新书推荐 ｜ Python数据分析与可视化案例实战(项目实战·源码解读·微课视频版）

目录

向上滑动阅览

第1章Python数据分析与可视化概述

1.1从MATLAB到Python

1.2NumPy

1.3Pandas

1.4Matplotlib

1.5SciPy与SymPy

第2章新生数据分析与可视化

2.1使用Pandas对数据预处理

2.2使用Matplotlib库画图

2.3使用Pandas进行绘图

第3章Python表格处理分析

3.1背景介绍

3.2前期准备与基本操作

3.2.1基本术语概念说明

3.2.2安装openpyxl并创建一个工作簿

3.2.3从Excel工作簿中读取数据

展开全文

3.2.4迭代访问数据

3.2.5插入数据

3.3进阶内容

3.3.1为Excel表单添加公式

3.3.2为表单添加条件格式

3.3.3为Excel表单添加图表

3.4数据分析实例

3.4.1背景与前期准备

3.4.2使用openpyxl读取数据并转为DataFrame

3.4.3绘制数值列直方图

3.4.4绘制相关性矩阵

3.4.5绘制散布矩阵

3.4.6将可视化结果插入Excel表格

第4章美国加利福尼亚州房价预测的数据分析

4.1数据的读入和初步分析

4.1.1数据读入

4.1.2分割测试集与训练集

4.1.3数据的初步分析

4.2数据的预处理

4.2.1拆分数据

4.2.2空白值的填充

4.2.3数据标准化

4.2.4数据的流程化处理

4.3模型的构建

4.3.1查看不同模型的表现

4.3.2选择效果最好的模型进行预测

第5章影评数据分析与电影推荐

5.1明确目标与准备数据

5.2工具选择

5.3初步分析

5.3.1用户角度分析

5.3.2电影角度分析

5.4电影推荐

第6章医疗花费预测

6.1数据读取

6.2数据预处理

6.2.1字符串类型的转换

6.2.2数据的分布和映射

6.3数据分析

6.3.1协方差矩阵和热力图

6.3.2DBSCAN聚类算法

6.3.3支持向量机分类算法

6.4线性回归

6.5结果预测

6.6结果分析

第7章用户消费行为分析

7.1RFM模型简介

7.2数据读入

7.3数据清洗和预处理

7.3.1数据清洗

7.3.2数据预处理

7.4RFM统计量计算

7.5RFM归类

7.6结果保存

7.7可视化结果

第8章用户流失预警

8.1读入数据

8.2数据预处理和自变量标准化

8.3五折交叉验证

8.4代入三种模型

8.5调整prob阈值贵金属实战视频，输出精度评估

第9章在Kaggle上预测房价

9.1读取数据集

9.2预处理数据集

9.3训练模型

9.4k折交叉验证

9.5模型选择和调整

9.6在Kaggle上提交预测结果

第10章世界杯

10.1数据说明

10.2世界杯观众

10.3世界杯冠军

10.4世界杯参赛队伍与比赛

10.5世界杯进球

第11章股价预测

11.1使用Tsfresh进行升维和特征工程

11.2程序设计思路

11.3程序设计步骤

11.3.1读入并分析数据

11.3.2移窗

11.3.3升维

11.3.4方差过滤

11.3.5使用AdaBoostRegressor模型进行回归预测

11.3.6预测结果分析

第12章基于上下文感知的多模态交通推荐

12.1案例目标

12.2数据说明

12.2.1查询记录

12.2.2显示记录

12.2.3点击记录

12.2.4用户记录

12.3解决方案

12.3.1导入工具包和数据

12.3.2特征导入和数据处理

12.3.3模型训练与结果保存

第13章美国波士顿房价预测

13.1背景介绍

13.2数据清洗

13.3数据分析

13.4分析结果

第14章机器人最优路径走迷宫

14.1关键技术

14.1.1马尔可夫决策过程

14.1.2Bellman方程

14.2程序设计步骤

14.2.1初始化迷宫地图

14.2.2计算不同位置的最优路径

第15章基于Kmeans算法的鸢尾花数据聚类和可视化

15.1数据及工具简介

15.1.1Iris数据集(鸢尾花数据集)

15.1.2Tkinter

15.2案例分析

15.2.1模块引入

15.2.2布局图形界面

15.2.3读取数据文件

15.2.4聚类

15.2.5聚类结果可视化

15.2.6误差分析及其可视化

15.2.7使用流程

第16章利用手机的购物评论分析手机特征

16.1数据准备

16.2数据分析

16.2.1模型介绍

16.2.2算法应用

16.2.3名词提取

16.2.4情感分析

第17章菜谱分析

17.1数据集介绍

17.2数据观察

17.2.1数据读入

17.2.2分布统计

17.3数据预处理

17.3.1英文单词标准化

17.3.2数据向量化

17.4模型构建

第18章基于回归问题和XGBoost模型的房价预测

18.1XGBoost模型介绍

18.2技术方案

18.2.1数据分析

18.2.2XGBoost模型参数

18.2.3调参过程

18.3完整代码及结果展示

第19章基于VGG19和TensorBoard的图像分类和数据可视化

19.1背景概念介绍

19.1.1VGG19模型

19.1.2TensorBoard

19.1.3CIFAR10数据集

19.2网络搭建与TensorBoard可视化实战

19.2.1网络搭建

19.2.2准备数据并构建网络实例

19.2.3TensorBoard训练过程可视化

第20章基于Elasticsearch实现附近小区信息搜索

20.1Elasticsearch的简介与安装

20.1.1Elasticsearch的简介

20.1.2Elasticsearch的安装

20.2数据准备

20.2.1网页分析与信息提取

20.2.2获取经纬度

20.2.3数据格式转换

20.3Python实现Elasticsearch基础操作

20.3.1创建索引和插入数据

20.3.2查询数据和数据类型

20.3.3删除相关操作

20.3.4检索功能

20.4房价地理位置坐标搜索实现

第21章汽车贷款违约的数据分析

21.1数据样本分析

21.1.1数据样本概述

21.1.2变量类型分析

21.1.3Python代码实践

21.2数据的预处理

21.2.1目标变量探索

21.2.2X变量初步探索

21.2.3连续变量的缺失值处理

21.2.4分类变量的缺失值处理

21.3数据分析的模型建立与评估

21.3.1数据的预处理与训练集划分

21.3.2采用回归模型进行数据分析

21.3.3采用决策树进行数据分析

21.3.4采用随机森林优化决策树模型

第22章基于Spark的搜索引擎日志用户行为分析

22.1功能需求

22.1.1搜索引擎用户行为分析的意义

22.1.2搜索引擎日志概述

22.2系统架构

22.2.1用户搜索流程

22.2.2系统架构设计

22.3功能实现

22.3.1Spark本地运行环境搭建

22.3.2搜索引擎日志数据获取

22.3.3分析指标

22.3.4Spark任务提交

第23章科比职业生涯进球分析

23.1预处理

23.2分析科比的命中率

23.3分析科比的投篮习惯

附录APyTorch环境搭建

A.1Linux平台下PyTorch环境搭建

A.2Windows平台下PyTorch环境搭建

参考文献

扫码京东优惠购书