【章名目录】
第1章 基本概念与基础知识
第2章 数据分析
第3章 数据可视化
第4章 分类分析与可视化
第5章 回归分析与可视化
第6章 聚类分析与可视化
第7章 关联规则分析与可视化
第8章 时序数据分析与可视化
第9章 文本数据分析与可视化
第10章 社交网络数据分析与可视化

【详细目录】
第 1章 基本概念与基础知识
1.1 数据要素 2
1.1.1 数据要素的定义及特点 2
1.1.2 数据要素的价值 3
1.1.3 数据作为“新资源”的价值 4
1.1.4 数据作为“新资产”的价值 5
1.1.5 数据作为“新资本”的价值 5
1.2 大数据概述 5
1.2.1 大数据的概念 6
1.2.2 大数据的特征 7
1.2.3 大数据思维 8
1.2.4 大数据伦理 9
1.3 Python数据分析与可视化 12
1.3.1 选用Python进行数据分析与可视化的原因 12
1.3.2 Python数据分析与可视化常用库 13
1.3.3 安装Anaconda开发环境 13
1.3.4 Jupyter Notebook开发工具的使用 16
1.3.5 Markdown的使用 18
本章小结 19
习题 20

第 2章 数据分析
2.1 数据分析概述 22
2.1.1 数据分析的概念 22
2.1.2 数据分析与机器学习的关系 22
2.1.3 数据分析的目的和作用 23
2.1.4 数据分析流程 24
2.2 数据分析指标体系 25
2.2.1 数据指标的定义 25
2.2.2 数据分析指标体系的建立 25
2.2.3 数据分析指标体系的应用 27
2.3 数据分析方法 28
2.3.1 比较分析法 28
2.3.2 分组分析法 29
2.3.3 结构分析法 29
2.3.4 矩阵分析法 29
2.3.5 漏斗图分析法 29
2.3.6 综合评价分析法 30
2.4 数据分析报告 30
2.4.1 数据分析报告的类型 31
2.4.2 数据分析报告的基本组成 31
2.4.3 完成数据分析报告的建议 31
2.4.4 数据分析报告示例 32
2.5 数据对象的相似性度量 33
2.5.1 数据对象之间的相异性 34
2.5.2 数值属性对象的相似性度量 34
2.5.3 二元属性的相似性度量 36
2.5.4 余弦相似度 37
本章小结 38
习题 38

第3章 数据可视化
3.1 数据可视化概述 40
3.1.1 数据可视化的概念 40
3.1.2 数据可视化的目的和作用 40
3.1.3 数据可视化的分类 40
3.2 数据可视化流程与基础图表 41
3.2.1 数据可视化的流程 41
3.2.2 数据可视化的基础图表 43
3.2.3 数据可视化图表类型的选择 48
3.3 Python数据可视化方法 49
3.3.1 Matplotlib绘制图表 49
3.3.2 Seaborn绘制图表 50
3.3.3 Plotly绘制交互式图表 51
3.3.4 Bokeh绘制交互式网页图表 52
3.3.5 Pygal绘制矢量图 52
3.3.6 NetworkX绘制网络图 53
3.3.7 wordcloud绘制词云 54
本章小结 55
习题 55

第4章 分类分析与可视化
4.1 分类概述 57
4.1.1 分类的基本概念 57
4.1.2 分类的一般流程 57
4.1.3 常用分类方法 58
4.2 决策树分类 59
4.2.1 决策树简介 59
4.2.2 决策树的构建 59
4.2.3 特征选择标准 60
4.2.4 ID3算法 61
4.2.5 ID3算法的实现 62
4.2.6 C4.5算法 65
4.2.7 CART算法 66
4.2.8 决策树模型及其可视化 67
4.3 逻辑斯谛回归 70
4.3.1 逻辑斯谛回归的原理 70
4.3.2 逻辑斯谛回归的代码实现 71
4.3.3 逻辑斯谛回归实现乳腺癌预测 73
4.4 k近邻算法 74
4.4.1 k近邻算法的原理 74
4.4.2 k近邻算法的实现 75
4.4.3 k近邻实现手写数字识别 76
4.5 综合案例：鸢尾花分类分析与可视化 77
4.5.1 案例需求 77
4.5.2 数据准备 78
4.5.3 分类分析与可视化 81
本章小结 82
习题 83

