大数据技术丛书：Python/Hadoop数据分析与挖掘实战（套装共2册） pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

张良均，王路，谭立云，苏剑林 等 著

出版社： 机械工业出版社

ISBN：12170770

版次：1

商品编码：12170770

品牌：机工出版

包装：平装

丛书名： 大数据技术丛书

开本：16开

出版时间：2017-04-01

用纸：胶版纸

页数：625

套装数量：2

正文语种：中文

内容简介

　　《Python数据分析与挖掘实战》：
　　10余位数据挖掘领域专家和科研人员，10余年大数据挖掘咨询与实施经验结晶。从数据挖掘的应用出发，以电力、航空、医疗、互联网、生产制造以及公共服务等行业真实案例为主线，深入浅出介绍Python数据挖掘建模过程，实践性极强。
　　张良均、王路、谭立云、苏剑林、云伟标等著的《Python数据分析与挖掘实战》共15章，分两个部分：基础篇、实战篇。基础篇介绍了数据挖掘的基本原理，实战篇介绍了一个个真实案例，通过对案例深入浅出的剖析，使读者在不知不觉中通过案例实践获得数据挖掘项目经验，同时快速领悟看似难懂的数据挖掘理论。读者在阅读过程中，应充分利用随书配套的案例建模数据，借助相关的数据挖掘建模工具，通过上机实验，以快速理解相关知识与理论。
　　基础篇（第1～5章），第1章的主要内容是数据挖掘概述；第2章对《Python数据分析与挖掘实战》所用到的数据挖掘建模工具Python语言进行了简明扼要的说明；第3章、第4章、第5章对数据挖掘的建模过程，包括数据探索、数据预处理及挖掘建模的常用算法与原理进行了介绍。
　　实战篇（第6～15章），重点对数据挖掘技术在电力、航空、医疗、互联网、生产制造以及公共服务等行业的应用进行了分析。在案例结构组织上，《Python数据分析与挖掘实战》是按照先介绍案例背景与挖掘目标，再阐述分析方法与过程，最后完成模型构建的顺序进行的，在建模过程的关键环节，穿插程序实现代码。最后通过上机实践，加深读者对数据挖掘技术在案例应用中的理解。
　　
　　《Hadoop大数据分析与挖掘实战》：
　　10多位技术专家结合自己10多年的经验，以电信、航空、医疗等多个行业的实战案例为主线，深入浅出地讲解了如何基于Hado叩架构技术进行大数据挖掘建模、数据分析和二次开发。
　　张良均、樊哲、赵云龙、李成华、刘丽君等《Hadoop大数据分析与挖掘实战》编著共16章，分三个部分：基础篇、实战篇、高级篇。
　　基础篇（第l～6章），第1章的主要内容是数据挖掘概述、大数据餐饮行业应用；第2章针对大数据理论知识进行基础讲解，简明扼要地对Hadoop安装、原理等做了介绍；第3章介绍了大数据仓库Hive的安装、原理等内容；第4章介绍了大数据数据库HBase的安装、原理等内容；第5章介绍了几种大数据挖掘建模平台，同时重点介绍了《Hadoop大数据分析与挖掘实战》使用的开源TipDM—HB大数据挖掘平台；第6章对数据挖掘的建模过程，各种挖掘建模的常用算法与原理及其在大数据挖掘算法库Mahout的实现原理进行了介绍。
　　实战篇（第7～14章），重点对大数据挖掘技术在法律咨询、电子商务、航空、移动通信、互联网、生产制造以及公共服务等行业的应用进行了分析。在案例结构组织上，《Hadoop大数据分析与挖掘实战》是按照先介绍案例背景与挖掘目标，再阐述大数据时代针对大数据的分析方法与过程，最后完成模型构建的顺序进行，对建模过程等关键环节进行了详细的分析。最后通过上机实践，加深对大数据挖掘技术以及分析流程的认识。
　　高级篇（第15～16章），介绍了基于Hadoop大数据开发的相关技术以及开发步骤，同时使用实例来展示这些步骤，使读者可以自己动手实践，亲自体会开发的乐趣；同时，还介绍了基于TipDM—HB大数据挖掘平台的二次开发实例，借助TipDM—HB大数据挖掘平台二次开发工具，可以更加怏捷、高效地完成相关大数据应用的二次开发，降低开发难度，使读者更方便地体会到大数据分析与挖掘的强大魅力。
　　图书配套提供原始样本数据文件、相关代码及教学用PPT等。

