掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>
PYTHON數(shù)據(jù)分析與可視化案例實(shí)戰(zhàn)(項(xiàng)目實(shí)戰(zhàn)·源碼解讀·微課視頻版)
包郵 PYTHON數(shù)據(jù)分析與可視化案例實(shí)戰(zhàn)(項(xiàng)目實(shí)戰(zhàn)·源碼解讀·微課視頻版)
開本：
其他
頁數(shù)：
296
本類五星書更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥59.5
加入購(gòu)物車
PYTHON數(shù)據(jù)分析與可視化案例實(shí)戰(zhàn)(項(xiàng)目實(shí)戰(zhàn)·源碼解讀·微課視頻版) 版權(quán)信息
- ISBN：9787302627685
- 條形碼：9787302627685 ; 978-7-302-62768-5
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
PYTHON數(shù)據(jù)分析與可視化案例實(shí)戰(zhàn)(項(xiàng)目實(shí)戰(zhàn)·源碼解讀·微課視頻版) 本書特色
本書以案例為驅(qū)動(dòng)，由淺入深地介紹Python數(shù)據(jù)分析與可視化涉及的內(nèi)容，實(shí)用性很強(qiáng)。
PYTHON數(shù)據(jù)分析與可視化案例實(shí)戰(zhàn)(項(xiàng)目實(shí)戰(zhàn)·源碼解讀·微課視頻版) 內(nèi)容簡(jiǎn)介
使用Python進(jìn)行數(shù)據(jù)分析與可視化十分便利且高效，因此Python被認(rèn)為是***的數(shù)據(jù)分析工具之一。本書以22個(gè)案例，由淺入深地介紹不同數(shù)據(jù)分析與可視化的應(yīng)用和實(shí)現(xiàn)。僅通過這些案例并不能展示數(shù)據(jù)分析與可視化的全部精髓，而更多的應(yīng)用也值得讀者在學(xué)到一定的基礎(chǔ)技能后進(jìn)一步探索。 本書面向高等院校計(jì)算機(jī)科學(xué)、軟件工程、大數(shù)據(jù)、人工智能等相關(guān)專業(yè)的師生，以及Python語言初學(xué)者和數(shù)據(jù)分析從業(yè)人士。
PYTHON數(shù)據(jù)分析與可視化案例實(shí)戰(zhàn)(項(xiàng)目實(shí)戰(zhàn)·源碼解讀·微課視頻版) 目錄
第1章Python數(shù)據(jù)分析與可視化概述
1.1從MATLAB到Python
1.2NumPy
1.3Pandas
1.4Matplotlib
1.5SciPy與SymPy
第2章新生數(shù)據(jù)分析與可視化
2.1使用Pandas對(duì)數(shù)據(jù)預(yù)處理
2.2使用Matplotlib庫(kù)畫圖
2.3使用Pandas進(jìn)行繪圖
第3章Python表格處理分析
3.1背景介紹
3.2前期準(zhǔn)備與基本操作
3.2.1基本術(shù)語概念說明
3.2.2安裝openpyxl并創(chuàng)建一個(gè)工作簿
3.2.3從Excel工作簿中讀取數(shù)據(jù)
3.2.4迭代訪問數(shù)據(jù)
3.2.5插入數(shù)據(jù)
3.3進(jìn)階內(nèi)容
3.3.1為Excel表單添加公式
3.3.2為表單添加條件格式
3.3.3為Excel表單添加圖表
3.4數(shù)據(jù)分析實(shí)例
3.4.1背景與前期準(zhǔn)備
3.4.2使用openpyxl讀取數(shù)據(jù)并轉(zhuǎn)為DataFrame
3.4.3繪制數(shù)值列直方圖
3.4.4繪制相關(guān)性矩陣
3.4.5繪制散布矩陣
3.4.6將可視化結(jié)果插入Excel表格
第4章美國(guó)加利福尼亞州房?jī)r(jià)預(yù)測(cè)的數(shù)據(jù)分析
4.1數(shù)據(jù)的讀入和初步分析
4.1.1數(shù)據(jù)讀入
4.1.2分割測(cè)試集與訓(xùn)練集
4.1.3數(shù)據(jù)的初步分析
4.2數(shù)據(jù)的預(yù)處理
4.2.1拆分?jǐn)?shù)據(jù)
4.2.2空白值的填充
4.2.3數(shù)據(jù)標(biāo)準(zhǔn)化