第5章 回归分析与可视化
5.1 回归分析概述 85
5.1.1 回归分析的定义与分类 85
5.1.2 回归分析的流程 85
5.2 线性回归 86
5.2.1 一元线性回归 86
5.2.2 多元线性回归 88
5.2.3 线性回归的Python实现 90
5.3 非线性回归 92
5.3.1 非线性回归简介 92
5.3.2 多项式回归的原理 94
5.3.3 多项式回归的实现 95
5.3.4 应用举例 96
5.4 支持向量回归 97
5.4.1 支持向量回归简介 98
5.4.2 支持向量回归的原理 98
5.4.3 支持向量回归的实现 99
5.4.4 应用举例 101
5.5 综合案例：波士顿房价预测分析与可视化 102
5.5.1 案例需求 102
5.5.2 数据准备 103
5.5.3 回归分析与可视化 106
本章小结 110
习题 110

第6章 聚类分析与可视化
6.1 聚类概述 113
6.1.1 聚类的基本概念 113
6.1.2 聚类与分类的区别 113
6.1.3 聚类的一般流程 114
6.1.4 常用聚类方法 115
6.2 k均值聚类算法 117
6.2.1 k均值聚类算法简介 117
6.2.2 k均值聚类算法的原理 117
6.2.3 k均值聚类算法的实现 118
6.3 BIRCH算法 120
6.3.1 BIRCH算法简介 120
6.3.2 BIRCH算法的原理 120
6.3.3 BIRCH算法的实现 121
6.4 DBSCAN算法 124
6.4.1 DBSCAN算法简介 124
6.4.2 DBSCAN算法的原理 125
6.4.3 DBSCAN算法的实现 126
6.5 综合案例：信用评分数据分析与可视化 129
6.5.1 案例需求 129
6.5.2 数据准备 130
6.5.3 聚类分析与可视化 133
本章小结 137
习题 137

第7章 关联规则分析与可视化
7.1 关联规则分析概述 141
7.1.1 关联规则分析的相关概念 141
7.1.2 关联规则分析的应用领域 144
7.2 Apriori算法 145
7.2.1 Apriori算法简介 145
7.2.2 Apriori算法的原理 145
7.2.3 Apriori算法的实现 147
7.3 FP-Growth算法 151
7.3.1 FP-Growth算法简介 152
7.3.2 FP-Growth算法的原理 152
7.3.3 FP-Growth算法的实现 156
7.4 综合案例：购物篮数据集关联规则分析与可视化 160
7.4.1 案例需求 160
7.4.2 数据准备 160
7.4.3 关联规则分析与可视化 161
本章小结 166
习题 166

第8章 时序数据分析与可视化
8.1 时序数据概述 169
8.1.1 时序数据的基本概念 169
8.1.2 时序数据分析的一般流程 169
8.1.3 时序数据分析的常用方法 170
8.2 AR模型、MA模型和ARMA模型 172
8.2.1 AR模型 172
8.2.2 MA模型 173
8.2.3 ARMA模型 173
8.2.4 应用举例 174
8.3 ARIMA模型 178
8.3.1 ARIMA模型简介 178
8.3.2 ARIMA模型的原理 178
8.3.3 ARIMA模型的实现 179
8.4 综合案例：股票收盘价分析与可视化 182
8.4.1 案例需求 182
8.4.2 数据准备 183
8.4.3 时序数据分析与可视化 185
本章小结 188
习题 188

第9章 文本数据分析与可视化
9.1 文本数据概述 191
9.1.1 文本数据的来源 191
9.1.2 文本数据的特点 192
9.1.3 文本数据的获取与处理 193
9.2 文本情感分析 193
9.2.1 文本情感分析方法简介 194
9.2.2 文本情感分析的基本原理 194
9.2.3 文本情感分析的代码实现 197
9.2.4 应用举例 200
9.3 文本相似度分析 202
9.3.1 文本相似度分析方法简介 203
9.3.2 文本相似度分析的基本原理 203
9.3.3 文本相似度分析的代码实现 204
9.3.4 应用举例 207
9.4 综合案例：商品评价分析与可视化 210
9.4.1 案例需求 210
9.4.2 数据准备 210
9.4.3 文本数据分析与可视化 211
本章小结 215
习题 215

第 10章 社交网络数据分析与可视化
10.1 社交网络数据分析概述 218
10.1.1 社交网络数据简介 218
10.1.2 社交网络数据分析的一般流程 219
10.1.3 常用社交网络数据分析方法 220
10.2 BERT模型 223
10.2.1 BERT模型简介 223
10.2.2 BERT模型的原理 224
10.2.3 BERT模型的实现 224
10.3 BiLSTM模型 225
10.3.1 BiLSTM模型简介 226
10.3.2 BiLSTM模型的原理 226
10.3.3 BiLSTM模型的实现 227
10.4 综合案例：手机评论文本情感分析与可视化 228
10.4.1 案例需求 229
10.4.2 数据准备 229
10.4.3 评论文本情感分析与可视化 233
本章小结 240
习题 240
参考文献 242