内页插图

目录

《Python数据分析与挖掘实战》：
前言
基础篇
第1章 数据挖掘基础
1．1 某知名连锁餐饮企业的困惑
1．2 从餐饮服务到数据挖掘
1．3 数据挖掘的基本任务
1．4 数据挖掘建模过程
1．4．1 定义挖掘目标
1．4．2 数据取样
1．4．3 数据探索
1．4．4 数据预处理
1．4．5 挖掘建模
1．4．6 模型评价
1．5 常用的数据挖掘建模工具
1．6 小结
第2章 Python数据分析简介
2．1 搭建Python开发平台
2．1．1 所要考虑的问题
2．1．2 基础平台的搭建
2．2 Python使用入门
2．2．1 运行方式
2．2．2 基本命令
2．2．3 数据结构
2．2．4 库的导入与添加
2．3 Python数据分析工具
2．3．1 Numpy
2．3．2 Scipy
2．3．3 Matplotlib
2．3．4 Pandas
2．3．5 StatsModels
2．3．6 Scikit-Learn
2．3．7 Keras
2．3．8 Gensim
2．4 配套资源使用设置
2．5 小结
第3章 数据探索
3．1 数据质量分析
3．1．1 缺失值分析
3．1．2 异常值分析
3．1．3 一致性分析
3．2 数据特征分析
3．2．1 分布分析
3．2．2 对比分析
3．2．3 统计量分析
3．2．4 周期性分析
3．2．5 贡献度分析
3．2．6 相关性分析
3．3 Python主要数据探索函数
3．3．1 基本统计特征函数
3．3．2 拓展统计特征函数
3．3．3 统计作图函数
3．4 小结
第4章 数据预处理
4．1 数据清洗
4．1．1 缺失值处理
4．1．2 异常值处理
4．2 数据集成
4．2．1 实体识别
4．2．2 冗余属性识别
4．3 数据变换
4．3．1 简单函数变换
4．3．2 规范化
4．3．3 连续属性离散化
4．3．4 属性构造
4．3．5 小波变换
4．4 数据规约
4．4．1 属性规约
4．4．2 数值规约
4．5 Python主要数据预处理函数
4．6 小结
第5章 挖掘建模
5．1 分类与预测
5．1．1 实现过程
5．1．2 常用的分类与预测算法
5．1．3 回归分析
5．1．4 决策树
5．1．5 人工神经网络
5．1．6 分类与预测算法评价
5．1．7 Python分类预测模型特点
5．2 聚类分析
5．2．1 常用聚类分析算法
5．2．2 K-Means聚类算法
5．2．3 聚类分析算法评价
5．2．4 Python主要聚类分析算法
5．3 关联规则
5．3．1 常用关联规则算法
5．3．2 Apriori算法
5．4 时序模式
5．4．1 时间序列算法
5．4．2 时间序列的预处理
5．4．3 平稳时间序列分析
5．4．4 非平稳时间序列分析
5．4．5 Python主要时序模式算法
5．5 离群点检测
5．5．1 离群点检测方法
5．5．2 基于模型的离群点检测方法
5．5．3 基于聚类的离群点检测方法
5．6 小结

实战篇
第6章 电力窃漏电用户自动识别
6．1 背景与挖掘目标
6．2 分析方法与过程
6．2．1 数据抽取
6．2．2 数据探索分析
6．2．3 数据预处理
6．2．4 构建专家样本
6．2．5 模型构建
6．3 上机实验
6．4 拓展思考
6．5 小结
第7章 航空公司客户价值分析
7．1 背景与挖掘目标
7．2 分析方法与过程
7．2．1 数据抽取
7．2．2 数据探索分析
7．2．3 数据预处理
7．2．4 模型构建
7．3 上机实验
7．4 拓展思考
7．5 小结
第8章 中医证型关联规则挖掘
8．1 背景与挖掘目标
8．2 分析方法与过程
8．2．1 数据获取
8．2．2 数据预处理
8．2．3 模型构建
8．3 上机实验
8．4 拓展思考
8．5 小结
第9章 基于水色图像的水质评价
9．1 背景与挖掘目标
9．2 分析方法与过程
9．2．1 数据预处理
9．2．2 模型构建
9．2．3 水质评价
9．3 上机实验
9．4 拓展思考
9．5 小结
第10章 家用电器用户行为分析与事件识别
10．1 背景与挖掘目标
10．2 分析方法与过程
10．2．1 数据抽取
10．2．2 数据探索分析
10．2．3 数据预处理
10．2．4 模型构建
10．2．5 模型检验
10．3 上机实验
10．4 拓展思考
10．5 小结
第11章 应用系统负载分析与磁盘容量预测
11．1 背景与挖掘目标
11．2 分析方法与过程
11．2．1 数据抽取
11．2．2 数据探索分析
11．2．3 数据预处理
11．2．4 模型构建
11．3 上机实验
11．4 拓展思考
11．5 小结
第12章 电子商务网站用户行为分析及服务推荐
12．1 背景与挖掘目标
12．2 分析方法与过程
12．2．1 数据抽取
12．2．2 数据探索分析
12．2．3 数据预处理
12．2．4 模型构建
12．3 上机实验
12．4 拓展思考
12．5 小结
第13章 财政收入影响因素分析及预测模型
13．1 背景与挖掘目标
13．2 分析方法与过程
13．2．1 灰色预测与神经网络的组合模型
13．2．2 数据探索分析
13．2．3 模型构建
13．3 上机实验
13．4 拓展思考
13．5 小结
第14章 基于基站定位数据的商圈分析
14．1 背景与挖掘目标
14．2 分析方法与过程
14．2．1 数据抽取
14．2．2 数据探索分析
14．2．3 数据预处理
14．2．4 模型构建
14．3 上机实验
14．4 拓展思考
14．5 小结
第15章 电商产品评论数据情感分析
15．1 背景与挖掘目标
15．2 分析方法与过程
15．2．1 评论数据采集
15．2．2 评论预处理
15．2．3 文本评论分词
15．2．4 模型构建
15．3 上机实验
15．4 拓展思考
15．5 小结

