Python数据预处理
正版图书，可开发票，请放心购买。
￥ 112.57 7.1折 ￥ 159 全新
库存85件
广东广州
认证卖家担保交易快速发货售后保障
作者(印)罗伊·贾法里著
出版社清华大学出版社
ISBN9787302649076
出版时间2023-11
装帧平装
开本其他
定价159元
货号14510375
上书时间2024-05-24
- 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
罗伊·贾法里博士是美国加州雷德兰兹大学商业分析学助理教授。 Roy讲授和开发了涵盖数据清洗、决策、数据科学、机器学习和优化的大学水平课程。 Roy的教学风格是崇尚动手实践，他相信优选的学习方式是边做边学。Roy采用主动学习的教学理念，读者在本书中将体验到这种主动学习方式
目录
目 录 第1篇 技 术 基 础 第1章 NumPy和Pandas简介 3 1.1 技术要求 3 1.2 Jupyter Notebook概述 4 1.3 通过计算机编程进行数据分析的实质含义 6 1.4 NumPy基本函数概述 6 1.4.1 np.arange()函数 8 1.4.2 np.zeros()和np.ones()函数 8 1.4.3 示例—使用占位符来容纳分析 9 1.4.4 np.linspace()函数 10 1.4.5 示例—使用np.linspace()求解 11 1.5 Pandas概述 12 1.6 Pandas数据访问 15 1.6.1 Pandas DataFrame访问 15 1.6.2 访问DataFrame行 15 1.6.3 访问DataFrame列 16 1.6.4 访问DataFrame值 17 1.6.5 访问Pandas Series 17 1.7 切片 18 1.7.1 对NumPy数组进行切片 18 1.7.2 对Pandas DataFrame进行切片 20 1.7.3 切片的实用示例 20 1.8 用于过滤DataFrame的布尔掩码 22 1.8.1 使用布尔掩码的分析示例1 23 1.8.2 使用布尔掩码的分析示例2 24 1.9 用于探索DataFrame的Pandas函数 24 1.9.1 了解数据集的结构 25 1.9.2 使用.shape属性 25 1.9.3 使用.columns属性 25 1.9.4 使用.info()函数 26 1.9.5 了解数据集的值 26 1.9.6 使用.describe()函数 26 1.9.7 用于可视化数值列的直方图和箱线图 27 1.9.8 使用.unique()函数 28 1.9.9 使用.value_counts()函数 28 1.9.10 用于可视化数值列的条形图 29 1.10 应用Pandas函数 29 1.10.1 将函数应用于Series 30 1.10.2 应用函数—分析示例1 30 1.10.3 应用Lambda函数 31 1.10.4 对DataFrame应用函数 31 1.10.5 应用函数—分析示例2 32 1.10.6 Pandas groupby函数 33 1.10.7 使用groupby的分析示例 34 1.10.8 Pandas多级索引 35 1.10.9 使用.unstack()函数 36 1.10.10 使用.stack()函数 38 1.10.11 多级访问 39 1.10.12 Pandas .pivot()和.melt()函数 40 1.11 小结 43 1.12 练习 43 第2章 Matplotlib简介 47 2.1 技术要求 47 2.2 在Matplotlib中绘图 48 2.2.1 使用直方图或箱线图可视化数值特征 48 2.2.2 使用折线图观察数据趋势 49 2.2.3 使用散点图关联两个数值属性 50 2.3 修改绘图的可视化效果 51 2.3.1 将标题添加到可视化对象并将标签添加到轴 52 2.3.2 添加图例 53 2.3.3 修改刻度 53 2.3.4 修改标记 55 2.4 绘制子图 56 2.5 调整并保存结果 58 2.5.1 调整大小 58 2.5.2 保存 58 2.6 Matplotilb辅助进行数据预处理的示例 58 2.7 小结 59 2.8 练习 60 第3章 数据 61 3.1 技术要求 61 3.2 数据的定义 61 3.2.1 HLCU的意义 62 3.2.2 DIKW金字塔 63 3.2.3 机器学习和人工智能的DIKW更新 64 3.2.4 数据分析的DIKW更新 65 3.2.5 用于数据分析的数据预处理与用于机器学习的数据预处理 67 3.2.6 大数据的3个V 67 3.2.7 3个V对数据预处理的重要性 68 3.3 最通用的数据结构—表 68 3.3.1 