4.2.4數(shù)據(jù)的流程化處理
4.3模型的構(gòu)建
4.3.1查看不同模型的表現(xiàn)
4.3.2選擇效果*好的模型進(jìn)行預(yù)測(cè)
第5章影評(píng)數(shù)據(jù)分析與電影推薦
5.1明確目標(biāo)與準(zhǔn)備數(shù)據(jù)
5.2工具選擇
5.3初步分析
5.3.1用戶角度分析
5.3.2電影角度分析
5.4電影推薦
第6章醫(yī)療花費(fèi)預(yù)測(cè)
6.1數(shù)據(jù)讀取
6.2數(shù)據(jù)預(yù)處理
6.2.1字符串類型的轉(zhuǎn)換
6.2.2數(shù)據(jù)的分布和映射
6.3數(shù)據(jù)分析
6.3.1協(xié)方差矩陣和熱力圖
6.3.2DBSCAN聚類算法
6.3.3支持向量機(jī)分類算法
6.4線性回歸
6.5結(jié)果預(yù)測(cè)
6.6結(jié)果分析
第7章用戶消費(fèi)行為分析
7.1RFM模型簡(jiǎn)介
7.2數(shù)據(jù)讀入
7.3數(shù)據(jù)清洗和預(yù)處理
7.3.1數(shù)據(jù)清洗
7.3.2數(shù)據(jù)預(yù)處理
7.4RFM統(tǒng)計(jì)量計(jì)算
7.5RFM歸類
7.6結(jié)果保存
7.7可視化結(jié)果
第8章用戶流失預(yù)警
8.1讀入數(shù)據(jù)
8.2數(shù)據(jù)預(yù)處理和自變量標(biāo)準(zhǔn)化
8.3五折交叉驗(yàn)證
8.4代入三種模型
8.5調(diào)整prob閾值，輸出精度評(píng)估
第9章在Kaggle上預(yù)測(cè)房?jī)r(jià)
9.1讀取數(shù)據(jù)集
9.2預(yù)處理數(shù)據(jù)集
9.3訓(xùn)練模型
9.4k折交叉驗(yàn)證
9.5模型選擇和調(diào)整
9.6在Kaggle上提交預(yù)測(cè)結(jié)果
第10章世界杯
10.1數(shù)據(jù)說明
10.2世界杯觀眾
10.3世界杯冠軍
10.4世界杯參賽隊(duì)伍與比賽
10.5世界杯進(jìn)球
第11章股價(jià)預(yù)測(cè)
11.1使用Tsfresh進(jìn)行升維和特征工程
11.2程序設(shè)計(jì)思路
11.3程序設(shè)計(jì)步驟
11.3.1讀入并分析數(shù)據(jù)
11.3.2移窗
11.3.3升維
11.3.4方差過濾
11.3.5使用AdaBoostRegressor模型進(jìn)行回歸預(yù)測(cè)
11.3.6預(yù)測(cè)結(jié)果分析
第12章基于上下文感知的多模態(tài)交通推薦
12.1案例目標(biāo)
12.2數(shù)據(jù)說明
12.2.1查詢記錄
12.2.2顯示記錄
12.2.3點(diǎn)擊記錄
12.2.4用戶記錄
12.3解決方案
12.3.1導(dǎo)入工具包和數(shù)據(jù)
12.3.2特征導(dǎo)入和數(shù)據(jù)處理
12.3.3模型訓(xùn)練與結(jié)果保存
第13章美國(guó)波士頓房?jī)r(jià)預(yù)測(cè)
13.1背景介紹
13.2數(shù)據(jù)清洗
13.3數(shù)據(jù)分析
13.4分析結(jié)果
第14章機(jī)器人*優(yōu)路徑走迷宮
14.1關(guān)鍵技術(shù)
14.1.1馬爾可夫決策過程
14.1.2Bellman方程
14.2程序設(shè)計(jì)步驟
14.2.1初始化迷宮地圖
14.2.2計(jì)算不同位置的*優(yōu)路徑
第15章基于Kmeans算法的鳶尾花數(shù)據(jù)聚類和可視化
15.1數(shù)據(jù)及工具簡(jiǎn)介
15.1.1Iris數(shù)據(jù)集(鳶尾花數(shù)據(jù)集)
15.1.2Tkinter
15.2案例分析
15.2.1模塊引入
15.2.2布局圖形界面
15.2.3讀取數(shù)據(jù)文件
15.2.4聚類
15.2.5聚類結(jié)果可視化
15.2.6誤差分析及其可視化
15.2.7使用流程
第16章利用手機(jī)的購(gòu)物評(píng)論分析手機(jī)特征
16.1數(shù)據(jù)準(zhǔn)備
16.2數(shù)據(jù)分析
16.2.1模型介紹
16.2.2算法應(yīng)用
16.2.3名詞提取
16.2.4情感分析
第17章菜譜分析
