第1章 Python数据分析概述 1
任务1．1 认识数据分析 1
1．1．1 掌握数据分析的概念 2
1．1．2 掌握数据分析的流程 2
1．1．3 了解数据分析应用场景 4
任务1．2 熟悉Python数据分析的工具 5
1．2．1 了解数据分析常用工具 6
1．2．2 了解Python数据分析的优势 7
1．2．3 了解Python数据分析常用类库 7
任务1．3 安装Python的Anaconda发行版 9
1．3．1 了解Python的Anaconda发行版 9
1．3．2 在Windows系统中安装Anaconda 9
1．3．3 在Linux系统中安装Anaconda 12
任务1．4 掌握Jupyter Notebook常用功能 14
1．4．1 掌握Jupyter Notebook的基本功能 14
1．4．2 掌握Jupyter Notebook的高 级功能 16
小结 19
课后习题 19
* 2章 NumPy数值计算基础 21
任务2．1 掌握NumPy数组对象ndarray 21
2．1．1 创建数组对象 21
2．1．2 生成随机数 27
2．1．3 通过索引访问数组 29
2．1．4 变换数组的形态 31
任务2．2 掌握NumPy矩阵与通用函数 34
2．2．1 创建NumPy矩阵 34
2．2．2 掌握ufunc函数 37
任务2．3 利用NumPy进行统计分析 41
2．3．1 读/写文件 41
2．3．2 使用函数进行简单的统计分析 44
2．3．3 任务实现 48
小结 50
实训 50
实训1 创建数组并进行运算 50
实训2 创建一个国际象棋的棋盘 50
课后习题 51
第3章 Matplotlib数据可视化基础 52
任务3．1 掌握绘图基础语法与常用参数 52
3．1．1 掌握pyplot基础语法 53
3．1．2 设置pyplot的动态rc参数 56
任务3．2 分析特征间的关系 59
3．2．1 绘制散点图 59
3．2．2 绘制折线图 62
3．2．3 任务实现 65
任务3．3 分析特征内部数据分布与分散状况 68
3．3．1 绘制直方图 68
3．3．2 绘制饼图 70
3．3．3 绘制箱线图 71
3．3．4 任务实现 73
小结 77
实训 78
实训1 分析1996～2015年人口数据特征间的关系 78
实训2 分析1996～2015年人口数据各个特征的分布与分散状况 78
课后习题 79
第4章 pandas统计分析基础 80
任务4．1 读/写不同数据源的数据 80
4．1．1 读/写数据库数据 80
4．1．2 读/写文本文件 83
4．1．3 读/写Excel文件 87
4．1．4 任务实现 88
任务4．2 掌握DataFrame的常用操作 89
4．2．1 查看DataFrame的常用属性 89
4．2．2 查改增删DataFrame数据 91
4．2．3 描述分析DataFrame数据 101
4．2．4 任务实现 104
任务4．3 转换与处理时间序列数据 107
4．3．1 转换字符串时间为标准时间 107
4．3．2 提取时间序列数据信息 109
4．3．3 加减时间数据 110
4．3．4 任务实现 111
任务4．4 使用分组聚合进行组内计算 113
4．4．1 使用groupby方法拆分数据 114
4．4．2 使用agg方法聚合数据 116
4．4．3 使用apply方法聚合数据 119
4．4．4 使用transform方法聚合数据 121
4．4．5 任务实现 121
任务4．5 创建透视表与交叉表 123
4．5．1 使用pivot_table函数创建透视表 123
4．5．2 使用crosstab函数创建交叉表 127
4．5．3 任务实现 128
小结 130
实训 130
实训1 读取并查看P2P网络贷款数据主表的基本信息 130
实训2 提取用户信息更新表和登录信息表的时间信息 130
实训3 使用分组聚合方法进一步分析用户信息更新表和登录信息表 131
实训4 对用户信息更新表和登录信息表进行长宽表转换 131
课后习题 131
第5章 使用pandas进行数据预处理 133
任务5．1 合并数据 133
5．1．1 堆叠合并数据 133
5．1．2 主键合并数据 136
5．1．3 重叠合并数据 139
5．1．4 任务实现 140
任务5．2 清洗数据 141
5．2．1 检测与处理重复值 141
5．2．2 检测与处理缺失值 146
5．2．3 检测与处理异常值 149
5．2．4 任务实现 152
任务5．3 标准化数据 154
5．3．1 离差标准化数据 154
5．3．2 标准差标准化数据 155
5．3．3 小数定标标准化数据 156
5．3．4 任务实现 157
任务5．4 转换数据 158
5．4．1 哑变量处理类别型数据 158
5．4．2 离散化连续型数据 160
5．4．3 任务实现 162
小结 163
实训 164
实训1 插补用户用电量数据缺失值 164
实训2 合并线损、用电量趋势与线路告警数据 164
实训3 标准化建模专家样本数据 164
课后习题 165
第6章 使用scikit-learn构建模型 167
任务6．1 使用sklearn转换器处理数据 167
6．1．1 加载datasets模块中的数据集 167
6．1．2 将数据集划分为训练集和测试集 170
6．1．3 使用sklearn转换器进行数据预处理与降维 172
6．1．4 任务实现 174
任务6．2 构建并评价聚类模型 176
6．2．1 使用sklearn估计器构建聚类模型 176
6．2．2 评价聚类模型 179
6．2．3 任务实现 182
任务6．3 构建并评价分类模型 183
6．3．1 使用sklearn估计器构建分类模型 183
6．3．2 评价分类模型 186
6．3．3 任务实现 188
任务6．4 构建并评价回归模型 190