数据对象 69 3.3.2 强调数据对象的重要性 69 3.3.3 数据特性 70 3.4 数据值的类型 70 3.4.1 从分析的角度看数据类型 70 3.4.2 标称特性 71 3.4.3 序数特性 71 3.4.4 区间标度特性 72 3.4.5 比率标度特性 74 3.4.6 二元特性 74 3.4.7 理解特性类型的重要性 74 3.4.8 从编程的角度看数据类型 75 3.5 信息与模式 75 3.5.1 理解“信息”这个词的日常用法 76 3.5.2 “信息”一词的统计用途 76 3.5.3 分类特性的统计信息 77 3.5.4 数字特性的统计信息 77 3.5.5 数据冗余—呈现相似信息的特性 78 3.5.6 通过相关系数调查数据冗余情况 78 3.5.7 “模式”一词的统计意义 79 3.5.8 查找和使用模式的示例 79 3.6 小结 82 3.7 练习 82 3.8 参考资料 85 第4章 数据库 87 4.1 技术要求 87 4.2 数据库的定义 87 4.2.1 从数据库到数据集 87 4.2.2 理解数据库和数据集之间的区别 88 4.3 数据库类型 89 4.3.1 数据库的差异化元素 90 4.3.2 数据结构化水平 90 4.3.3 存储位置 92 4.3.4 权限 92 4.3.5 关系数据库 92 4.3.6 非结构化数据库 92 4.3.7 一个需要结合结构化和非结构化数据库的实际示例 93 4.3.8 分布式数据库 93 4.3.9 区块链 94 4.4 连接到数据库并从中提取数据 94 4.4.1 直接连接 95 4.4.2 网页连接 96 4.4.3 API连接 97 4.4.4 使用API连接和提取数据的示例 97 4.4.5 后续处理 99 4.4.6 综合操作 100 4.4.7 请求连接 101 4.4.8 公开共享 101 4.5 小结 101 4.6 练习 102 第2篇 分 析 目 标 第5章 数据可视化 107 5.1 技术要求 107 5.2 总结数据的总体 107 5.2.1 总结数值特性的示例 108 5.2.2 总结分类特性的示例 109 5.3 比较数据的总体 111 5.3.1 使用箱线图比较总体的示例 111 5.3.2 使用直方图比较总体的示例 112 5.3.3 使用条形图比较总体的示例 114 5.3.4 解决问题的第一种方法 114 5.3.5 解决问题的第二种方法 115 5.3.6 解决问题的第三种方法 115 5.3.7 解决问题的第四种方法 116 5.3.8 解决问题的第五种方法 117 5.3.9 解决问题的第六种方法 117 5.4 研究两个特性之间的关系 118 5.4.1 可视化两个数值特性之间的关系 118 5.4.2 使用散点图研究数值特性之间关系的示例 118 5.4.3 可视化两个分类特性之间的关系 120 5.4.4 使用列联表检查两个二元分类特性之间关系的示例 121 5.4.5 使用列联表检查两个非二元分类特性之间关系的示例 122 5.4.6 可视化数值特性和分类特性之间的关系 123 5.4.7 检查分类特性和数值特性之间关系的示例 123 5.4.8 检查分类特性和数值特性之间关系的另一个示例 125 5.5 添加可视化维度 127 5.5.1 五维散点图示例 127 5.5.2 第四个维度 130 5.5.3 第五个维度 131 5.6 显示和比较趋势 133 5.6.1 时间序列数据和折线图 133 5.6.2 可视化和比较趋势的示例 134 5.7 小结 136 5.8 练习 137 第6章 预测 141 6.1 技术要求 141 6.2 预测模型 141 6.2.1 Forecast 142 6.2.2 使用Forecast来预测未来的示例 142 6.2.3 回归分析 143 6.2.4 设计回归分析以预测未来值的示例 144 6.3 线性回归 145 6.3.1 应用线性回归方法的示例 145 6.3.2 使用经过训练的回归公式进行预测 148 6.4 MLP 150 6.4.1 MLP的工作原理 151 6.4.2 反向传播 152 6.4.3 应用MLP进行回归分析的示例 152 6.4.4 MLP每次运行都会获得不同的预测结果 153 6.4.5 MLP算法无法收敛 153 6.5 小结 154 6.6 练习 154 第7章 分类 157 7.1 技术要求 157 7.2 分类模型 157 7.2.1 分类模型的设计示例 158 7.2.2 分类算法 159 7.3 KNN 159 7.3.1 使用KNN进行分类的示例 159 7.3.2 数据归一化 161 7.3.3 应用KNN算法 163 7.4 决策树 165 7.4.1 使用决策树进行分类的示例 