最新查询
内容简介
第1章 网络数据分析概述
1.1 数据分析
1.2 相关技术
1.3 Anaconda开发环境
1.4 常用数据集
1.4.1 Sklearn数据集
1.4.2 UCI数据集
1.4.3 自定义爬虫数据集
1.4.4 其他数据集
1.5 本章小结
参考文献
第2章 Python数据分析常用库
2.1 常用库
2.2 NumPy
2.2.1 Array用法
2.2.2 二维数组操作
2.3 Pandas
2.3.1 读/写文件
2.3.2 Series
2.3.3 DataFrame
2.4 Matplotlib
2.4.1 基础用法
2.4.2 绘图简单示例
2.5 Sklearn
2.6 本章小结
参考文献
第3章 Python可视化分析
3.1 Matplotlib可视化分析
3.1.1 绘制曲线图
3.1.2 绘制散点图
3.1.3 绘制柱状图
3.1.4 绘制饼状图
3.1.5 绘制3D图形
3.2 Pandas读取文件可视化分析
3.2.1 绘制折线对比图
3.2.2 绘制柱状图和直方图
3.2.3 绘制箱图
3.3 ECharts可视化技术初识
3.4 本章小结
参考文献
第4章 Python回归分析
4.1 回归
4.1.1 什么是回归
4.1.2 线性回归
4.2 线性回归分析
4.2.1 LinearRegression
4.2.2 用线性回归预测糖尿病
4.3 多项式回归分析
4.3.1 基础概念
4.3.2 PolynomialFeatures
4.3.3 用多项式回归预测成本和利润
4.4 逻辑回归分析
4.4.1 LogisticRegression
4.4.2 鸢尾花数据集回归分析实例
4.5 本章小结
参考文献
第5章 Python聚类分析
5.1 聚类
5.1.1 算法模型
5.1.2 常见聚类算法
5.1.3 性能评估
5.2 K-Means
5.2.1 算法描述
5.2.2 用K-Means分析篮球数据
5.2.3 K-Means聚类优化
5.2.4 设置类簇中心
5.3 BIRCH
5.3.1 算法描述
5.3.2 用BIRCH分析氧化物数据
5.4 降维处理
5.4.1 PCA降维
5.4.2 Sklearn PCA降维
5.4.3 PCA降维实例
5.5 本章小结
参考文献
第6章 Python分类分析
6.1 分类
6.1.1 分类模型
6.1.2 常见分类算法
6.1.3 回归、聚类和分类的区别
6.1.4 性能评估
6.2 决策树
6.2.1 算法实例描述
6.2.2 DTC算法
6.2.3 用决策树分析鸢尾花
6.2.4 数据集划分及分类评估
6.2.5 区域划分对比
6.3 KNN分类算法
6.3.1 算法实例描述
6.3.2 KNeighborsClassifier
6.3.3 用KNN分类算法分析红酒类型
6.4 SVM分类算法
6.4.1 SVM分类算法的基础知识
6.4.2 用SVM分类算法分析红酒数据
6.4.3 用优化SVM分类算法分析红酒数据集
6.5 本章小结
参考文献
第7章 Python关联规则挖掘分析
7.1 基本概念
7.1.1 关联规则
7.1.2 置信度与支持度
7.1.3 频繁项集
7.2 Apriori算法
7.3 Apriori算法的实现
7.4 本章小结
参考文献
第8章 Python数据预处理及文本聚类
8.1 数据预处理概述
8.2 中文分词
8.2.1 中文分词技术
8.2.2 Jieba中文分词工具
8.3 数据清洗
8.3.1 概述
8.3.2 中文语料清洗
8.4 特征提取及向量空间模型
8.4.1 特征规约
8.4.2 向量空间模型
8.4.3 余弦相似度计算
8.5 权重计算
8.5.1 常用权重计算方法
8.5.2 TF-IDF
8.5.3 用Sklearn计算TF-IDF
8.6 文本聚类
8.7 本章小结
参考文献
第9章 Python词云热点与主题分布分析
9.1 词云
9.2 WordCloud的安装及基本用法
9.2.1 WordCloud的安装
9.2.2 WordCloud的基本用法
9.3 LDA
9.3.1 LDA的安装过程
9.3.2 LDA的基本用法及实例
9.4 本章小结
参考文献
第10章 复杂网络与基于数据库技术的分析
10.1 复杂网络
10.1.1 复杂网络和知识图谱
10.1.2 NetworkX
10.1.3 用复杂网络分析学生关系网
10.2 基于数据库技术的数据分析
10.2.1 数据准备
10.2.2 基于数据库技术的可视化分析
10.2.3 基于数据库技术的可视化对比
10.3 基于数据库技术的博客行为分析
10.3.1 幂率分布
10.3.2 用幂率分布分析博客数据集
10.4 本章小结
参考文献
套书后记
致谢
