Python数据处理与挖掘-图书-人邮教育社区

特别说明

## 本书的主要目标是使读者能够使用 Python 编程语言分析数据，并且能够设计和应用模型以在数据中提取知识，进而对其进行可视化处理。
## 任务驱动的知识学习过程可以很好地保证该目标的实现。因此，本书制定了数据挖掘任务，如探索一个地区最近房价波动的规律、天气变化的规律、当前大众关心和讨论的热点话题等。完成此类任务，通常须进行以下 3 个步骤：数据准备、数据模型构建、数据可视化。此过程即可提升学生的实践能力，加固学生对理论知识的深入理解。

内容摘要

## 本书以构建完整的知识体系为目标，按照从简单到复杂的思路，贯穿了数据处理与挖掘的各个环节，具体包括：Python快速入门、Python数据类型、Python常用模块、Python数据获取、Python数据挖掘基础、Python数据挖掘算法、Python大数据挖掘和Python数据可视化。此外，针对各知识点，本书均设计了相应的Python案例，并给出了实现代码、效果图以及相应的解释，以强化读者对各知识点的理解与掌握。
## 本书可作为高等院校人工智能、计算机科学与技术、经济与金融等专业的教材，也可供大数据分析与处理等领域的技术人员学习使用，还可作为数据分析与挖掘研究人员的参考用书。

前言

本书共 8 章。
第 1 章“Python 快速入门”，面向尚未了解 Python 的读者，旨在使他们快速熟悉 Python 编程语言的特性，最重要的是使他们能够搭建Python 开发环境，并能编写简单的输入/输出程序。
第 2 章“Python 数据类型”，在第 1 章的基础上增加了 Python 编程语言的基础语法，包括变量、表达式、逻辑控制语句、函数等；此外，还详细介绍了 Python 中与数据处理和挖掘密切相关的高级数据结构，如列表、元组、字典和集合等；最后，通过一个传感器数据分析案例介绍了数据分析过程，希望读者学习本章后可以通过 Python 完成简单的数据分析任务。
第 3 章“Python 常用模块”，介绍了通过自定义模块提升代码重用效率的方法，重点讲解了 3 个重要的第三方库（NumPy、Scipy 和Pandas）的使用方法。
第 4 章“Python 数据获取”，旨在使读者能够在 Python 环境下独立设计爬虫软件，并能在互联网上获取数据，具体介绍了以下内容：超文本传输协议（HyperText Transfer Protocol，HTTP），超文本标记语言（HyperText Markup Language，HTML），使用 Python 设计爬虫软件的方法，URLLib、Requests、Selenium 等库的使用方法，以及多线程技术及其在 Python 网络爬虫中的应用。
第 5 章“Python 数据挖掘基础”，介绍了数据挖掘的术语和流程，重点讲解了 Python 中的常用库（NLTK 和 Sklearn）及其在数据预处理、数据创建、数据挖掘模型构建过程中的常用方法。
第 6 章“Python 数据挖掘算法”，针对分类和聚类这两类数据挖掘中的基本问题，总结了相关的算法与模型，介绍了实现两个基本算法（朴素贝叶斯分类算法和 K-means 聚类算法）的全过程。
第 7 章“Python 大数据挖掘”，基于神经网络介绍了深度学习方法，详细讲解了卷积神经网络和长短期记忆网络模型，并介绍了常用的深度学习框架；最后介绍了一个应用卷积神经网络识别蔬菜的案例。
第 8 章“Python 数据可视化”，讲解了最为常用的可视化库（Matplotlib），在此基础上，介绍了两个效果被改进以后的库（Seaborn和Plotnine）的使用方法，并讲解了如何可视化一个地区的房价数据。

详情页

第1章 Python快速入门 1
1.1 一种简单的编程语言 2
1.1.1 Python--解释型编程语言 2
1.1.2 Python应用 3
1.2 Python开发环境 4
1.2.1 搭建简单的Python开发环境 4
1.2.2 功能强大的集成开发环境 6
1.2.3 交互式开发环境 6
1.3 Python中简单的程序结构 8
1.3.1 文件是代码的基本组成单元 8
1.3.2 模块化地组织代码 8
1.3.3 代码缩进区分逻辑关系 10
1.3.4 输入和输出提升程序交互性 10
1.3.5 常见的Python解释器 11
1.4 习题 12