165 7.4.2 预测结果比较 166 7.5 小结 167 7.6 练习 167 第8章 聚类分析 171 8.1 技术要求 171 8.2 聚类模型 171 8.2.1 使用二维数据集的聚类示例 172 8.2.2 使用三维数据集的聚类示例 175 8.3 k-means算法 176 8.3.1 使用k-means对二维数据集进行聚类 178 8.3.2 使用k-means对多于二维的数据集进行聚类 182 8.3.3 质心分析 183 8.4 小结 185 8.5 练习 185 第3篇 预 处 理 第9章 数据清洗1级—清洗表 189 9.1 技术要求 189 9.2 数据清洗的工具和目标 189 9.2.1 数据分析目标 190 9.2.2 数据分析工具 190 9.3 数据清洗级别 190 9.3.1 数据清洗1级—清洗表 191 9.3.2 数据清洗2级—重组和重制表 191 9.3.3 数据清洗3级—评估和纠正值 191 9.3.4 将分析的目标和工具映射到数据清洗级别 191 9.4 数据清洗1级—清洗表的示例 193 9.4.1 示例1—不明智的数据收集 193 9.4.2 示例2—重新索引 196 9.4.3 示例3—直观但很长的列标题 198 9.5 小结 200 9.6 练习 200 第10章 数据清洗2级—解包、重组和重制表 203 10.1 技术要求 203 10.2 示例1—解包数据并重新构建表 203 10.2.1 解包FileName 204 10.2.2 解包Content 207 10.2.3 重制一个新表以进行可视化 208 10.2.4 可视化绘图 211 10.3 示例2—重组表 211 10.4 示例3—执行1级和2级数据清洗 214 10.4.1 执行1级清洗 216 10.4.2 执行2级清洗 217 10.4.3 填充DA 218 10.4.4 填充IA1 219 10.4.5 填充IA2 220 10.4.6 填充IA3 222 10.4.7 进行分析—使用线性回归创建预测模型 223 10.5 小结 224 10.6 练习 224 第11章 数据清洗3级—处理缺失值、异常值和误差 227 11.1 技术要求 227 11.2 缺失值 228 11.2.1 检测缺失值 229 11.2.2 检测缺失值的示例 229 11.2.3 缺失值的原因 231 11.2.4 缺失值的类型 232 11.2.5 缺失值的诊断 232 11.2.6 诊断NO2_LOCATION_A中的缺失值 233 11.2.7 根据温度诊断缺失值 233 11.2.8 根据所有数值特性诊断缺失值 236 11.2.9 根据周工作日诊断缺失值 237 11.2.10 根据所有分类特性诊断缺失值 240 11.2.11 诊断NO2_LOCATION_B中的缺失值 241 11.2.12 诊断NO2_LOCATION_C中的缺失值 244 11.3 处理缺失值 246 11.3.1 第一种方法—保持缺失值不变 246 11.3.2 第二种方法—删除具有缺失值的数据对象 247 11.3.3 第三种方法—删除具有缺失值的特性 247 11.3.4 第四种方法—估计和填补缺失值 248 11.3.5 选择正确的方法处理缺失值 248 11.3.6 处理缺失值示例1 250 11.3.7 处理缺失值示例2 251 11.3.8 处理缺失值示例3 252 11.3.9 处理缺失值示例4 253 11.3.10 处理缺失值示例5 254 11.4 异常值 258 11.4.1 检测异常值 258 11.4.2 单变量异常值检测 258 11.4.3 单个数值特性异常值检测示例 259 11.4.4 单个分类特性异常值检测示例 262 11.4.5 双变量异常值检测 262 11.4.6 跨越两个数值特性检测异常值的示例 262 11.4.7 跨越两个分类特性检测异常值的示例 263 11.4.8 跨越数值-分类两个特性检测异常值的示例 264 11.4.9 多变量异常值检测 266 11.4.10 使用聚类分析跨越4个特性检测异常值的示例 266 11.4.11 时间序列异常值检测 267 11.5 处理异常值 268 11.5.1 第一种方法—保持原样 268 11.5.2 第二种方法—替换为上限或下限 269 11.5.3 第三种方法—执行对数变换 269 11.5.4 第四种方法—删除具有异常值的数据对象 270 11.5.5 选择处理异常值的恰当方法 270 11.5.6 处理异常值示例1 270 11.5.7 处理异常值示例2 272 11.5.8 处理异常值示例3 273 11.5.9 处理异常值示例4 281 11.5.10 处理异常值示例5 282 11.6 误差 