Python大數(shù)據(jù)處理與分析

定　價：￥49.80

作　者：	安俊秀，唐聃，靳宇倡等著
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115556851	出版時間：	2021-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	224	字數(shù)：

內(nèi)容簡介

　　本書介紹利用Python進行大數(shù)據(jù)處理與分析的詳細方法和步驟。全書共9章，主要內(nèi)容包括搭建開發(fā)環(huán)境、Numpy庫、Pandas庫、Matplotlib庫、數(shù)據(jù)預處理以及多個案例分析。本書注重理論緊密聯(lián)系實際，使讀者可以系統(tǒng)、全面地了解Python大數(shù)據(jù)處理與分析的實用技術和方法。本書可作為高等院校Python大數(shù)據(jù)處理與分析相關課程的教材，也可以作為計算機相關專業(yè)的專業(yè)課或選修課教材，同時還可以作為從事Python與大數(shù)據(jù)技術相關工作人員的參考用書。

作者簡介

　　安俊秀，教授，碩士生導師。2004年畢業(yè)于西安交通大學計算機科學與技術專業(yè)，獲工學碩士學位。2016年-2017年美國加州大學河濱分校（UCR）公派訪問學者，2014年-2015年美國科羅拉多大學斯普林司分校（UCCS）訪問學者。軟件自動生成與智能服務四川省重點實驗室學術帶頭人（領域知識本體和大數(shù)據(jù)方向）。作為項目負責人承擔國家自然基金面上項目1項（71673032），作為主研人員參與***項目6項。已發(fā)表研究領域相關論文及發(fā)明專利40余篇。主編完成專著或教材10余部，均是云計算與大數(shù)據(jù)方向，由***出版社出版（如Linux操作系統(tǒng)基礎教程、Hadoop大數(shù)據(jù)處理技術基礎與實踐、云計算與大數(shù)據(jù)技術應用等），其中2016年出版了有影響力的獨著：量化社會——大數(shù)據(jù)與社會計算。國家自然科學基金委通訊評審專家，四川省科技項目評審專家，成都市科技攻關計劃評審專家，成都軍區(qū)項目評審專家。1993年進入山西大學商務學院任教，2006年底調入成都信息工程大學任教。最近三年，先后承擔了《Linux體系和編程》、《軟件工程項目管理》、《工程導論》、《計算機組成原理》等本科課程；承擔了《云計算與大數(shù)據(jù)》、《并行計算》、《Hadoop處理技術》等研究生課程。

