Python大数据分析与挖掘实战（微课版）9787115542403
正版图书，可开发票，请放心购买。
￥ 40.19 6.7折 ￥ 59.8 全新
库存20件
广东广州
认证卖家担保交易快速发货售后保障
作者编者:黄恒秋//莫洁安//谢东津//张良均//苏颖|责编:许金霞
出版社人民邮电出版社
ISBN9787115542403
出版时间2019-01
装帧平装
开本16开
定价59.8元
货号10799046
上书时间2024-12-18
- 店主推荐
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
黄恒秋 2011.7-2014.6 就职于深圳市国泰安信息技术有限公司，从事CSMAR数据库分析师、软件策划及设计相关工作 2014.9-今 广西民族师范学院数学与计算机科学学院专任教师，从事数据分析与挖掘、数学建模、Python语言、MATLAB语言、高等数学相关课程教学工作。
目录
基础篇
第1章 Python基础
1.1 Python概述
1.2 Python安装及启动
1.2.1 Python安装
1.2.2 Python启动及界面认识
1.3 Python扩展包安装
1.3.1 在线安装
1.3.2 离线安装
1.4 Python基本数据类型
1.4.1 数值的定义
1.4.2 字符串的定义
1.4.3 列表的定义
1.4.4 元组的定义
1.4.5 集合的定义
1.4.6 字典的定义
1.5 Python相关的公有方法
1.5.1 索引
1.5.2 切片
1.5.3 长度
1.5.4 统计
1.5.5 成员身份
1.5.6 变量删除
1.6 列表、元组、字符串与字典方法
1.6.1 列表方法
1.6.2 元组方法
1.6.3 字符串方法
1.6.4 字典方法
1.7 条件语句
1.7.1 if…语句
1.7.2 if…else…语句
1.7.3 if…elif…else…语句
1.8 循环语句
1.8.1 while语句
1.8.2 for循环
1.9 函数
1.9.1 无返回值函数的定义与调用
1.9.2 有返回值函数的定义与调用
1.9.3 有多返回值函数的定义与调用
本章小结
本章练习
第2章 科学计算包Numpy
2.1 Numpy简介
2.2 创建数组
2.2.1 利用array()函数创建数组
2.2.2 利用内置函数创建数组
2.3 数组尺寸
2.4 数组运算
2.5 数组切片
2.5.1 常见的数组切片方法
2.5.2 利用ix_()函数进行数组切片
2.6 数组连接
2.7 数据存取
2.8 数组形态变换
2.9 数组排序与搜索
2.10 矩阵与线性代数运算
2.10.1 创建Numpy矩阵
2.10.2 矩阵的属性和基本运算
2.10.3 线性代数运算
本章小结
本章练习
第3章 数据处理包Pandas
3.1 Pandas简介
3.2 序列
3.2.1 序列创建及访问
3.2.2 序列属性
3.2.3 序列方法
3.2.4 序列切片
3.2.5 序列聚合运算
3.3 数据框
3.3.1 数据框创建
3.3.2 数据框属性
3.3.3 数据框方法
3.3.4 数据框切片
3.4 外部文件读取
3.4.1 Excel文件读取
3.4.2 TXT文件读取
3.4.3 CSV文件读取
3.5 常用函数
3.5.1 滚动计算函数
3.5.2 数据框合并函数
3.5.3 数据框关联函数
本章小结
本章练习
第4章 数据可视化包Matplotlib
4.1 Matplotlib绘图基础
4.1.1 Matplotlib图像构成
4.1.2 Matplotlib绘图基本流程
4.1.3 中文字符显示
4.1.4 坐标轴字符刻度标注
4.2 Matplotlib常用图形绘制
4.2.1 散点图
4.2.2 线性图
4.2.3 柱状图
4.2.4 直方图
4.2.5 饼图
4.2.6 箱线图
4.2.7 子图
本章小结
本章练习
第5章 机器学习与实现
5.1 Scikit-learn简介
5.2 数据预处理
5.2.1 缺失值处理
5.2.2 数据规范化
5.2.3 主成分分析
5.3 线性回归
5.3.1 一元线性回归
5.3.2 多元线性回归
5.3.3 Python线性回归应用举例
5.4 逻辑回归
5.4.1 逻辑回归模型
5.4.2 Python逻辑回归模型应用举例
5.5 神经网络
5.5.1 神经网络模拟思想
5.5.2 神经网络结构及数学模型
5.5.3 Python神经网络分类应用举例
5.5.4 Python神经网络回归应用举例
5.6 支持向量机
5.6.1 支持向量机原理
5.6.2 Python支持向量机应用举例
5.7 K-均值聚类
5.7.1 K-均值聚类的基本原理
5.7.2 PythonK-均值聚类算法应用举例
5.8 关联规则
5.8.1 关联规则概念
5.8.2 布尔关联规则挖掘
5.8.3 一对一关联规则挖掘及Python实现
5.8.4 多对一关联规则挖掘及Python实现
本章小结
本章练习
第6章 深度学习与实现
6.1 深度学习简介
6.2 深度学习框架简介
6.2.1 Caffe框架
6.2.2 Theano框架
6.2.3 PaddlePaddle框架
6.2.4 TensorFlow框架