286 11.6.1 误差类型 286 11.6.2 处理误差 287 11.6.3 检测系统误差 287 11.6.4 系统误差和正确异常值的示例 287 11.7 小结 291 11.8 练习 291 第12章 数据融合与数据集成 297 12.1 技术要求 297 12.2 关于数据融合和数据集成 297 12.2.1 数据融合与集成 298 12.2.2 数据集成示例 299 12.2.3 数据融合示例 299 12.2.4 数据集成方向 300 12.2.5 通过添加特性进行数据集成的示例 301 12.2.6 通过添加数据对象进行数据集成的示例 301 12.3 数据融合和集成方面的常见挑战 301 12.3.1 挑战1—实体识别 302 12.3.2 挑战2—不明智的数据收集 302 12.3.3 挑战3—索引格式不匹配 302 12.3.4 挑战4—聚合不匹配 304 12.3.5 挑战5—重复数据对象 304 12.3.6 挑战6—数据冗余 305 12.4 数据集成示例1（挑战3和4） 306 12.5 数据集成示例2（挑战2和3） 309 12.6 数据集成示例3（挑战1、3、5和6） 314 12.6.1 检查重复的数据对象 315 12.6.2 检查billboard_df中的重复项 315 12.6.3 检查songattributes_df中的重复项 316 12.6.4 检查artist_df中的重复项 318 12.6.5 设计数据集成结果的结构 319 12.6.6 从billboard_df填充songIntegrate_df 322 12.6.7 从songAttribute_df填充songIntegrate_df 324 12.6.8 从artist_df填充songIntegrate_df 328 12.6.9 检查数据冗余 331 12.6.10 检查数值特性之间的数据冗余 331 12.6.11 检查数值和分类特性之间的数据冗余 332 12.6.12 分析 333 12.6.13 通过数据可视化方法寻找热门歌曲的单变量模式 334 12.6.14 通过决策树方法寻找热门歌曲的多变量模式 335 12.6.15 示例总结 336 12.7 小结 337 12.8 练习 337 第13章 数据归约 341 13.1 技术要求 341 13.2 数据归约和数据冗余之间的区别 341 13.3 数据归约的目标 342 13.4 数据归约的类型 343 13.5 执行数量上的数据归约 344 13.5.1 随机抽样 344 13.5.2 示例—随机抽样以加快调优速度 344 13.5.3 分层抽样 348 13.5.4 示例—不平衡数据集的分层抽样 349 13.5.5 随机过抽样/欠抽样 350 13.6 执行维度上的数据归约 353 13.6.1 线性回归降维方法 354 13.6.2 示例—使用线性回归的降维 354 13.6.3 决策树降维方法 358 13.6.4 随机森林降维方法 359 13.6.5 示例—使用随机森林进行降维 359 13.6.6 暴力计算降维 360 13.6.7 示例—为分类算法寻找自变量特性的很好子集 361 13.6.8 主成分分析 364 13.6.9 示例—玩具数据集 364 13.6.10 示例—非参数降维 367 13.6.11 函数型数据分析 374 13.6.12 示例—参数化降维 375 13.6.13 用于FDA的函数 381 13.6.14 指数函数 382 13.6.15 傅里叶函数 383 13.6.16 正弦函数 384 13.6.17 高斯函数 385 13.6.18 关于FDA的说明 388 13.7 小结 388 13.8 练习 389 第14章 数据转换 393 14.1 技术要求 393 14.2 数据转换和按摩的原因 393 14.2.1 数据转换的意义 394 14.2.2 数据转换与数据按摩的区别 394 14.3 归一化和标准化 395 14.4 二进制编码、排序转换和离散化 397 14.4.1 示例1—标称特性的二进制编码 399 14.4.2 示例2—序数特性的二进制编码或排序转换 402 14.4.3 示例3—数值特性的离散化 404 14.4.4 了解离散化的类型 406 14.4.5 离散化—分界点的数量 408 14.4.6 数值和分类的来回转换 408 14.5 特性构造 409 14.5.1 了解与特性相关的背景知识 409 14.5.2 示例—从两个特性构造一个转换后的特性 409 14.6 特征提取 412 14.6.1 示例1—从一个特性中提取出3个特性 412 14.6.2 示例2—形态特征提取 413 14.6.3 前几章的特征提取示例 414 