6．4．1 使用sklearn估计器构建线性回归模型 190
6．4．2 评价回归模型 193
6．4．3 任务实现 194
小结 196
实训 196
实训1 使用sklearn处理wine和wine_quality数据集 196
实训2 构建基于wine数据集的K-Means聚类模型 196
实训3 构建基于wine数据集的SVM分类模型 197
实训4 构建基于wine_quality数据集的回归模型 197
课后习题 198
第7章 航空公司客户价值分析 199
任务7．1 了解航空公司现状与客户价值分析 199
7．1．1 了解航空公司现状 200
7．1．2 认识客户价值分析 201
7．1．3 熟悉航空客户价值分析的步骤与流程 201
任务7．2 预处理航空客户数据 202
7．2．1 处理数据缺失值与异常值 202
7．2．2 构建航空客户价值分析关键特征 202
7．2．3 标准化LRFMC模型的5个特征 206
7．2．4 任务实现 207
任务7．3 使用K-Means算法进行客户分群 209
7．3．1 了解K-Means聚类算法 209
7．3．2 分析聚类结果 210
7．3．3 模型应用 213
7．3．4 任务实现 214
小结 215
实训 215
实训1 处理信用卡数据异常值 215
实训2 构造信用卡客户风险评价关键特征 217
实训3 构建K-Means聚类模型 218
课后习题 218
第8章 财政收入预测分析 220
任务8．1 了解财政收入预测的背景与方法 220
8．1．1 分析财政收入预测背景 220
8．1．2 了解财政收入预测的方法 222
8．1．3 熟悉财政收入预测的步骤与流程 223
任务8．2 分析财政收入数据特征的相关性 223
8．2．1 了解相关性分析 223
8．2．2 分析计算结果 224
8．2．3 任务实现 225
任务8．3 使用Lasso回归选取财政收入预测的关键特征 225
8．3．1 了解Lasso回归方法 226
8．3．2 分析Lasso回归结果 227
8．3．3 任务实现 227
任务8．4 使用灰色预测和SVR构建财政收入预测模型 228
8．4．1 了解灰色预测算法 228
8．4．2 了解SVR算法 229
8．4．3 分析预测结果 232
8．4．4 任务实现 234
小结 236
实训 236
实训1 求取企业所得税各特征间的相关系数 236
实训2 选取企业所得税预测关键特征 237
实训3 构建企业所得税预测模型 237
课后习题 237
第9章 家用热水器用户行为分析与事件识别 239
任务9．1 了解家用热水器用户行为分析的背景与步骤 239
9．1．1 分析家用热水器行业现状 240
9．1．2 了解热水器采集数据基本情况 240
9．1．3 熟悉家用热水器用户行为分析的步骤与流程 241
任务9．2 预处理热水器用户用水数据 242
9．2．1 删除冗余特征 242
9．2．2 划分用水事件 243
9．2．3 确定单次用水事件时长阈值 244
9．2．4 任务实现 246
任务9．3 构建用水行为特征并筛选用水事件 247
9．3．1 构建用水时长与频率特征 248
9．3．2 构建用水量与波动特征 249
9．3．3 筛选候选洗浴事件 250
9．3．4 任务实现 251
任务9．4 构建行为事件分析的BP神经网络模型 255
9．4．1 了解BP神经网络算法原理 255
9．4．2 构建模型 259
9．4．3 评估模型 260
9．4．4 任务实现 260
小结 263
实训 263
实训1 清洗运营商客户数据 263
实训2 筛选客户运营商数据 264
实训3 构建神经网络预测模型 265
课后习题 265
附录A 267
附录B 270
参考文献 295
· · · · · · (
收起)
张良均 作者
0 有用 长河落日 2021-10-17 14:06:58
2021.10.4 8.4/10 比较基础，重复的地方比较多
0 有用 昊天 2020-03-29 21:11:50
本书以任务为导向，结合大量数据分析工程案例及教学经验，以Python数据分析常用技术和真实案例相结合的方式，深入浅出地介绍使用Python进行数据分析及应用的重要内容。除第1章外，本书各章都由任务描述、任务分析、任务实现、实训和课后练习等部分组成。本书的内容由浅入深，第1章介绍数据分析的基本概念等相关知识，让读者在宏观上理解数据分析能够帮助我们解决什么问题。第2～6章结合具体的任务，介绍了Pyth... 本书以任务为导向，结合大量数据分析工程案例及教学经验，以Python数据分析常用技术和真实案例相结合的方式，深入浅出地介绍使用Python进行数据分析及应用的重要内容。除第1章外，本书各章都由任务描述、任务分析、任务实现、实训和课后练习等部分组成。本书的内容由浅入深，第1章介绍数据分析的基本概念等相关知识，让读者在宏观上理解数据分析能够帮助我们解决什么问题。第2～6章结合具体的任务，介绍了Python数据分析常用的NumPy、Matplotlib、pandas、scikit-learn库的应用。第7～9章是前面几章内容基础上的综合应用，包括航空公司客户价值分析、财政收入预测分析、家用热水器用户行为分析与事件识别这3个综合案例，帮助读者搭建一条最佳的数据分析学习路线图。 (展开)
0 有用 清蒸小废柴 2025-03-24 12:12:34 江苏
讲基础就讲基础，讲进阶就讲进阶，不要在基础内容里掺杂太多高端内容，这样很少有人能看懂。前面都是些基础内容，案例搞得太复杂了，让人怎么往下看。我发现国内这些数据分析的书都是你抄抄我我抄抄你，大概改改内容就算是自己出一本书了，一点原创能力都没有。
0 有用 Yoke 2022-01-07 23:56:37
这个黑白色让我很反感，其次就是把代码打在书上，我感觉不好
0 有用 HybriTed 2021-04-04 01:49:10
白底封面让我想到当年被王后雄支配的日子