醉染图书Python数据挖掘技术及应用(微课版)9787302578765

章绪论1
1.1数据挖掘的相关概念1
1.2数据挖掘的步骤2
1.3数据挖掘的典型应用3
1.3.1数据挖掘在市场营销中的应用3
1.3.2数据挖掘在企业危机管理中的应用3
1.4数据挖掘的主要挑战3
1.4.1数据挖掘查询语言3
1.4.2用户交互4
1.4.3并行、分布和增量挖掘算法4
1.4.4数据类型的多样化4
1.5本章小结5
第2章pandas数据处理6
2.1Series对象6
2.1.1Series对象的创建6
2.1.2Series对象的属
2.1.3Series对象的查看和修改8
2.2Series对象的基本运算9
2.2.1算术运算与函数运算9
2.2.2Series对象之间的运算10
.DataFrame对象10
..1DataFrame对象的创建10
..2DataFrame对象的属12
..查看和修改DataFrame对象的元素14
..4判断元素属于DataFrame对象16
2.4DataFrame对象的基本运算17
2.4.1数据筛选17
2.4.2数据预处理19
2.4.3数据运算与排序33
2.4.4数学统计38
2.4.5数据分组与聚合44
2.5pandas数据可视化51
2.5.1绘制折线图52
2.5.2绘制条形图53
2.6pandas读写数据55
2.6.1读写csv文件56
2.6.2读取txt文件59
2.6.3读写Excel文件60
2.7本章小结64
第3章认识数据65
3.1数据类型65
3.1.1属类型65
3.1.2数据集的类型66
3.2数据质量分析67
3.2.1缺失值分析68
3.2.2异常值分析69
3..一致分析72
3.3数据特征分析72
3.3.1分布特征72
3.3.2统计量特征73
3.3.3周期特征78
3.3.4相关特征0
3.4本章小结81
第4章数据预处理82
4.1数据清洗82
4.1.1处理缺失值82
4.1.2噪声数据处理89
4.2数据集成90
4.2.1实体识别问题90
4.2.2属冗余问题91
4..元组重复问题91
4.2.4属值问题92
4.3数据规范化92
4.3.1小规范化92
4.3.2z分数规范化94
4.3.3小数定标规范化94
4.4数据离散化94
4.4.1无监督离散化95
4.4.2监督离散化96
4.5数据归约96
4.5.1过滤法97
4.5.2包装法99
4.5.3嵌入法99
4.6数据降维100
4.6.1主成分分析法101
4.6.2线判分析法101
4.7学生预处理102
4.8本章小结106
第5章决策树分类107
5.1相似和异的度量107
5.1.1数据对象之间的相异度107
5.1.2数据对象之间的相似度109
5.2分类概述111
5.2.1分类的基本概念111
5.2.2分类的般程112
5.3决策树分类概述113
5.3.1决策树的工作原理113
5.3.2选择划分属的度量117
5.3.3决策树分类待测样本的过程120
5.43决策树120
5.4.13决策树的工作原理120
5.4.2Python实现3决策树122
5.4.3使用3决策树预测贷款申请130
5.4.43决策树的缺点131
5.5C4.5决策树的分类算法131
5.5.1C4.5决策树的工作原理131
5.5.2Python实现C4.5决策树133
5.5.3使用C4.5决策树预测鸢尾花类别139
5.6CART决策树139
5.6.1CART决策树的工作原理139
5.6.2Python实现CART决策树139
5.7本章小结143
第6章贝叶斯分类144
6.1贝叶斯定理144
6.1.1概率基础144
6.1.2贝叶斯定理简介146
6.1.3先验概率与后验概率147
6.2朴素贝叶斯分类的原理与分类流程147
6.2.1贝叶斯分类原理147
6.2.2朴素贝叶斯分类的流程147
6.3高斯朴素贝叶斯分类150
6.3.1scikitlearn实现高斯朴素贝叶斯分类150
6.3.2Python实现iris高斯朴素贝叶斯分类151
6.4多项式朴素贝叶斯分类156
6.5伯努利朴素贝叶斯分类157
6.6本章小结157
第7章支持向量机分类158
7.1支持向量机概述158
7.1.1支持向量机的分类原理158
7.1.2边缘超平面158
7.2线支持向量机159
7.2.1线决策边界159
7.2.2线分类器边缘160
7..训练线支持向量机模型161
7.3Python实现支持向量机163
7.3.1SVC支持向量机分类模型164
7.3.2NuSVC支持向量机分类模型166
7.3.3LinearSVC支持向量机分类模型167
7.4本章小结168
第8章感知器分类169
8.1人工神经元169
8.1.1神经元概述169
8.1.2激活函数170
8.2感知器171
8.2.1感知器模型171
8.2.2感知器学习算法172
8.3Python实现感知器学习算法概述174
8.3.1Python实现感知器学习算法174