14.6.4 数据清洗和特征提取示例 415 14.6.5 数据归约和特征提取的示例 415 14.7 对数转换 416 14.7.1 手动转换 417 14.7.2 通过模块转换 418 14.8 平滑、聚合和分箱 419 14.8.1 平滑 420 14.8.2 函数型数据平滑 421 14.8.3 滚动数据平滑 422 14.8.4 聚合 425 14.8.5 分箱 426 14.9 小结 428 14.10 练习 429 第4篇 案 例 研 究 第15章 案例研究1—科技公司中员工的心理健康问题 435 15.1 技术要求 435 15.2 科技公司中员工的心理健康问题案例研究简介 435 15.2.1 分析结果的受众 436 15.2.2 数据来源介绍 437 15.3 集成数据源 438 15.4 清洗数据 440 15.4.1 检测和处理异常值和误差 442 15.4.2 检测和处理缺失值 444 15.4.3 从SupportQ1到AttitudeQ3特性的常见缺失值 445 15.4.4 Mental Illness特性中的缺失值 445 15.4.5 Age特性中的缺失值 445 15.5 分析数据 445 15.5.1 分析问题1—员工心理健康在性别特性上是否存在显著差异 446 15.5.2 分析问题2—员工的心理健康在不同年龄特性之间是否存在 ??显著差异 447 15.5.3 分析问题3—对员工心理健康问题提供更多支持的公司是否拥有 ??心理更健康的员工 449 15.5.4 分析问题4—个人对心理健康的态度是否会影响他们的心理健康 ??和寻求治疗 452 15.6 小结 454 第16章 案例研究2—新冠肺炎疫情住院病例预测 455 16.1 技术要求 455 16.2 本章案例研究简介 455 16.3 数据来源简介 457 16.4 预处理数据 458 16.4.1 设计数据集以支持预测 458 16.4.2 填充占位符数据集 460 16.4.3 有监督的降维 462 16.5 分析数据 464 16.6 小结 467 第17章 案例研究3—美国各地区聚类分析 469 17.1 技术要求 469 17.2 本章案例研究介绍 469 17.3 数据来源介绍 471 17.4 预处理数据 472 17.4.1 将election_df转换为partisan_df 473 17.4.2 构造partisanism特性 473 17.4.3 通过FDA计算partisanism的均值和斜率 474 17.4.4 清洗edu_df、employ_df、pop_df和pov_df 475 17.4.5 数据集成 475 17.4.6 数据清洗3级—处理缺失值、异常值和误差 476 17.4.7 检查数据冗余 476 17.5 分析数据 479 17.5.1 使用PCA可视化数据集 479 17.5.2 执行k-means聚类分析 480 17.6 小结 482 第18章 总结、实际案例研究和结论 483 18.1 本书内容总结 483 18.1.1 第1篇—技术基础 483 18.1.2 第2篇—分析目标 483 18.1.3 第3篇—预处理 484 18.1.4 第4篇—案例研究 484 18.2 实际案例研究 485 18.2.1 谷歌新冠肺炎疫情移动数据集 485 18.2.2 美国警察杀人事件 486 18.2.3 美国交通事故 487 18.2.4 旧金山的犯罪数据 488 18.2.5 数据分析就业市场 489 18.2.6 FIFA 2018很好球员 489 18.2.7 篮球热手 490 18.2.8 加利福尼亚州的野火 491 18.2.9 硅谷多元化概况 492 18.2.10 识别虚假招聘信息 492 18.2.11 寻找更多实际案例研究 493 18.3 结论 493 18.3.1 数据可视化和讲故事 494 18.3.2 算法分析 494 18.3.3 技术应用 495 18.3.4 数学研究 496 ·XVI· Python数据预处理 ·XVII· 目 录
内容摘要
《Python数据预处理》详细阐述了与Python数据预处理相关的基本解决方案，主要包括NumPy和Pandas简介、Matplotlib简介、数据、数据库、数据可视化、预测、分类、聚类分析、数据清洗、数据融合与数据集成、数据归约、数据转换等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。
主编推荐
数据预处理是数据可视化、数据分析和机器学习的第一步，它将为分析和预测模型准备数据以帮助分析师获得很好见解。分析师在执行数据分析、数据可视化和机器学习项目时，大约90%的时间都花
— 没有更多了 —
以下为对购买帮助不大的评价