电子工业出版社-网上书店

本书以大数据分析与挖掘的常用技术与真实案例相结合的方式，按照“概念和原理讲解、案例分析、能力拓展——Python 软件应用”的层次进行阐述，深入浅出地介绍大数据分析与挖掘的重要内容。全书共 11 章，第 1 章作为全书的绪论，介绍了大数据分析与挖掘的基本概念、行业应用等；第2 章介绍了 Python 的安装、编程基础以及常用的数据分析工具；第 3 章介绍了数据的类型、质量和相似度与相异度；第 4 章介绍了数据探索的常用方法，包括质量分析、描述性统计分析、可视化分析和多维数据分析；第 5 章介绍了数据预处理的常用方法，包括数据清洗、数据集成、数据归约和数据变换与离散化；第 6 章介绍了回归与分类的方法，包括多元线性回归、逻辑回归、决策树分类、朴素贝叶斯分类等；第 7 章介绍了聚类的方法，包括 K-Means 算法、DBSCAN 算法等；第 8 章介绍了关联规则，包括 Apriori 算法和 FP-Growth 算法等；第 9 章介绍了时间序列，包括平稳时间序列分析和非平稳时间序列分析等；第 10 章介绍了离群点检测，包括基于统计学、邻近性、聚类、分类的离群点检测方法；第 11 章介绍了大数据分析与挖掘的前沿知识。本书大部分章节包含真实案例和课后习题，通过练习和操作实践，帮助读者巩固所学的内容。本书可作为高校数据科学与大数据技术或人工智能相关专业教材，也可作为数据挖掘爱好者的自学用书。

