All Projects → keefecn → Python_practice_of_data_analysis_and_mining

keefecn / Python_practice_of_data_analysis_and_mining

《Python数据分析与挖掘实战》随书源码与数据

Programming Languages

python
139335 projects - #7 most used programming language

Projects that are alternatives of or similar to Python practice of data analysis and mining

Ai For Security Learning
安全场景、基于AI的安全算法和安全数据分析学习资料整理
Stars: ✭ 986 (+473.26%)
Mutual labels:  data-analysis, data-mining
Data Science Resources
👨🏽‍🏫You can learn about what data science is and why it's important in today's modern world. Are you interested in data science?🔋
Stars: ✭ 171 (-0.58%)
Mutual labels:  data-analysis, data-mining
Pycm
Multi-class confusion matrix library in Python
Stars: ✭ 1,076 (+525.58%)
Mutual labels:  data-analysis, data-mining
Dataflowjavasdk
Google Cloud Dataflow provides a simple, powerful model for building both batch and streaming parallel data processing pipelines.
Stars: ✭ 854 (+396.51%)
Mutual labels:  data-analysis, data-mining
Awesome Ts Anomaly Detection
List of tools & datasets for anomaly detection on time-series data.
Stars: ✭ 2,027 (+1078.49%)
Mutual labels:  data-analysis, data-mining
Vectorbt
Ultimate Python library for time series analysis and backtesting at scale
Stars: ✭ 855 (+397.09%)
Mutual labels:  data-analysis, data-mining
Pipeline
the `pipeline` shell command
Stars: ✭ 168 (-2.33%)
Mutual labels:  data-analysis, data-mining
Dataproofer
A proofreader for your data
Stars: ✭ 628 (+265.12%)
Mutual labels:  data-analysis, data-mining
Tipdm
TipDM建模平台,开源的数据挖掘工具。
Stars: ✭ 130 (-24.42%)
Mutual labels:  data-analysis, data-mining
Rightmove webscraper.py
Python class to scrape data from rightmove.co.uk and return listings in a pandas DataFrame object
Stars: ✭ 125 (-27.33%)
Mutual labels:  data-analysis, data-mining
Model Describer
model-describer : Making machine learning interpretable to humans
Stars: ✭ 22 (-87.21%)
Mutual labels:  data-analysis, data-mining
Sourced Ce
source{d} Community Edition (CE)
Stars: ✭ 153 (-11.05%)
Mutual labels:  data-analysis, data-mining
Spring2017 proffosterprovost
Introduction to Data Science
Stars: ✭ 18 (-89.53%)
Mutual labels:  data-analysis, data-mining
Drugs Recommendation Using Reviews
Analyzing the Drugs Descriptions, conditions, reviews and then recommending it using Deep Learning Models, for each Health Condition of a Patient.
Stars: ✭ 35 (-79.65%)
Mutual labels:  data-analysis, data-mining
Cookbook 2nd
IPython Cookbook, Second Edition, by Cyrille Rossant, Packt Publishing 2018
Stars: ✭ 704 (+309.3%)
Mutual labels:  data-analysis, data-mining
Tsrepr
TSrepr: R package for time series representations
Stars: ✭ 75 (-56.4%)
Mutual labels:  data-analysis, data-mining
Elki
ELKI Data Mining Toolkit
Stars: ✭ 613 (+256.4%)
Mutual labels:  data-analysis, data-mining
Nfstream
NFStream: a Flexible Network Data Analysis Framework.
Stars: ✭ 622 (+261.63%)
Mutual labels:  data-analysis, data-mining
Dex
Dex : The Data Explorer -- A data visualization tool written in Java/Groovy/JavaFX capable of powerful ETL and publishing web visualizations.
Stars: ✭ 1,238 (+619.77%)
Mutual labels:  data-analysis, data-mining
Machine learning for good
Machine learning fundamentals lesson in interactive notebooks
Stars: ✭ 142 (-17.44%)
Mutual labels:  data-analysis, data-mining

《Python数据分析与挖掘实战》随书源码与数据

因数据文件太大,第7、9、10、12、15章节仅保留代码,数据部分请另行下载。 ~2017/10/4 本仓库仅用于学习和研究之用。

简介

image

  • 书名:Python数据分析与挖掘实战 Python Practice of Data Analysis and Mining
  • ISBN: 9787111521235
  • 张良均 / 王路 / 谭立云 / 苏剑林 / 机械工业出版社 / 2016-1 / 69.00元

