午夜欧美日韩,国产在线超清日本一本

這是一本適合教學和零基礎自學的Python與數據挖掘的教程，即便你完全沒有Python編程基礎和數據挖掘基礎，根據本書中的理論知識和上機實踐，你也能迅速掌握如何使用Python進行數據挖掘。本書已經被多所高校預定為教材，為了便于教學，書中還提供了大量的上機實驗和教學資源。

本書主要分為兩篇：

基礎篇（1～6章）：第1章旨在讓讀者從全局把握數據挖掘、建模工具以及Python開發(fā)環(huán)境的搭建；第2章正式開始講解Python的基礎知識，包括操作符、變量類型、流程控制、數據結構等內容；第3、4章主要對Python面向對象的特性進行介紹，包括函數、類與對象等基本概念；第5章介紹主流的數據分析與挖掘的模塊，以及其中具體的方法及對應的功能；第6章繼續(xù)拓展了模塊的相關內容，介紹圖表繪制的專用模塊（Matplotlib和Bokeh），深入淺出地展示如何方便地繪制點、線、圖等。

建模應用篇（7～11章）：主要對數據挖掘中的常用算法進行介紹，強調在Python中對應函數的使用方法及其結果的解釋說明。內容涵蓋五大主流的數據挖掘算法，包括分類與預測、聚類分析建模、關聯(lián)規(guī)則分析、智能推薦和時間序列分析。按照從模型建立到模型評價的架構進行介紹，使讀者熟練掌握從建模到對模型評價的完整建模過程。

　　Preface前　　言為

　　什么要寫本書？Python是什么？Python是一種帶有動態(tài)語義的、解釋性的、面向對象的高級編程語言。其高級內置數據結構，結合動態(tài)類型和動態(tài)綁定，使其對于敏捷軟件開發(fā)非常具有吸引力。同時，Python作為腳本型（膠水）語言連接現有的組件也十分高效。Python語法簡潔，可讀性強，從而能降低程序的維護成本。不僅如此，Python支持模塊和包，鼓勵程序模塊化和代碼重用。

　　Python語言的解釋性使其語法更接近人類的表達和思維過程，開發(fā)程序的效率極高。習慣使用Python者，總習慣在介紹Python時強調一句話：“人生苦短，我用Python�！庇捎跊]有編譯步驟，“寫代碼—測試—調試”的流程能被快速地反復執(zhí)行。

　　作為一款用途廣泛的語言，Python在數據分析與機器學習領域的表現，稱得上“一任群芳妒”。2016年3月，國外知名技術問答社區(qū)StackOverflow發(fā)布了《2016年開發(fā)者調查報告》。此調查號稱是有史以來最為全面的開發(fā)者調查。其中，數據科學家的十大技術棧中，有7個包含Python。具體來說，數據科學家中有63%正在使用Python，44%正在使用R語言。而且，27%的人同時使用這兩種語言。Python還在“最多人使用的技術”“最受歡迎技術”“需求度最高技術”等榜單中名列前十。

　　Python的明顯優(yōu)勢：

　　Python作為一款優(yōu)雅、簡潔的開源編程語言，吸引了世界各地頂尖的編程愛好者的注意力。每天都有數量眾多的開源項目更新自己的功能，作為第三方模塊為其他開發(fā)者提供更加高效、便利的支持。

　　Python提供了豐富的API和工具，以便程序員能夠輕松地使用C、C++、Cython來編寫擴充模塊，從而集成多種語言的代碼，協(xié)同工作。一些算法在底層用C實現后，封裝在Python模塊中，性能非常高效。

　　Python受到世界各地開發(fā)者的一致喜愛，在世界范圍內被廣泛使用。這意味著讀者可以通過查看代碼范例，快速學習和掌握相關內容。

　　Python語言簡單易學，語法清晰。Python開發(fā)者的哲學是“用一種方法，最好是只有一種方法來做一件事”。通常，相較其他語言，Python的源代碼被認為具有更好的可讀性。

　　2004年，Python 已在Google 內部使用，他們的宗旨是：Python where we can，C++ where we must，即在操控硬件的場合使用C++，在快速開發(fā)時使用Python。

　　總的來說，Python是一款用于數據統(tǒng)計、分析、可視化等任務，以及機器學習、人工智能等領域的高效開發(fā)語言。它能滿足幾乎所有數據挖掘下所需的數據處理、統(tǒng)計模型和圖表繪制等功能需求。大量的第三方模塊所支持的內容涵蓋了從統(tǒng)計計算到機器學習，從金融分析到生物信息，從社會網絡分析到自然語言處理，從各種數據庫各種語言接口到高性能計算模型等領域。隨著大數據時代的來臨，數據挖掘將更加廣泛地滲透到各行各業(yè)中去，而Python作為數據挖掘里的熱門工具，將會有更多不同行業(yè)的人加入到Python愛好者的行列中來。完全面向對象的Python的教學工作也將成為高校中數學與統(tǒng)計學專業(yè)的重點發(fā)展對象，這是大數據時代下的必然趨勢。

　　本書特色筆者從實際應用出發(fā)，結合實際例子及應用場景，深入淺出地介紹Python開發(fā)環(huán)境的搭建、Python基礎入門、函數、面向對象編程、實用模塊和圖表繪制及常用的建模算法在Python中的實現方式。本書的編排以Python語言的函數應用為主，先介紹了函數的應用場景及使用格式，再給出函數的實際使用示例，最后對函數的運行結果做出了解釋，將掌握函數應用的所需知識點按照實際使用的流程展示出來。

