Python与数据挖掘 PDF下载

编辑推荐

暂无

内容简介

本书主要分为两大部分，基础篇和建模应用篇。基础篇介绍了有关Python开发环境的搭建、Python基础入门、函数、面向对象编程、实用模块和图表绘制等基础知识。建模应用篇主要介绍了目前在数据挖掘中的常用的建模方法在Python中的实现函数，并对输出结果进行了解释，有助于读者快速掌握应用Python进行分析挖掘建模的方法。本书配套提供了书中使用的示例代码及所用的数据，读者可通过上机实验，快速掌握书中所介绍的Python的使用方法。

作者简介

暂无

Python与数据挖掘 PDF下载

目录?Contents前言第一部分　基础篇第1章　数据挖掘概述 21.1　数据挖掘简介 21.2　工具简介 31.2.1　WEKA 31.2.2　RapidMiner 41.2.3　Python 51.2.4　R 51.3　Python开发环境的搭建 61.3.1　Python安装 61.3.2　Python初识 111.3.3　与读者的约定 141.4　小结 15第2章　Python基础入门 162.1　常用操作符 162.1.1　算术操作符 172.1.2　赋值操作符 172.1.3　比较操作符 182.1.4　逻辑操作符 182.1.5　操作符优先级 182.2　数字数据 192.2.1　变量与赋值 192.2.2　数字数据类型 202.3　流程控制 202.3.1　if语句 212.3.2　while循环 232.3.3　for循环 252.4　数据结构 272.4.1　列表 282.4.2　字符串 312.4.3　元组 352.4.4　字典 362.4.5　集合 392.5　文件的读写 402.5.1　改变工作目录 402.5.2　txt文件读取 412.5.3　csv文件读取 422.5.4　文件输出 432.5.5　使用JSON处理数据 432.6　上机实验 44第3章　函数 473.1　创建函数 483.2　函数参数 503.3　可变对象与不可变对象 523.4　作用域 533.5　上机实验 55第4章　面向对象编程 564.1　简介 564.2　类与对象 584.3　__init__方法 594.4　对象的方法 614.5　继承 654.6　上机实验 68第5章　Python实用模块 695.1　什么是模块 695.2　NumPy 705.3　Pandas 755.4　SciPy 815.5　scikit-learn 845.6　其他Python常用模块 875.7　小结 885.8　上机实验 88第6章　图表绘制入门 896.1　Matplotlib 896.2　Bokeh 946.3　其他优秀的绘图模块 976.4　小结 976.5　上机实验 97第二部分　建模应用篇第7章　分类与预测 1007.1　回归分析 1007.1.1　线性回归 1017.1.2　逻辑回归 1047.2　决策树 1077.2.1　ID3算法 1077.2.2　其他树模型 1117.3　人工神经网络 1137.4　kNN算法 1227.5　朴素贝叶斯分类算法 1247.6　小结 1277.7　上机实验 127第8章　聚类分析建模 1298.1　K-Means聚类分析函数 1298.2　系统聚类算法 1338.3　DBSCAN聚类算法 1388.4　上机实验 142第9章　关联规则分析 1449.1　Apriori关联规则算法 1459.2　Apriori在Python中的实现 1469.3　小结 1499.4　上机实验 149第10章　智能推荐 15110.1　基于用户的协同过滤算法 15210.2　基于用户的协同过滤算法在Python中的实现 15410.3　小结 15710.4　上机实验 157第11章　时间序列分析 15911.1　ARIMA模型 15911.2　小结 17111.3　上机实验 172参考文献 174