目  录
第1章  绪论	001
1.1  大数据分析与挖掘的基本概念	002
1.2  大数据分析与挖掘的行业应用	002
1.3  大数据分析与挖掘的基本任务	004
1.4  大数据分析与挖掘的建模过程	004
1.4.1  明确任务	005
1.4.2  数据采集	005
1.4.3  数据探索	006
1.4.4  数据预处理	006
1.4.5  挖掘建模	007
1.4.6  模型评价	007
1.5  大数据分析与挖掘的建模工具	007
小结	009
习题	009
第2章  Python简介	011
2.1  Python安装	012
2.2  Python编程基础	015
2.2.1  基本命令	016
2.2.2  数据类型	019
2.2.3  运算符	023
2.2.4  函数	027
2.3  Python数据分析工具	029
小结	033
习题	034
第3章  数据	036
3.1  数据类型	037
3.1.1  数据集的类型	037
3.1.2  属性的定义	039
3.1.3  属性的分类	040
3.2  数据质量	041
3.3  数据的相似度与相异度度量	042
3.3.1  属性之间的相似度与相异度	042
3.3.2  数据对象之间的相异度	045
3.3.3  数据对象之间的相似度	049
3.3.4  度量方法的选取	054
小结	055
习题	055
第4章  数据探索	058
4.1  数据质量分析	059
4.1.1  缺失值分析	059
4.1.2  异常值分析	060
4.1.3  一致性分析	063
4.2  数据描述性统计分析	064
4.2.1  集中趋势度量	065
4.2.2  离散程度度量	066
4.2.3  多元数据统计分析	069
4.3  数据可视化分析	070
4.3.1  可视化技术	070
4.3.2  高维数据可视化	076
4.4  多维数据分析	082
4.4.1  多维数组	082
4.4.2  数据立方体	083
4.4.3  切片与切块	084
4.4.4  上卷与下钻	085
4.5  Python数据探索案例分析	086
4.5.1  公共自行车租赁系统数据集	086
4.5.2  数据探索分析	087
小结	092
习题	092
第5章  数据预处理	095
5.1  数据清洗	096
5.1.1  缺失值处理	096
5.1.2  异常值处理	098
5.2  数据集成	100
5.2.1  实体识别	100
5.2.2  数据合并	101
5.2.3  冗余属性识别	104
5.3  数据归约	106
5.3.1  抽样	106
5.3.2  采样	106
5.3.3  属性子集选择	108
5.4  数据变换与离散化	110
5.4.1  数据规范化	110
5.4.2  简单函数变换	112
5.4.3  属性构造	113
5.4.4  连续属性离散化	114
5.5  Python数据预处理案例分析	116
5.5.1  案例背景	116
5.5.2  城市春运出行数据说明	116
5.5.3  数据预处理	117
小结	125
习题	126
第6章  回归与分类	128
6.1  基本概念	130
6.1.1  回归概述	131
6.1.2  分类概述	131
6.2  回归分析	131
6.2.1  一元线性回归	132
6.2.2  多元线性回归	134
6.2.3  多项式回归	142
6.2.4  逻辑回归	145
6.3  决策树分类	148
6.3.1  决策树基本原理	148
6.3.2  建立决策树	149
6.3.3  决策树算法	151
6.3.4  随机森林算法	155
6.4  朴素贝叶斯分类	157
6.4.1  朴素贝叶斯模型基本原理	157
6.4.2  朴素贝叶斯模型代码实现	160
6.5  K最近邻分类	161
6.5.1  K最近邻分类基本原理	162
6.5.2  K最近邻分类代码实现	163
6.6  支持向量机	164
6.6.1  支持向量机基本原理	164
6.6.2  数据线性可分的情况	165
6.6.3  数据线性不可分的情况	166
6.7  神经网络	169
6.7.1  神经网络基本概念	169
6.7.2  BP神经网络算法	170
6.8  回归与分类的评估方法	174
6.8.1  回归的评估方法	174
6.8.2  分类的评估方法	175
6.8.3  提高类不平衡数据的分类准确率	178
6.9  集成学习技术	178
6.9.1  集成学习方法概述	178
6.9.2  Bagging	179
6.9.3  Stacking	179
6.9.4  Boosting	180
6.10  Python回归与分类案例分析	182
6.10.1  回归案例分析	182
6.10.2  分类案例分析	185
小结	188
习题	189
第7章  聚类	193
7.1  基本概念	194
7.2  划分聚类	194
7.2.1  K-Means算法	195
7.2.2  K-中心点算法	200
7.3  层次聚类	206
7.3.1  凝聚的层次聚类	207
7.3.2  分裂的层次聚类	207
7.3.3  簇间距离度量方法	208
7.3.4  不同距离度量的层次聚类	210
7.4  基于密度的聚类方法	214
7.4.1  基于中心方法的密度定义	215
7.4.2  DBSCAN算法	216
7.5  概率模型聚类	222
7.5.1  模糊簇	222
7.5.2  概率模型聚类步骤	223
7.5.3  期望最大化算法	223
7.6  聚类评估	226
7.6.1  估计聚类趋势	226
7.6.2  确定正确的簇的个数	228
7.6.3  聚类质量评估	229
7.7  Python聚类案例分析	232
7.7.1  数据说明	232
7.7.2  数据预处理	233
7.7.3  构建聚类模型	236
小结	239
习题	239
第8章  关联规则	243
8.1  基本概念	244
8.1.1  基本元素的概念	244
8.1.2  闭频繁项集和极大频繁项集	249
8.2  Apriori算法	252
8.2.1  Apriori算法简介	252
8.2.2  改进的Apriori算法	256
8.3  FP-Growth算法	257
8.3.1  FP-Growth算法的实现过程	257
8.3.2  使用FP-Growth算法实现新闻网站点击数据频繁项集挖掘	261
8.4  关联规则评估方法	262
8.4.1  关联规则兴趣度评估	262
8.4.2  关联规则相关度评估	264
8.4.3  其他评估度量方法	264
8.5  多维关联规则挖掘	265
8.6  多层关联规则挖掘	266
8.7  Python关联规则案例分析	268
8.7.1  基于Apriori算法实现电影观看规则挖掘	268
8.7.2  基于FP-Growth算法实现商品购买规则挖掘	274
小结	278
习题	278
第9章  时间序列	282
9.1  时间序列基本概念	283
9.1.1  特征统计量	283
9.1.2  时间序列的特点	284
9.2  时间序列预处理	285
9.2.1  平稳性	285
9.2.2  白噪声	287
9.3  平稳时间序列分析	288
9.3.1  AR模型	288
9.3.2  MA模型	289
9.3.3  ARMA模型	289
9.3.4  平稳时间序列建模	290
9.4  非平稳时间序列分析	291
9.4.1  差分运算	291
9.4.2  ARIMA模型	292
9.5  Python时间序列案例分析	300
9.5.1  背景与目标	300
9.5.2  数据预处理	301
9.5.3  分析建模	303
小结	305
习题	306
第10章  离群点检测	309
10.1  离群点概述	310
10.2  离群点检测方法	311
10.2.1  基于统计学的方法	311
10.2.2  基于邻近性的方法	317
10.2.3  基于聚类的方法	321
10.2.4  基于分类的方法	324
10.3  高维数据中的离群点检测	327
10.3.1  扩充的传统离群点检测	327
10.3.2  发现子空间中的离群点	328
10.3.3  高维离群点建模	329
10.4  Python离群点检测案例分析	330
10.4.1  背景与目标	330
10.4.2  使用LOF算法进行离群点检测	330
10.4.3  绘制离群点检测图	331
小结	333
习题	334
第11章  大数据分析与挖掘的发展前沿	336
11.1  复杂的大数据挖掘	337
11.1.1  复杂的数据	337
11.1.2  复杂的挖掘方式	338
11.2  大数据挖掘与人工智能	340
11.2.1  深度学习	340
11.2.2  知识图谱	341
11.2.3  迁移学习	344
11.2.4  强化学习	345
11.2.5  联邦学习	347
小结	348
习题	348
参考文献	350