　　為方便讀者理解Python語言中相關函數的使用，本書配套提供了書中使用的示例的代碼及所用的數據，讀者可以從“泰迪杯”全國數據挖掘挑戰(zhàn)賽網站（http://www.tipdm.org/ts/755.jhtml）上免費下載。讀者也可通過熱線電話（40068-40020）、企業(yè)QQ（40068-40020）或以下微信公眾號咨詢獲取。

　　TipDM張良均〈大數據挖掘產品與服務〉本書適用對象開設有數據挖掘課程的高校教師和學生。

　　目前國內不少高校將數據挖掘引入本科教學中，在數學、計算機、自動化、電子信息、金融等專業(yè)開設了數據挖掘技術相關的課程，但目前這一課程的教學使用的工具仍然為SPSS、SAS等傳統(tǒng)統(tǒng)計工具，并沒有使用Python作為教學工具。本書提供了有關Python語言的從安裝到使用的一系列知識，將能有效指導高校教師和學生使用Python。

　　數據挖掘開發(fā)人員。

　　這類人員可以在理解數據挖掘應用需求和設計方案的基礎上，結合本書提供的Python的使用方法快速入門并完成數據挖掘應用的編程實現。

　　進行數據挖掘應用研究的科研人員。

　　許多科研院所為了更好地對科研工作進行管理，紛紛開發(fā)了適應自身特點的科研業(yè)務管理系統(tǒng)，并在使用過程中積累了大量的科研信息數據。Python可以提供一個優(yōu)異的環(huán)境對這些數據進行挖掘分析應用。

　　關注高級數據分析的人員。

　　Python作為一個廣泛用于數據挖掘領域的編程語言，能為數據分析人員提供快速的、可靠的分析依據。

前言
第一部分　基礎篇
第1章　數據挖掘概述 2
1.1　數據挖掘簡介 2
1.2　工具簡介 3
1.2.1　WEKA 3
1.2.2　RapidMiner 4
1.2.3　Python 5
1.2.4　R 5
1.3　Python開發(fā)環(huán)境的搭建 6
1.3.1　Python安裝 6
1.3.2　Python初識 11
1.3.3　與讀者的約定 14
1.4　小結 15
第2章　Python基礎入門 16
2.1　常用操作符 16
2.1.1　算術操作符 17
2.1.2　賦值操作符 17
2.1.3　比較操作符 18
2.1.4　邏輯操作符 18
2.1.5　操作符優(yōu)先級 18
2.2　數字數據 19
2.2.1　變量與賦值 19
2.2.2　數字數據類型 20
2.3　流程控制 20
2.3.1　if語句 21
2.3.2　while循環(huán) 23
2.3.3　for循環(huán) 25
2.4　數據結構 27
2.4.1　列表 28
2.4.2　字符串 31
2.4.3　元組 35
2.4.4　字典 36
2.4.5　集合 39
2.5　文件的讀寫 40
2.5.1　改變工作目錄 40
2.5.2　txt文件讀取 41
2.5.3　csv文件讀取 42
2.5.4　文件輸出 43
2.5.5　使用JSON處理數據 43
2.6　上機實驗 44
第3章　函數 47
3.1　創(chuàng)建函數 48
3.2　函數參數 50
3.3　可變對象與不可變對象 52
3.4　作用域 53
3.5　上機實驗 55
第4章　面向對象編程 56
4.1　簡介 56
4.2　類與對象 58
4.3　__init__方法 59
4.4　對象的方法 61
4.5　繼承 65
4.6　上機實驗 68
第5章　Python實用模塊 69
5.1　什么是模塊 69
5.2　NumPy 70
5.3　Pandas 75
5.4　SciPy 81
5.5　scikit-learn 84
5.6　其他Python常用模塊 87
5.7　小結 88
5.8　上機實驗 88
第6章　圖表繪制入門 89
6.1　Matplotlib 89
6.2　Bokeh 94
6.3　其他優(yōu)秀的繪圖模塊 97
6.4　小結 97
6.5　上機實驗 97
第二部分　建模應用篇
第7章　分類與預測 100
7.1　回歸分析 100
7.1.1　線性回歸 101
7.1.2　邏輯回歸 104
7.2　決策樹 107
7.2.1　ID3算法 107
7.2.2　其他樹模型 111
7.3　人工神經網絡 113
7.4　kNN算法 122
7.5　樸素貝葉斯分類算法 124
7.6　小結 127
7.7　上機實驗 127
第8章　聚類分析建模 129
8.1　K-Means聚類分析函數 129
8.2　系統(tǒng)聚類算法 133
8.3　DBSCAN聚類算法 138
8.4　上機實驗 142
第9章　關聯(lián)規(guī)則分析 144
9.1　Apriori關聯(lián)規(guī)則算法 145
9.2　Apriori在Python中的實現 146
9.3　小結 149
9.4　上機實驗 149
第10章　智能推薦 151
10.1　基于用戶的協(xié)同過濾算法 152
10.2　基于用戶的協(xié)同過濾算法在Python中的實現 154
10.3　小結 157
10.4　上機實驗 157
第11章　時間序列分析 159
11.1　ARIMA模型 159
11.2　小結 171
11.3　上機實驗 172
參考文獻 174

你還可能感興趣

我要評論