Python大數(shù)據(jù)分析與挖掘?qū)崙?zhàn)(微課版)
定 價:59.8 元
- 作者:黃恒秋,莫潔安,謝東津,張良均,蘇穎 著
- 出版時間:2020/11/1
- ISBN:9787115542403
- 出 版 社:人民郵電出版社
- 中圖法分類:TP311.561
- 頁碼:278
- 紙張:
- 版次:01
- 開本:16開
從Python基礎(chǔ)入門開始,到應(yīng)用Python進(jìn)行科學(xué)計(jì)算、數(shù)據(jù)處理、數(shù)據(jù)可視化、機(jī)器學(xué)習(xí)、深度學(xué)習(xí),再到利用Python進(jìn)行金融、地理信息、交通、文本、圖像等具體領(lǐng)域數(shù)據(jù)挖掘與分析,并最終利用Python進(jìn)行項(xiàng)目GUI可視化應(yīng)用開發(fā)。本書深入淺出地介紹了如何學(xué)習(xí)Python數(shù)據(jù)分析技能及應(yīng)用于具體領(lǐng)域,實(shí)踐性強(qiáng)。
本書分三篇:基礎(chǔ)篇、案例篇和提高篇;基礎(chǔ)篇(第1~6章)主要介紹Python基本知識及應(yīng)用于科學(xué)計(jì)算、數(shù)據(jù)處理、數(shù)據(jù)可視化、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等方面的基礎(chǔ)知識;案例篇(第7~11章)主要介紹了利用Python進(jìn)行金融、地理信息、交通、文本和圖像具體領(lǐng)域的數(shù)據(jù)挖掘分析應(yīng)用案例;提高篇(第12章)主要介紹GUI可視化應(yīng)用項(xiàng)目開發(fā);附錄提供6個實(shí)訓(xùn)課題,在電子資源中會給出詳細(xì)的實(shí)訓(xùn)指導(dǎo)、數(shù)據(jù)和程序代碼。
本書提供了豐富的數(shù)據(jù)、案例及程序代碼,同時理論與實(shí)踐相結(jié)合,以應(yīng)用為主。適合大數(shù)據(jù)、數(shù)學(xué)、計(jì)算機(jī)、經(jīng)濟(jì)金融管理類的本科生和大專生學(xué)習(xí)。對于研究生及數(shù)據(jù)挖掘研究者、愛好者也具有很好的參考價值。
1.從Python程序設(shè)計(jì)基礎(chǔ)入手,深入講解數(shù)據(jù)分析的相關(guān)包及數(shù)據(jù)分析方法
2.結(jié)合金融、交通、圖像識別等行業(yè)應(yīng)用將理論與案例結(jié)合,實(shí)用性強(qiáng)
3.配套資源豐富,配套微課視頻,案例數(shù)據(jù)源,課件,上機(jī)實(shí)驗(yàn)指導(dǎo)等
黃恒秋 2011.7-2014.6 就職于深圳市國泰安信息技術(shù)有限公司,從事CSMAR數(shù)據(jù)庫分析師、軟件策劃及設(shè)計(jì)相關(guān)工作 2014.9-今 廣西民族師范學(xué)院數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院專任教師,從事數(shù)據(jù)分析與挖掘、數(shù)學(xué)建模、Python語言、MATLAB語言、高等數(shù)學(xué)相關(guān)課程教學(xué)工作。
基礎(chǔ)篇\t1
第 1章 Python基礎(chǔ) 1
1.1 Python概述 1
1.2 Python安裝及啟動 1
1.2.1 Python安裝 1
1.2.2 Python啟動及界面認(rèn)識 4
1.3 Python擴(kuò)展包安裝 9
1.3.1 在線安裝 9
1.3.2 離線安裝 10
1.4 Python基本數(shù)據(jù)類型 11
1.4.1 數(shù)值的定義 11
1.4.2 字符串的定義 11
1.4.3 列表的定義 12
1.4.4 元組的定義 12
1.4.5 集合的定義 12
1.4.6 字典的定義 13
1.5 Python相關(guān)的公有方法 13
1.5.1 索引 13
1.5.2 切片 14
1.5.3 長度 15
1.5.4 統(tǒng)計(jì) 15
1.5.5 成員身份 15
1.5.6 變量刪除 16
1.6 列表、元組、字符串與字典方法 16
1.6.1 列表方法 16
1.6.2 元組方法 18
1.6.3 字符串方法 19
1.6.4 字典方法 20
1.7 條件語句 21
1.7.1 if…語句 21