泰迪科技与高校联合倾力打造的巅峰之作《Python数据分析与挖掘实战》,2015年9月由机械出版社出版。

该书是企业在数据挖掘领域探索10余年和高校资深讲师联合经验总结之作。全书以实践和实用为宗旨,深度与广度兼顾,实践与理论并举。

本书共15章,分两个部分:基础篇、实战篇。基础篇介绍了数据挖掘的基本原理,实战篇介绍了一个个真实案例,通过对案例深入浅出的剖析,使读者在不知不觉中通过案例实践获得数据挖掘项目经验,同时快速领悟看似难懂的数据挖掘理论。读者在阅读过程中,应充分利用随书配套的案例建模数据,借助相关的数据挖掘建模工具,通过上机实验,以快速理解相关知识与理论。

第一部分是基础篇(第1~5章),第1章的主要内容是数据挖掘概述;第2章对本书所用到的数据挖掘建模工具Python语言进行了简明扼要的说明;第3章、第4章、第5章对数据挖掘的建模过程,包括数据探索、数据预处理及挖掘建模的常用算法与原理进行了介绍。

第二部分是实战篇(第6~15章),重点对数据挖掘技术在电力、航空、医疗、互联网、生产制造以及公共服务等行业的应用进行了分析。在案例结构组织上,本书是按照先介绍案例背景与挖掘目标,再阐述分析方法与过程,最后完成模型构建的顺序进行的,在建模过程关键环节,穿插程序实现代码。最后通过上机实践,加深数据挖掘技术在案例应用中的理解。

