與循環(huán)　　14
2.1.3　函數(shù)　　15
2.1.4　庫的導(dǎo)入與添加　　17
2.2　Python數(shù)據(jù)分析及預(yù)處理
常用庫　　19
2.2.1　NumPy　　19
2.2.2　pandas　　20
2.2.3　Matplotlib　　20
2.3　Python數(shù)據(jù)挖掘建模常用框架
和庫　　20
2.3.1　scikit-learn　　21
2.3.2　深度學(xué)習(xí)　　21
2.3.3　其他　　23
2.4　小結(jié)　　25
第二篇　入門篇
第3章　電商平臺手機銷售數(shù)據(jù)采集與
分析　　28
3.1　背景與目標(biāo)　　28
3.1.1　背景　　29
3.1.2　數(shù)據(jù)說明　　29
3.1.3　目標(biāo)分析　　30
3.2　數(shù)據(jù)采集　　31
3.2.1　手機銷售數(shù)據(jù)采集　　31
3.2.2　手機售后數(shù)據(jù)采集　　32
3.3　數(shù)據(jù)探索與預(yù)處理　　34
3.3.1　數(shù)據(jù)信息探索　　34
3.3.2　缺失值處理　　36
3.3.3　文本處理　　37
3.4　數(shù)據(jù)可視化分析　　38
3.4.1　手機的銷售因素分析　　38
3.4.2　用戶的消費習(xí)慣分析　　45
3.4.3　用戶的售后評論分析　　49
3.5　制定營銷策略　　50
3.6　小結(jié)　　51
第4章　自動售貨機銷售數(shù)據(jù)分析與
應(yīng)用　　52
4.1　背景與目標(biāo)　　52
4.1.1　背景　　52
4.1.2　數(shù)據(jù)說明　　53
4.1.3　目標(biāo)分析　　53
4.2　數(shù)據(jù)讀取與預(yù)處理　　54
4.2.1　數(shù)據(jù)讀取　　54
4.2.2　數(shù)據(jù)清洗　　55
4.2.3　數(shù)據(jù)規(guī)約　　57
4.3　銷售數(shù)據(jù)可視化分析　　59
4.3.1　銷售額和自動售貨機數(shù)量的
關(guān)系　　59
4.3.2　訂單數(shù)量和自動售貨機數(shù)量的
關(guān)系　　60
4.3.3　暢銷和滯銷商品　　63
4.3.4　自動售貨機的銷售情況　　64
4.3.5　訂單支付方式占比　　67
4.3.6　各消費時段的訂單用戶
占比　　68
4.4　銷售額預(yù)測　　69
4.4.1　統(tǒng)計周銷售額　　69
4.4.2　平穩(wěn)性檢驗　　70
4.4.3　差分處理　　72
4.4.4　模型定階　　74
4.4.5　模型預(yù)測　　74
4.5　小結(jié)　　75
第5章　教育平臺的線上課程推薦
策略　　76
5.1　背景與目標(biāo)　　76
5.1.1　背景　　77
5.1.2　數(shù)據(jù)說明　　77
5.1.3　目標(biāo)分析　　78
5.2　數(shù)據(jù)探索　　78
5.2.1　數(shù)據(jù)質(zhì)量分析　　79
5.2.2　課程單價分布分析　　81
5.3　數(shù)據(jù)預(yù)處理　　82
5.4　平臺的運營狀況分析　　83
5.4.1　用戶留存率　　83
5.4.2　用戶活躍時間　　88
5.4.3　課程受歡迎程度　　90
5.5　Apriori模型的構(gòu)建　　92
5.5.1　Apriori算法　　93
5.5.2　構(gòu)建Apriori模型　　94
5.5.3　模型應(yīng)用　　97
5.6　制定課程推薦策略　　98
5.7　小結(jié)　　99
第三篇　進階篇
第6章　電視產(chǎn)品的營銷推薦　　102
6.1　背景與目標(biāo)　　102
6.1.1　背景　　103
6.1.2　數(shù)據(jù)說明　　103
6.1.3　目標(biāo)分析　　104
6.2　數(shù)據(jù)預(yù)處理　　105
6.2.1　數(shù)據(jù)清洗　　105
6.2.2　數(shù)據(jù)探索　　109
6.2.3　屬性構(gòu)建　　115
6.3　分析與建?！　?18
6.3.1　基于物品的協(xié)同過濾推薦
模型　　119
6.3.2　基于流行度的推薦算法
模型　　121
6.4　模型評價　　122
6.5　小結(jié)　　124
第7章　運輸車輛安全駕駛行為
分析　　125
7.1　背景與目標(biāo)　　125
7.1.1　背景　　126
7.1.2　數(shù)據(jù)說明　　126
7.1.3　目標(biāo)分析　　126
7.2　構(gòu)建車輛駕駛行為指標(biāo)　　127
7.3　數(shù)據(jù)探索分析　　129
7.3.1　分布分析　　129
7.3.2　相關(guān)性分析　　131
7.3.3　異常值檢測　　132
7.4　駕駛行為聚類分析　　133
7.4.1　K-Means聚類　　133
7.4.2　層次聚類　　135
7.4.3　高斯混合模型聚類　　136
7.4.4　譜聚類　　137
7.5　構(gòu)建駕駛行為預(yù)測模型　　139
7.5.1　構(gòu)建LDA模型　　139
7.5.2　構(gòu)建樸素貝葉斯模型　　140
7.5.3　構(gòu)建神經(jīng)網(wǎng)絡(luò)模型　　142
7.6　駕駛行為安全分析總結(jié)　　143
7.7　小結(jié)　　143
第8章　基于非侵入式負荷監(jiān)測與
分解的電力數(shù)據(jù)挖掘　　144
8.1　背景與目標(biāo)　　144
8.1.1　背景　　144
8.1.2　數(shù)據(jù)說明　　146
8.1.3　目標(biāo)分析　　148
8.2