17.1數(shù)據(jù)集介紹
17.2數(shù)據(jù)觀察
17.2.1數(shù)據(jù)讀入
17.2.2分布統(tǒng)計(jì)
17.3數(shù)據(jù)預(yù)處理
17.3.1英文單詞標(biāo)準(zhǔn)化
17.3.2數(shù)據(jù)向量化
17.4模型構(gòu)建
第18章基于回歸問題和XGBoost模型的房?jī)r(jià)預(yù)測(cè)
18.1XGBoost模型介紹
18.2技術(shù)方案
18.2.1數(shù)據(jù)分析
18.2.2XGBoost模型參數(shù)
18.2.3調(diào)參過程
18.3完整代碼及結(jié)果展示
第19章基于VGG19和TensorBoard的圖像分類和數(shù)據(jù)可視化
19.1背景概念介紹
19.1.1VGG19模型
19.1.2TensorBoard
19.1.3CIFAR10數(shù)據(jù)集
19.2網(wǎng)絡(luò)搭建與TensorBoard可視化實(shí)戰(zhàn)
19.2.1網(wǎng)絡(luò)搭建
19.2.2準(zhǔn)備數(shù)據(jù)并構(gòu)建網(wǎng)絡(luò)實(shí)例
19.2.3TensorBoard訓(xùn)練過程可視化
第20章基于Elasticsearch實(shí)現(xiàn)附近小區(qū)信息搜索
20.1Elasticsearch的簡(jiǎn)介與安裝
20.1.1Elasticsearch的簡(jiǎn)介
20.1.2Elasticsearch的安裝
20.2數(shù)據(jù)準(zhǔn)備
20.2.1網(wǎng)頁分析與信息提取
20.2.2獲取經(jīng)緯度
20.2.3數(shù)據(jù)格式轉(zhuǎn)換
20.3Python實(shí)現(xiàn)Elasticsearch基礎(chǔ)操作
20.3.1創(chuàng)建索引和插入數(shù)據(jù)
20.3.2查詢數(shù)據(jù)和數(shù)據(jù)類型
20.3.3刪除相關(guān)操作
20.3.4檢索功能
20.4房?jī)r(jià)地理位置坐標(biāo)搜索實(shí)現(xiàn)
第21章汽車貸款違約的數(shù)據(jù)分析
21.1數(shù)據(jù)樣本分析
21.1.1數(shù)據(jù)樣本概述
21.1.2變量類型分析
21.1.3Python代碼實(shí)踐
21.2數(shù)據(jù)的預(yù)處理
21.2.1目標(biāo)變量探索
21.2.2X變量初步探索
21.2.3連續(xù)變量的缺失值處理
21.2.4分類變量的缺失值處理
21.3數(shù)據(jù)分析的模型建立與評(píng)估
21.3.1數(shù)據(jù)的預(yù)處理與訓(xùn)練集劃分
21.3.2采用回歸模型進(jìn)行數(shù)據(jù)分析
21.3.3采用決策樹進(jìn)行數(shù)據(jù)分析
21.3.4采用隨機(jī)森林優(yōu)化決策樹模型
第22章基于Spark的搜索引擎日志用戶行為分析
22.1功能需求
22.1.1搜索引擎用戶行為分析的意義
22.1.2搜索引擎日志概述
22.2系統(tǒng)架構(gòu)
22.2.1用戶搜索流程
22.2.2系統(tǒng)架構(gòu)設(shè)計(jì)
22.3功能實(shí)現(xiàn)
22.3.1Spark本地運(yùn)行環(huán)境搭建
22.3.2搜索引擎日志數(shù)據(jù)獲取
22.3.3分析指標(biāo)
22.3.4Spark任務(wù)提交
第23章科比職業(yè)生涯進(jìn)球分析
23.1預(yù)處理
23.2分析科比的命中率
23.3分析科比的投籃習(xí)慣
附錄APyTorch環(huán)境搭建
A.1Linux平臺(tái)下PyTorch環(huán)境搭建
A.2Windows平臺(tái)下PyTorch環(huán)境搭建
參考文獻(xiàn)
參考文獻(xiàn)
展開全部
書友推薦
- >
上帝之肋:男人的真實(shí)旅程
- >
羅庸西南聯(lián)大授課錄
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
煙與鏡
- >
二體千字文
- >
小考拉的故事-套裝共3冊(cè)
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
月亮與六便士
本類暢銷