读者交流群:191192482

目录

前言
基础篇
第1章 数据挖掘基础2
1.1 某知名连锁餐饮企业的困惑2
1.2 从餐饮服务到数据挖掘3
1.3 数据挖掘的基本任务4
1.4 数据挖掘建模过程4
1.4.1 定义挖掘目标4
1.4.2 数据取样5
1.4.3 数据探索6
1.4.4 数据预处理7
1.4.5 挖掘建模7
1.4.6 模型评价7
1.5 常用的数据挖掘建模工具7
1.6 小结9
第2章 Python数据分析简介10
2.1 搭建Python开发平台12
2.1.1 所要考虑的问题12
2.1.2 基础平台的搭建12
2.2 Python使用入门13
2.2.1 运行方式14
2.2.2 基本命令15
2.2.3 数据结构17
2.2.4 库的导入与添加20
2.3 Python数据分析工具22
2.3.1 Numpy23
2.3.2 Scipy24
2.3.3 Matplotlib24
2.3.4 Pandas26
2.3.5 StatsModels27
2.3.6 Scikit-Learn28
2.3.7 Keras29
2.3.8 Gensim30
2.4 配套资源使用设置31
2.5 小结32
第3章 数据探索33
3.1 数据质量分析33
3.1.1 缺失值分析34
3.1.2 异常值分析34
3.1.3 一致性分析37
3.2 数据特征分析37
3.2.1 分布分析37
3.2.2 对比分析40
3.2.3 统计量分析41
3.2.4 周期性分析44
3.2.5 贡献度分析45
3.2.6 相关性分析47
3.3 Python主要数据探索函数50
3.3.1 基本统计特征函数50
3.3.2 拓展统计特征函数53
3.3.3 统计作图函数54
3.4 小结59
第4章 数据预处理60
4.1 数据清洗60
4.1.1 缺失值处理60
4.1.2 异常值处理64
4.2 数据集成64
4.2.1 实体识别64
4.2.2 冗余属性识别65
4.3 数据变换65
4.3.1 简单函数变换65
4.3.2 规范化66
4.3.3 连续属性离散化68
4.3.4 属性构造70
4.3.5 小波变换71
4.4 数据规约74
4.4.1 属性规约74
4.4.2 数值规约77
4.5 Python主要数据预处理函数80
4.6 小结81
第5章 挖掘建模83
5.1 分类与预测83
5.1.1 实现过程83
5.1.2 常用的分类与预测算法84
5.1.3 回归分析85
5.1.4 决策树89
5.1.5 人工神经网络95
5.1.6 分类与预测算法评价100
5.1.7 Python分类预测模型特点103
5.2 聚类分析104
5.2.1 常用聚类分析算法104
5.2.2 K-Means聚类算法105
5.2.3 聚类分析算法评价111
5.2.4 Python主要聚类分析算法111
5.3 关联规则113
5.3.1 常用关联规则算法114
5.3.2 Apriori算法114
5.4 时序模式119
5.4.1 时间序列算法120
5.4.2 时间序列的预处理120
5.4.3 平稳时间序列分析122
5.4.4 非平稳时间序列分析124
5.4.5 Python主要时序模式算法132
5.5 离群点检测134
5.5.1 离群点检测方法135
5.5.2 基于模型的离群点检测方法136
5.5.3 基于聚类的离群点检测方法138
5.6 小结141
实战篇
第6章 电力窃漏电用户自动识别144
6.1 背景与挖掘目标144
6.2 分析方法与过程147
6.2.1 数据抽取148
6.2.2 数据探索分析148
6.2.3 数据预处理151
6.2.4 构建专家样本156
6.2.5 模型构建157
6.3 上机实验161
6.4 拓展思考162
6.5 小结163
第7章 航空公司客户价值分析164
7.1 背景与挖掘目标164
7.2 分析方法与过程166
7.2.1 数据抽取168
7.2.2 数据探索分析168
7.2.3 数据预处理169
7.2.4 模型构建173
7.3 上机实验177
7.4 拓展思考178
7.5 小结179
第8章 中医证型关联规则挖掘180
8.1 背景与挖掘目标180
8.2 分析方法与过程181
8.2.1 数据获取183
8.2.2 数据预处理186
8.2.3 模型构建190
8.3 上机实验193
8.4 拓展思考194
8.5 小结194
第9章 基于水色图像的水质评价195
9.1 背景与挖掘目标195
9.2 分析方法与过程195
9.2.1 数据预处理197
9.2.2 模型构建199
9.2.3 水质评价201
9.3 上机实验202
9.4 拓展思考202
9.5 小结203
第10章 家用电器用户行为分析与事件识别204
10.1 背景与挖掘目标204
10.2 分析方法与过程205
10.2.1 数据抽取206
10.2.2 数据探索分析207
10.2.3 数据预处理207
10.2.4 模型构建217
10.2.5 模型检验219
10.3 上机实验220
10.4 拓展思考221
10.5 小结222
第11章 应用系统负载分析与磁盘容量预测223
11.1 背景与挖掘目标223
11.2 分析方法与过程225
11.2.1 数据抽取226
11.2.2 数据探索分析226
11.2.3 数据预处理227
11.2.4 模型构建229
11.3 上机实验235
11.4 拓展思考236
11.5 小结237
第12章 电子商务网站用户行为分析及服务推荐238
12.1 背景与挖掘目标238
12.2 分析方法与过程240
12.2.1 数据抽取242
12.2.2 数据探索分析244
12.2.3 数据预处理251
12.2.4 模型构建256
12.3 上机实验266
12.4 拓展思考267
12.5 小结269
第13章 财政收入影响因素分析及预测模型270
13.1 背景与挖掘目标270
13.2 分析方法与过程272
13.2.1 灰色预测与神经网络的组合模型273
13.2.2 数据探索分析274
13.2.3 模型构建277
13.3 上机实验294
13.4 拓展思考295
13.5 小结296
第14章 基于基站定位数据的商圈分析297
14.1 背景与挖掘目标297
14.2 分析方法与过程299
14.2.1 数据抽取299
14.2.2 数据探索分析299
14.2.3 数据预处理301
14.2.4 模型构建304
14.3 上机实验308
14.4 拓展思考309
14.5 小结309
第15章 电商产品评论数据情感分析310
15.1 背景与挖掘目标310
15.2 分析方法与过程310
15.2.1 评论数据采集311
15.2.2 评论预处理314
15.2.3 文本评论分词320
15.2.4 模型构建320
15.3 上机实验333
15.4 拓展思考334
15.5 小结335
参考文献336

参考

Note that the project description data, including the texts, logos, images, and/or trademarks, for each open source project belongs to its rightful owner. If you wish to add or remove any projects, please contact us at [email protected].