8.3.2使用感知器分类鸢尾花数据175
8.4本章小结177
第9章回归178
9.1回归概述178
9.1.1回归的概念178
9.1.2回归处理流程178
9.1.3回归的分类178
9.2一元线回归178
9.2.1一元线回归模型178
9.2.2使用一元线回归预测房价182
9.3多元线回归185
9.3.1多元线回归模型185
9.3.2使用多元线回归分析广告媒介与销售额之间的关系187
9.3.3多元线回归模型预测电能输出188
9.4非线回归191
9.4.1多项式回归191
9.4.2非多项式的非线回归195
9.5逻辑回归198
9.5.1逻辑回归模型199
9.5.2对鸢尾花数据进行逻辑回归分析201
9.6本章小结203
0章聚类204
10.1聚类概述204
10.1.1聚类的概念204
10.1.2聚类方法类型205
10.1.3聚类应用领域206
10.2k均值聚类206
10.2.1k均值聚类的原理206
10.2.2Python实现对鸢尾花的k均值聚类208
10.3层次聚类方法211
10.3.1层次聚类的原理211
10.3.2Python实现凝聚层次聚类214
10.3.3BIRCH聚类的原理217
10.3.4Python实现BIRCH聚类220
10.4密度聚类221
10.4.1密度聚类的原理221
10.4.2Python实现DBSCAN密度聚类224
10.5本章小结227
1章关联规则挖掘228
11.1关联规则挖掘概述228
11.1.1购物篮分析228
11.1.2关联规则相关概念229
11.1.3关联规则类型1
11.2频繁项集的产生2
11.2.1先验原理
11.2.2Apriori算法产生频繁项集
11..候选项集的产生与剪枝
11.2.4频繁项集及其支持度的Python实现
11.3关联规则的产生
11.3.1关联规则产生的原理
11.3.2Apriori算法产生关联规则的方式240
11.3.3频繁项集的紧凑表示241
11.4FP增长算法242
11.4.1构建FP树243
11.4.2FP树的挖掘245
11.5本章小结247
2章系统248
12.1系统的概念248
12.1.1基本概念248
12.1.2系统的类型249
12.2基于内容的250
12.2.1文本表示251
12.2.2文本相似度257
12..Python实现基于内容的258
1.基于用户的协同过滤261
1..1收集用户偏好262
1..2寻找相似的用户262
1..为相似的用户商品266
12.4基于物品的协同过滤267
12.4.1获取用户对物品的评分267
12.4.2计算物品共同出现的次数和一个物品被多少个用户购买268
12.4.3计算物品之间的相似度268
12.4.4给用户物品269
12.5本章小结270
3章电商评论网络爬取与情感分析271
13.1网络爬虫概述271
13.1.1网页的概念271
13.1.2网络爬虫的工作流程271
13.2使用BeautifulSoup库提取网页信息272
13.2.1BeautifulSoup的安装272
13.2.2BeautifulSoup库的导入272
13..BeautifulSoup类的基本元素273
13.2.4HTML内容搜索274
13.3使用urllib库编写简单的网络爬虫277
13.3.1发送不带参数的GET请求277
13.3.2模拟浏览器发送带参数的GET请求278
13.3.3URL解析279
13.4爬取小米手机评论280
13.4.1页面分析280
13.4.2编写小米手机评论爬虫代码283
13.5对手机评本进行情感分析286
13.5.1文本情感倾向分析的层次286
13.5.2中文文本情感倾向分析287
13.5.3评本情感倾向分析288
13.5.4评本分词290
13.5.5去除停用词291
13.5.6评本的LDA主题分析292
13.6本章小结297
参考文献298

曹洁 男，博士，现为郑州轻工业大学软件学院校聘副教授。主讲《Python语言程序设计》、《数据挖掘》。主编出版《Python语言程序设计》、《Python数据分析》、《大数据技术》等多本教材。

l 内容系统全面：全面介绍数据挖掘的经典和主流算法
l 原理浅显易懂：循序渐进阐述各类数据挖掘算法原理
l 配套视频教程：提供配套视频讲解数据挖掘算法实现
l 算法代码实现：使用Python 3.6.2实现书中所有算法
l 配套资源丰富：配有教学课件、数据集和源代码

本书是一本全面介绍数据挖掘技术的专业书籍，系统地阐述了数据挖掘的相关概念、原理、算法思想和算法的Python代码实现。全书共分13章，各章相对独立成篇，以利于读者选择学习。13章内容分别为绪论、pandas数据处理、认识数据、数据预处理、决策树分类、贝叶斯分类、支持向量机分类、感知器分类、回归、聚类、关联规则挖掘、系统、电商评论网络爬取与情感分析。 本书可作为高等院校计算机科学与技术、数据科学与大数据及相关专业的数据挖掘、数据分析课程教材，亦可作为数据挖掘、数据分析人员的参考书。