1.7.2 if…else…語句 21
1.7.3 if…elif…else…語句 22
1.8 循環(huán)語句 22
1.8.1 while語句 22
1.8.2 for循環(huán) 23
1.9 函數(shù) 23
1.9.1 無返回值函數(shù)的定義與調(diào)用 23
1.9.2 有返回值函數(shù)的定義與調(diào)用 24
1.9.3 有多返回值函數(shù)的定義與調(diào)用 24
本章小結(jié) 25
本章練習(xí) 25
第 2章 科學(xué)計(jì)算包Numpy 26
2.1 Numpy簡介 26
2.2 創(chuàng)建數(shù)組 27
2.2.1 利用array()函數(shù)創(chuàng)建數(shù)組 27
2.2.2 利用內(nèi)置函數(shù)創(chuàng)建數(shù)組 28
2.3 數(shù)組尺寸 28
2.4 數(shù)組運(yùn)算 29
2.5 數(shù)組切片 30
2.5.1 常見的數(shù)組切片方法 30
2.5.2 利用ix_()函數(shù)進(jìn)行數(shù)組切片 31
2.6 數(shù)組連接 32
2.7 數(shù)據(jù)存取 33
2.8 數(shù)組形態(tài)變換 34
2.9 數(shù)組排序與搜索 35
2.10 矩陣與線性代數(shù)運(yùn)算 36
2.10.1 創(chuàng)建Numpy矩陣 36
2.10.2 矩陣的屬性和基本運(yùn)算 37
2.10.3 線性代數(shù)運(yùn)算 38
本章小結(jié) 41
本章練習(xí) 42
第3章 數(shù)據(jù)處理包Pandas 43
3.1 Pandas簡介 43
3.2 序列 44
3.2.1 序列創(chuàng)建及訪問 44
3.2.2 序列屬性 45
3.2.3 序列方法 46
3.2.4 序列切片 47
3.2.5 序列聚合運(yùn)算 48
3.3 數(shù)據(jù)框 48
3.3.1 數(shù)據(jù)框創(chuàng)建 49
3.3.2 數(shù)據(jù)框?qū)傩浴?9
3.3.3 數(shù)據(jù)框方法 50
3.3.4 數(shù)據(jù)框切片 54
3.4 外部文件讀取 56
3.4.1 Excel文件讀取 56
3.4.2 TXT文件讀取 57
3.4.3 CSV文件讀取 58
3.5 常用函數(shù) 59
3.5.1 滾動計(jì)算函數(shù) 59
3.5.2 數(shù)據(jù)框合并函數(shù) 60
3.5.3 數(shù)據(jù)框關(guān)聯(lián)函數(shù) 61
本章小結(jié) 62
本章練習(xí) 63
第4章 數(shù)據(jù)可視化包Matplotlib 65
4.1 Matplotlib繪圖基礎(chǔ) 65
4.1.1 Matplotlib圖像構(gòu)成 65
4.1.2 Matplotlib繪圖基本流程 65
4.1.3 中文字符顯示 67
4.1.4 坐標(biāo)軸字符刻度標(biāo)注 69
4.2 Matplotlib常用圖形繪制 70
4.2.1 散點(diǎn)圖 71
4.2.2 線性圖 72
4.2.3 柱狀圖 73
4.2.4 直方圖 74
4.2.5 餅圖 75
4.2.6 箱線圖 75
4.2.7 子圖 76
本章小結(jié) 79
本章練習(xí) 79
第5章 機(jī)器學(xué)習(xí)與實(shí)現(xiàn) 80
5.1 Scikit-learn簡介 80
5.2 數(shù)據(jù)預(yù)處理 80
5.2.1 缺失值處理 81
5.2.2 數(shù)據(jù)規(guī)范化 83
5.2.3 主成分分析 86
5.3 線性回歸 93
5.3.1 一元線性回歸 93
5.3.2 多元線性回歸 96
5.3.3 Python線性回歸應(yīng)用舉例 97
5.4 邏輯回歸 99
5.4.1 邏輯回歸模型 99
5.4.2 Python邏輯回歸模型應(yīng)用舉例 100
5.5 神經(jīng)網(wǎng)絡(luò) 101
5.5.1 神經(jīng)網(wǎng)絡(luò)模擬思想 101
5.5.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及數(shù)學(xué)模型 103
5.5.3 Python神經(jīng)網(wǎng)絡(luò)分類應(yīng)用舉例 104