6.3 TensorFlow基础
6.3.1 TensorFlow安装
6.3.2 TensorFlow命令简介
6.3.3 TensorFlow案例
6.4 多层神经网络
6.4.1 多层神经网络结构及数学模型
6.4.2 多层神经网络分类问题应用举例
6.4.3 多层神经网络回归问题应用举例
6.5 卷积神经网络
6.5.1 卷积层计算
6.5.2 池化层计算
6.5.3 全连接层计算
6.5.4 CNN应用案例
6.6 循环神经网络
6.6.1 RNN结构及数学模型
6.6.2 长短期记忆网络（LSTM）
6.6.3 RNN应用案例
本章小结
本章练习
案例篇
第7章 基于财务与交易数据的量化投资分析
7.1 案例背景
7.2 案例目标及实现思路
7.3 基于总体规模与投资效率指标的综合评价
7.3.1 指标选择
7.3.2 数据获取
7.3.3 数据处理
7.3.4 主成分分析
7.3.5 综合排名
7.4 技术分析指标选择与计算
7.4.1 移动平均线
7.4.2 指数平滑异同平均线
7.4.3 随机指标
7.4.4 相对强弱指标
7.4.5 乖离率指标
7.4.6 能量潮指标
7.4.7 涨跌趋势指标
7.4.8 计算举例
7.5 量化投资模型与策略实现
7.5.1 投资组合构建
7.5.2 基于逻辑回归的量化投资策略实现
本章小结
本章练习
第8章 众包任务定价优化方案
8.1 案例背景
8.2 案例目标及实现思路
8.3 数据获取与探索
8.3.1 地理信息可视化包folium安装
8.3.2 数据读取与地图可视化
8.4 指标计算
8.4.1 指标设计
8.4.2 指标计算方法
8.4.3 程序实现
8.5 任务定价模型构建
8.5.1 指标数据预处理
8.5.2 多元线性回归模型
8.5.3 神经网络模型
8.6 方案评价
8.6.1 任务完成增加量
8.6.2 成本增加额
8.6.3 完整实现代码
本章小结
本章练习
第9章 地铁站点日客流量预测
9.1 案例背景
9.2 案例目标及实现思路
9.3 数据获取与探索
9.3.1 二分法查找思想
9.3.2 每日数据index范围提取
9.4 指标计算
9.4.1 指标设计
9.4.2 指标计算方法
9.4.3 程序实现
9.4.4 指标数据预处理
9.5 数据可视化
9.6 .因素分析
9.6.1 SPSS进行指数平滑
9.6.2 因素分析结果
9.7 神经网络预测模型的建立
9.7.1 示例站点客流量预测
9.7.2 全部站点客流量预测
9.7.3 模型预测结果分析
本章小结
本章练习
第10章 微博文本情感分析
10.1 案例背景
10.2 案例目标及实现思路
10.3 数据预处理过程
10.3.1 数据读取
10.3.2 分词
10.3.3 去停用词
10.3.4 词向量
10.3.5 划分数据集
10.4 支持向量机分类模型
10.5 基于LSTM网络的分类模型
本章小结
本章练习
第11章 基于人民币图像的面额识别
11.1 案例背景
11.2 案例目标及实现思路
11.3 数据获取与探索
11.4 支持向量机识别模型
11.4.1 颜色特征计算方法
11.4.2 自变量与因变量计算
11.4.3 模型实现
11.5 卷积神经网络识别模型：灰图
11.5.1 数据处理
11.5.2 模型实现
11.6 卷积神经网络识别模型：彩图
11.6.1 数据处理
11.6.2 模型实现
本章小结
本章练习
提高篇
第12章 GUI可视化应用开发
12.1 人民币面额识别系统
12.1.1 Pycharm安装
12.1.2 创建项目文件夹
12.1.3 配置QtDesigner工具
12.1.4 配置代码生成工具
12.1.5 系统界面设计
12.1.6 系统界面转化为PyQt5代码
12.1.7 配置项目解释器
12.1.8 系统功能实现
12.1.9 生成可独立运行的exe文件
12.2 上市公司综合评价系统
12.2.1 界面设计
12.2.2 系统功能实现
12.2.3 生成exe文件
本章小结
本章练习
附录综合实训课题
参考文献
主编推荐
1.从Python程序设计基础入手，深入讲解数据分析的相关包及数据分析方法 2.结合金融、交通、图像识别等行业应用将理论与案例结合，实用性强 3.配套资源丰富，配套微课视频，案例数据源，课件，上机实验指导等
精彩内容
本书以应用为导向，将理论与实践相结合，深入浅出地介绍了利用Python进行大数据分析与挖掘的基本知识，以及如何将其应用到具体领域的方法。
本书分为基础篇、案例篇和附录三个部分。基础篇(第1章～第6章)主要介绍Python基础知识及应用于科学计算、数据处理、数据可视化、机器学习、深度学习等方面的基础知识；案例篇(第7章～第12章)主要介绍利用Python进行金融、地理信息、交通、文本分析、图像识别等领域大数据分析与挖掘的案例，以及图形用户界面可视化应用开发的案例；附录提供了6个综合实训课题，以帮助读者提高实践应用能力。同时，本书还提供了详细的实训指导、数据源和程序代码等配套资源。
本书作为普通高等院校数据科学与大数据技术、数学、计算机、经济管理等专业相关课程的教材，也可作为数据分析从业人员及数据挖掘爱好者的参考书。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价