前沿

Preface?前　　言为什么要写本书？Python是什么？Python是一种带有动态语义的、解释性的、面向对象的高级编程语言。其高级内置数据结构，结合动态类型和动态绑定，使其对于敏捷软件开发非常具有吸引力。同时，Python作为脚本型（胶水）语言连接现有的组件也十分高效。Python语法简洁，可读性强，从而能降低程序的维护成本。不仅如此，Python支持模块和包，鼓励程序模块化和代码重用。 Python语言的解释性使其语法更接近人类的表达和思维过程，开发程序的效率极高。习惯使用Python者，总习惯在介绍Python时强调一句话：“人生苦短，我用Python。”由于没有编译步骤，“写代码—测试—调试”的流程能被快速地反复执行。作为一款用途广泛的语言，Python在数据分析与机器学习领域的表现，称得上“一任群芳妒”。2016年3月，国外知名技术问答社区StackOverflow发布了《2016年开发者调查报告》。此调查号称是有史以来最为全面的开发者调查。其中，数据科学家的十大技术栈中，有7个包含Python。具体来说，数据科学家中有63%正在使用Python，44%正在使用R语言。而且，27%的人同时使用这两种语言。Python还在“最多人使用的技术”“最受欢迎技术”“需求度最高技术”等榜单中名列前十。 Python的明显优势： Python作为一款优雅、简洁的开源编程语言，吸引了世界各地顶尖的编程爱好者的注意力。每天都有数量众多的开源项目更新自己的功能，作为第三方模块为其他开发者提供更加高效、便利的支持。 Python提供了丰富的API和工具，以便程序员能够轻松地使用C、C 、Cython来编写扩充模块，从而集成多种语言的代码，协同工作。一些算法在底层用C实现后，封装在Python模块中，性能非常高效。 Python受到世界各地开发者的一致喜爱，在世界范围内被广泛使用。这意味着读者可以通过查看代码范例，快速学习和掌握相关内容。 Python语言简单易学，语法清晰。Python开发者的哲学是“用一种方法，最好是只有一种方法来做一件事”。通常，相较其他语言，Python的源代码被认为具有更好的可读性。 2004年，Python 已在Google 内部使用，他们的宗旨是：Python where we can，C where we must，即在操控硬件的场合使用C ，在快速开发时使用Python。总的来说，Python是一款用于数据统计、分析、可视化等任务，以及机器学习、人工智能等领域的高效开发语言。它能满足几乎所有数据挖掘下所需的数据处理、统计模型和图表绘制等功能需求。大量的第三方模块所支持的内容涵盖了从统计计算到机器学习，从金融分析到生物信息，从社会网络分析到自然语言处理，从各种数据库各种语言接口到高性能计算模型等领域。随着大数据时代的来临，数据挖掘将更加广泛地渗透到各行各业中去，而Python作为数据挖掘里的热门工具，将会有更多不同行业的人加入到Python爱好者的行列中来。完全面向对象的Python的教学工作也将成为高校中数学与统计学专业的重点发展对象，这是大数据时代下的必然趋势。本书特色笔者从实际应用出发，结合实际例子及应用场景，深入浅出地介绍Python开发环境的搭建、Python基础入门、函数、面向对象编程、实用模块和图表绘制及常用的建模算法在Python中的实现方式。本书的编排以Python语言的函数应用为主，先介绍了函数的应用场景及使用格式，再给出函数的实际使用示例，最后对函数的运行结果做出了解释，将掌握函数应用的所需知识点按照实际使用的流程展示出来。为方便读者理解Python语言中相关函数的使用，本书配套提供了书中使用的示例的代码及所用的数据，读者可以从“泰迪杯”全国数据挖掘挑战赛网站（http://www.tipdm.org/ts/755.jhtml）上免费下载。读者也可通过热线电话（40068-40020）、企业QQ（40068-40020）或以下微信公众号咨询获取。　　　TipDM张良均〈大数据挖掘产品与服务〉本书适用对象开设有数据挖掘课程的高校教师和学生。目前国内不少高校将数据挖掘引入本科教学中，在数学、计算机、自动化、电子信息、金融等专业开设了数据挖掘技术相关的课程，但目前这一课程的教学使用的工具仍然为SPSS、SAS等传统统计工具，并没有使用Python作为教学工具。本书提供了有关Python语言的从安装到使用的一系列知识，将能有效指导高校教师和学生使用Python。数据挖掘开发人员。这类人员可以在理解数据挖掘应用需求和设计方案的基础上，结合本书提供的Python的使用方法快速入门并完成数据挖掘应用的编程实现。进行数据挖掘应用研究的科研人员。许多科研院所为了更好地对科研工作进行管理，纷纷开发了适应自身特点的科研业务管理系统，并在使用过程中积累了大量的科研信息数据。Python可以提供一个优异的环境对这些数据进行挖掘分析应用。关注高级数据分析的人员。 Python作为一个广泛用于数据挖掘领域的编程语言，能为数据分析人员提供快速的、可靠的分析依据。如何阅读本书本书主要分为两大部分，基础篇和建模应用篇。基础篇介绍了有关Python开发环境的搭建、Python基础入门、函数、面向对象编程、实用模