5.5.4 Python神經(jīng)網(wǎng)絡(luò)回歸應(yīng)用舉例 105
5.6 支持向量機(jī) 106
5.6.1 支持向量機(jī)原理 106
5.6.2 Python支持向量機(jī)應(yīng)用舉例 107
5.7 K-均值聚類 109
5.7.1 K-均值聚類的基本原理 110
5.7.2 Python K-均值聚類算法應(yīng)用舉例 113
5.8 關(guān)聯(lián)規(guī)則 114
5.8.1 關(guān)聯(lián)規(guī)則概念 114
5.8.2 布爾關(guān)聯(lián)規(guī)則挖掘 116
5.8.3 一對一關(guān)聯(lián)規(guī)則挖掘及Python實(shí)現(xiàn) 116
5.8.4 多對一關(guān)聯(lián)規(guī)則挖掘及Python實(shí)現(xiàn) 118
本章小結(jié) 123
本章練習(xí) 123
第6章 深度學(xué)習(xí)與實(shí)現(xiàn) 128
6.1 深度學(xué)習(xí)簡介 128
6.2 深度學(xué)習(xí)框架簡介 128
6.2.1 Caffe框架 128
6.2.2 Theano框架 129
6.2.3 PaddlePaddle框架 129
6.2.4 TensorFlow框架 129
6.3 TensorFlow基礎(chǔ) 129
6.3.1 TensorFlow安裝 129
6.3.2 TensorFlow命令簡介 133
6.3.3 TensorFlow案例 135
6.4 多層神經(jīng)網(wǎng)絡(luò) 139
6.4.1 多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及數(shù)學(xué)模型 139
6.4.2 多層神經(jīng)網(wǎng)絡(luò)分類問題應(yīng)用舉例 141
6.4.3 多層神經(jīng)網(wǎng)絡(luò)回歸問題應(yīng)用舉例 144
6.5 卷積神經(jīng)網(wǎng)絡(luò) 151
6.5.1 卷積層計(jì)算 151
6.5.2 池化層計(jì)算 153
6.5.3 全連接層計(jì)算 155
6.5.4 CNN應(yīng)用案例 155
6.6 循環(huán)神經(jīng)網(wǎng)絡(luò) 161
6.6.1 RNN結(jié)構(gòu)及數(shù)學(xué)模型 161
6.6.2 長短期記憶網(wǎng)絡(luò)(LSTM) 162
6.6.3 RNN應(yīng)用案例 164
本章小結(jié) 167
本章練習(xí) 168
案例篇 169
第7章 基于財務(wù)與交易數(shù)據(jù)的量化投資分析 169
7.1 案例背景 169
7.2 案例目標(biāo)及實(shí)現(xiàn)思路 169
7.3 基于總體規(guī)模與投資效率指標(biāo)的綜合評價 170
7.3.1 指標(biāo)選擇 171
7.3.2 數(shù)據(jù)獲取 171
7.3.3 數(shù)據(jù)處理 173
7.3.4 主成分分析 174
7.3.5 綜合排名 174
7.4 技術(shù)分析指標(biāo)選擇與計(jì)算 175
7.4.1 移動平均線 176
7.4.2 指數(shù)平滑異同平均線 176
7.4.3 隨機(jī)指標(biāo) 177
7.4.4 相對強(qiáng)弱指標(biāo) 177
7.4.5 乖離率指標(biāo) 178
7.4.6 能量潮指標(biāo) 178
7.4.7 漲跌趨勢指標(biāo) 179
7.4.8 計(jì)算舉例 179
7.5 量化投資模型與策略實(shí)現(xiàn) 182
7.5.1 投資組合構(gòu)建 183
7.5.2 基于邏輯回歸的量化投資策略實(shí)現(xiàn) 183
本章小結(jié) 186
本章練習(xí) 186
第8章 眾包任務(wù)定價優(yōu)化方案 187
8.1 案例背景 187
8.2 案例目標(biāo)及實(shí)現(xiàn)思路 188
8.3 數(shù)據(jù)獲取與探索 188
8.3.1 地理信息可視化包folium安裝 188
8.3.2 數(shù)據(jù)讀取與地圖可視化 189
8.4 指標(biāo)計(jì)算 190
8.4.1 指標(biāo)設(shè)計(jì) 190
8.4.2 指標(biāo)計(jì)算方法 191