第2章 Python数据类型 13
2.1 数据类型是数据表示的基础 14
2.1.1 Python中一切皆对象 14
2.1.2 数字类型 14
2.1.3 布尔类型 15
2.1.4 字符串类型 15
2.1.5 自定义数据类型 16
2.1.6 变量 17
2.2 语句组成逻辑结构 18
2.2.1 运算符和表达式 19
2.2.2 语句 20
2.3 控制程序的执行 21
2.3.1 顺序结构 21
2.3.2 分支结构 21
2.3.3 循环结构 22
2.4 有效存储数据 24
2.4.1 列表 25
2.4.2 元组 27
2.4.3 字典 28
2.4.4 集合 29
2.4.5 特殊运算符 30
2.5 函数实现代码复用 31
2.5.1 自定义函数 31
2.5.2 内置函数 32
2.5.3 字符串处理函数 33
2.5.4 函数式编程 33
2.6 存储数据 35
2.6.1 文件操作 36
2.6.2 JSON和XML 36
2.7 案例：传感器数据分析 40
2.8 习题 42

第3章 Python常用模块 43
3.1 模块的概念 44
3.2 自定义模块 46
3.3 正则表达式模块 46
3.4 NumPy和SciPy模块 50
3.4.1 NumPy 51
3.4.2 SciPy 59
3.5 Pandas库 61
3.6 习题 71

第4章 Python数据获取 73
4.1 Web的客户端/服务器工作模式 74
4.1.1 Web数据传输协议 75
4.1.2 Web页面标记语言 78
4.1.3 Web样式设计 81
4.2 Python设计爬虫软件 84
4.2.1 页面请求库URLLib 84
4.2.2 增强的网络请求库Requests 88
4.2.3 页面内容解析库BeautifulSoup 91
4.2.4 案例：在互联网上获取电影评论数据 95
4.2.5 浏览器中模拟点击的Selenium库 97
4.3 多线程提升数据获取的效率 103
4.3.1 多线程的使用方法 104
4.3.2 案例：多线程在页面数据获取中的应用 106
4.4 习题 109

第5章 Python数据挖掘基础 111
5.1 数据挖掘的基本概念 112
5.1.1 数据挖掘中常用的术语 112
5.1.2 数据挖掘的流程 113
5.2 数据集是数据挖掘的基础 115
5.2.1 各领域公开了大量的数据集 115
5.2.2 自定义数据 119
5.3 Python中常用的数据挖掘库 120
5.3.1 自然语言处理常用的NLTK库 120
5.3.2 机器学习常用的Sklearn库 125
5.4 习题 134

第6章 Python数据挖掘算法 135
6.1 数据挖掘中的分类 136
6.1.1 分类问题的基本思想 136
6.1.2 常见的分类算法 139
6.1.3 朴素贝叶斯分类算法的原理 145
6.1.4 案例：从头实现朴素贝叶斯分类算法 146
6.2 数据挖掘中的聚类 148
6.2.1 聚类的基本思想 149
6.2.2 常见的聚类算法 152
6.2.3 K-means聚类算法的原理 168
6.2.4 案例：从头实现K-means聚类算法 169
6.3 习题 171

第7章 Python大数据挖掘 173
7.1 深度学习是大数据处理的重要手段 174
7.1.1 深度学习来源于神经网络 175
7.1.2 深度学习已有大量模型 187
7.1.3 深度学习框架提升使用效率 191
7.1.4 卷积神经网络的工作原理 193
7.1.5 LSTM网络的工作原理 196
7.1.6 案例：使用卷积神经网络实现蔬菜识别系统 200
7.2 习题 204

第8章 Python数据可视化 207
8.1 可视化技术自然地展现数据规律 208
8.2 最为常用的Matplotlib库 208
8.2.1 使用Matplotlib库绘制各种图形 211
8.2.2 Pandas库中直接绘图 216
8.3 Seaborn库增强绘图效果 219
8.4 Plotnine库弥补可视化不足 225
8.5 案例：房价数据采集及可视化 228
8.6 习题 231

参考文献 232