前  言
随着大数据时代的到来，大数据已经渗透到政治、经济、社会、文化等各个领域，使我们的生产和生活发生了巨大变化。如何从海量数据中挖掘出有价值的信息和知识并作出明智的决策是相关从业者当前面临的机遇和挑战。例如，在商业领域，大数据分析与挖掘技术可以帮助企业了解市场趋势、客户偏好和竞争情况，从而制定出更有效的商业策略。为了满足社会对大数据分析人才日益增长的需求，很多高校开设了不同层次的大数据分析课程。
本书根据教育部“四新”（新工科、新医科、新农科、新文科）建设的基本要求，结合应用型本科高等院校的实际特点编写，以培养具有持续竞争力的应用创新型人才为目标。本书对传统教学内容进行优化，以应用意识和能力培养为主线，淡化理论推导，突出大数据分析与挖掘基本思想方法。本书还建设了立体化新形态教材，实现了纸质教材与数字资源有机融合。
本书特色
本书全面贯彻党的二十大精神，坚持立德树人，以社会主义核心价值观为引领，加强基础研究，发扬斗争精神，为建设社会主义文化强国、数字强国添砖加瓦。本书力图深化产教融合，以知识点为导向，从知识点的介绍到算法运作过程的讲解采用大数据分析与挖掘常用技术和真实案例相结合的方式，介绍使用Python进行大数据分析与挖掘的主要方法，帮助读者了解如何利用所学知识来解决实际问题，最后通过课后习题巩固所学知识，使读者能够真正掌握并应用所学知识。
本书适用对象
?开设有数据分析与挖掘课程的高校学生。
?数据挖掘开发人员。
?从事数据挖掘研究的科研人员。
?关注高级数据分析的人员。
分工与致谢
本书由云本胜、张良均任主编，钱亚冠、郭羽含任副主编。第1、2章由张良均编写，第3～7章由云本胜编写，第8、9章由郭羽含编写，第10、11章由钱亚冠编写。全书由云本胜统稿。
感谢浙江科技大学教务处对本书编写所给予的关怀与支持。感谢广东泰迪智能科技股份有限公司的参与，为本书提供了真实案例及其代码实现。
勘误与支持
为了帮助读者更好地使用本书，配套有原始数据文件、Python程序代码、教学课件等资源，读者可以扫描下方二维码免费获取。
大数据分析与挖掘是一个新兴的交叉学科领域，内容广、更新快，鉴于编者水平有限，书中难免存在一些疏漏和不足之处，敬请读者不吝赐教，以改进本书，建议和意见请发至编者邮箱：yunbsh@126.com。

编  者   
2023年8月于杭州

本书配套资源下载

对不起，暂无音视频资源！