8.4.3 程序?qū)崿F(xiàn) 192
8.5 任務(wù)定價模型構(gòu)建 198
8.5.1 指標(biāo)數(shù)據(jù)預(yù)處理 198
8.5.2 多元線性回歸模型 201
8.5.3 神經(jīng)網(wǎng)絡(luò)模型 202
8.6 方案評價 202
8.6.1 任務(wù)完成增加量 202
8.6.2 成本增加額 203
8.6.3 完整實(shí)現(xiàn)代碼 203
本章小結(jié) 205
本章練習(xí) 205
第9章 地鐵站點(diǎn)日客流量預(yù)測 205
9.1 案例背景 206
9.2 案例目標(biāo)及實(shí)現(xiàn)思路 206
9.3 數(shù)據(jù)獲取與探索 207
9.3.1 二分法查找思想 208
9.3.2 每日數(shù)據(jù)index范圍提取 208
9.4 指標(biāo)計(jì)算 209
9.4.1 指標(biāo)設(shè)計(jì) 210
9.4.2 指標(biāo)計(jì)算方法 210
9.4.3 程序?qū)崿F(xiàn) 210
9.4.4 指標(biāo)數(shù)據(jù)預(yù)處理 214
9.5 數(shù)據(jù)可視化 214
9.6. 因素分析 218
9.6.1 SPSS 進(jìn)行指數(shù)平滑 218
9.6.2 因素分析結(jié)果 221
9.7神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立 222
9.7.1 示例站點(diǎn)客流量預(yù)測 222
9.7.2 全部站點(diǎn)客流量預(yù)測 224
9.7.3模型預(yù)測結(jié)果分析 226
本章小結(jié) 227
本章練習(xí) 227
第 10章 微博文本情感分析 228
10.1 案例背景 228
10.2 案例目標(biāo)及實(shí)現(xiàn)思路 228
10.3 數(shù)據(jù)預(yù)處理過程 229
10.3.1 數(shù)據(jù)讀取 229
10.3.2 分詞 230
10.3.3 去停用詞 232
10.3.4 詞向量 233
10.3.5 劃分?jǐn)?shù)據(jù)集 236
10.4 支持向量機(jī)分類模型 237
10.5 基于LSTM網(wǎng)絡(luò)的分類模型 238
本章小結(jié) 241
本章練習(xí) 241
第 11章 基于人民幣圖像的面額識別 242
11.1 案例背景 242
11.2 案例目標(biāo)及實(shí)現(xiàn)思路 242
11.3 數(shù)據(jù)獲取與探索 243
11.4 支持向量機(jī)識別模型 245
11.4.1 顏色特征計(jì)算方法 245
11.4.2 自變量與因變量計(jì)算 246
11.4.3 模型實(shí)現(xiàn) 247
11.5 卷積神經(jīng)網(wǎng)絡(luò)識別模型:灰圖 248
11.5.1 數(shù)據(jù)處理 248
11.5.2 模型實(shí)現(xiàn) 249
11.6 卷積神經(jīng)網(wǎng)絡(luò)識別模型:彩圖 252
11.6.1 數(shù)據(jù)處理 252
11.6.2 模型實(shí)現(xiàn) 254
本章小結(jié) 255
本章練習(xí) 255
提高篇 257
第 12章 GUI可視化應(yīng)用開發(fā) 257
12.1 人民幣面額識別系統(tǒng) 257
12.1.1 Pycharm安裝 257
12.1.2 創(chuàng)建項(xiàng)目文件夾 260
12.1.3 配置QtDesigner工具 262
12.1.4 配置代碼生成工具 264
12.1.5 系統(tǒng)界面設(shè)計(jì) 266
12.1.6 系統(tǒng)界面轉(zhuǎn)化為PyQt5代碼 268
12.1.7 配置項(xiàng)目解釋器 271
12.1.8 系統(tǒng)功能實(shí)現(xiàn) 273
12.1.9 生成可獨(dú)立運(yùn)行的exe文件 276
12.2 上市公司綜合評價系統(tǒng) 280
12.2.1 界面設(shè)計(jì) 281
12.2.2 系統(tǒng)功能實(shí)現(xiàn) 283
12.2.3 生成exe文件 286
本章小結(jié) 287
本章練習(xí) 287
附錄 綜合實(shí)訓(xùn)課題 288
參考文獻(xiàn) 290