圖書目錄

第一部分基礎篇
第 1章　搭建開發(fā)環(huán)境　2
1．1　Python解釋器的安裝　2
1．1．1　在Windows系統(tǒng)下安裝Python解釋器　2
1．1．2　在Linux系統(tǒng)下安裝Python解釋器　6
1．1．3　在macOS系統(tǒng)下安裝Python解釋器　10
1．1．4　運行第一個hello world程序　12
1．2　Anaconda的安裝及環(huán)境變量配置　12
1．2．1　Anaconda簡介　12
1．2．2　安裝Anaconda　14
1．2．3　配置Anaconda環(huán)境變量　16
1．3　Jupyter Notebook與PyCharm的安裝及工程環(huán)境設置　17
1．3．1　Jupyter Notebook的簡介與安裝　18
1．3．2　設置Jupyter Notebook工程環(huán)境　19
1．3．3　PyCharm的簡介與安裝　23
1．3．4　設置PyCharm工程環(huán)境　25
習題　28
第 2章　使用NumPy進行數(shù)據(jù)
計算　29
2．1　安裝NumPy　29
2．2　NumPy中的數(shù)組對象　30
2．2．1　數(shù)組對象的創(chuàng)建　31
2．2．2　數(shù)組對象的常用屬性　34
2．2．3　數(shù)組元素的訪問與修改　36
2．2．4　數(shù)組對象的基礎運算　37
2．2．5　數(shù)組對象的常用函數(shù)　38
2．3　使用NumPy進行數(shù)學運算　42
2．3．1　位運算函數(shù)　42
2．3．2　數(shù)學函數(shù)　44
2．3．3　算術函數(shù)　45
2．3．4　統(tǒng)計函數(shù)　47
2．3．5　線性代數(shù)函數(shù)　49
2．4　NumPy使用案例　52
習題　53
第3章　使用pandas進行數(shù)據(jù)分析　54
3．1　安裝pandas　54
3．2　pandas中的對象　55
3．2．1　Series對象　56
3．2．2　DataFrame對象　57
3．3　pandas的基本操作　58
3．3．1　導入與導出數(shù)據(jù)　59
3．3．2　數(shù)據(jù)的查看與檢查　60
3．3．3　數(shù)據(jù)的增刪查改　62
3．4　pandas的基本運用　64
3．4．1　數(shù)據(jù)統(tǒng)計　64
3．4．2　算術運算與數(shù)據(jù)對齊　66
3．5　pandas使用案例　68
習題　70
第4章　Matplotlib數(shù)據(jù)
可視化　71
4．1　安裝Matplotlib與繪圖基本步驟　71
4．1．1　安裝Matplotlib　71
4．1．2　Matplotlib繪圖基本步驟　72
4．2　經(jīng)典圖形繪制　74
4．2．1　折線圖　74
4．2．2　柱狀圖　77
4．2．3　直方圖　80
4．2．4　散點圖　82
4．2．5　等值線圖及地理信息可視化　86
4．3　圖表調整及美化　92
4．3．1　圖表主要組成元素調整　92
4．3．2　顏色參數(shù)及映射表　97
4．4　Matplotlib使用案例　98
習題　102
第5章　數(shù)據(jù)預處理　103
5．1　數(shù)據(jù)清洗與準備　103
5．1．1　數(shù)據(jù)清洗準備　103
5．1．2　數(shù)據(jù)清洗　104
5．2　正則表達式　108
5．2．1　正則表達式的特點與組成　108
5．2．2　字符串方法　109
5．2．3　re模塊　113
5．3　數(shù)據(jù)規(guī)整　117
5．3．1　聚合、分組及數(shù)據(jù)透視　117
5．3．2　特征選擇（降維）　120
5．3．3　數(shù)據(jù)變換與數(shù)據(jù)規(guī)約　122
5．3．4　稀疏表示和字典學習　124
習題　126
第二部分　實例篇
第6章　基于大數(shù)據(jù)的房產(chǎn)估價　128
6．1　情景問題提出及分析　128
6．2　多元回歸模型介紹　128
6．3　方法與過程　129
6．3．1　讀入數(shù)據(jù)并進行數(shù)據(jù)預處理　130
6．3．2　將預處理好的數(shù)據(jù)可視化　141
6．3．3　使用多元回歸模型進行房產(chǎn)估價　146
6．3．4　模型效果評價　148
上機實驗　151
第7章　某移動公司客戶價值分析　152
7．1　情景問題提出及分析　152
7．2　K-Means聚類算法簡介　153
7．3　客戶價值分析過程　155
7．3．1　讀入數(shù)據(jù)并進行數(shù)據(jù)預處理　156
7．3．2　數(shù)據(jù)標準化　165
7．3．3　使用K-Means聚類算法對客戶進行分析　167
7．3．4　數(shù)據(jù)可視化及數(shù)據(jù)分析　172
上機實驗　178
第8章　基于歷史數(shù)據(jù)的氣溫及降水預測　179
8．1　情景問題提出及分析　179
8．2　常見的時間序列模型簡介　180
8．2．1　AR模型　180
8．2．2　MA模型　181
8．2．3　ARMA模型　181
8．2．4　ARIMA模型　182
8．2．5　模型求解步驟　183
8．3　平穩(wěn)序列建模示例（降水預測）　186
8．3．1　讀入數(shù)據(jù)并進行預處理　186
8．3．2　時間序列的平穩(wěn)性分析　190
8．3．3　模型選擇及定階　191
8．3．4　建立時序模型并預測　193
8．4　非平穩(wěn)序列建模示例（氣溫預測）　195
8．4．1　讀入數(shù)據(jù)并進行預處理　195
8．4．2　時間序列的平穩(wěn)性分析　197
8．4．3　模型選擇及定階　198
8．4．4　建立時序模型并預測　200
上機實驗　202
第9章　智能電網(wǎng)的電能預估及價值分析　203
9．1　情景問題提出及分析　203
9．2　決策樹算法簡介　203
9．2．1　ID3算法　205
9．2．2　C4．5算法　207
9．2．3　CART算法　208
9．2．4　預剪枝與后剪枝　208
9．2．5　連續(xù)值處理　209
9．3　方法與過程　211
9．3．1　讀入數(shù)據(jù)并預處理　211
9．3．2　模型構建　218
9．3．3　模型效果評價　221
上機實驗　221
參考文獻　223