参考文献

《Hadoop大数据分析与挖掘实战》：
前言
基础篇
第1章 数据挖掘基础
1．1 某知名连锁餐饮企业的困惑
1．2 从餐饮服务到数据挖掘
1．3 数据挖掘的基本任务
1．4 数据挖掘建模过程
1．4．1 定义挖掘目标
1．4．2 数据取样
1．4．3 数据探索
1．4．4 数据预处理
1．4．5 挖掘建模
1．4．6 模型评价
1．5 餐饮服务中的大数据应用
1．6 小结
第2章 Hadoop基础
2．1 概述
2．1．1 Hadoop简介
2．1．2 Hadoop生态系统
2．2 安装与配置
2．3 Hadoop原理
2．3．1 Hadoop HDFS原理
2．3．2 Hadoop MapReduce原理
2．3．3 Hadoop YARN原理
2．4 动手实践
2．5 小结
第3章 Hadoop生态系统：
3．1 概述
3．1．1 Hive简介
3．1．2 Hive安装与配置
3．2 Hive原理
3．2．1 Hive架构
3．2．2 Hive的数据模型
3．3 动手实践
3．4 小结
第4章 Hadoop生态系统：
4．1 概述
4．1．1 HBase简介
4．1．2 HBase安装与配置
4．2 HBase原理
4．2．1 HBase架构
4．2．2 HBase与
4．2．3 HBase访问接口
4．2．4 HBase数据模型
4．3 动手实践
4．4 小结
第5章 大数据挖掘建模平台
5．1 常用的大数据平台
5．2 TipDM-HB大数据挖掘建模平台
5．2．1 TipDM-HB大数据挖掘建模平台的功能
5．2．2 TipDM-HB大数据挖掘建模平台操作流程及实例
5．2．3 TipDM-HB大数据挖掘建模平台的特点
5．3 小结
第6章 挖掘建模
6．1 分类与预测
6．1．1 实现过程
6．1．2 常用的分类与预测算法
6．1．3 决策树
6．1．4 Mahout中Random Forests算法的实现原理
6．1．5 动手实践
6．2 聚类分析
6．2．1 常用聚类分析算法
6．2．2 K-Means聚类算法
6．2．3 Mahout中K-Means算法的实现原理
6．2．4 动手实践
6．3 关联规则
6．3．1 常用的关联规则算法
6．3．2 FP-Growth关联规则算法
6．3．3 Mahout中Parallel FrequentPattern Mining算法的实现原理
6．3．4 动手实践
6．4 协同过滤
6．4．1 常用的协同过滤算法
6．4．2 基于项目的协同过滤算法简介
6．4．3 Mahout中ItembasedCollaborative Filtering算法的实现原理
6．4．4 动手实践
6．5 小结

实战篇
第7章 法律咨询数据分析与服务推荐
7．1 背景与挖掘目标
7．2 分析方法与过程
7．2．1 数据抽取
7．2．2 数据探索分析
7．2．3 数据预处理
7．2．4 模型构建
7．3 上机实验
7．4 拓展思考
7．5 小结
第8章 电商产品评论数据情感分析
8．1 背景与挖掘目标
8．2 分析方法与过程
8．2．1 评论数据采集
8．2．2 评论预处理
8．2．3 文本评论分词
8．2．4 构建模型
8．3 上机实验
8．4 拓展思考
8．5 小结
第9章 航空公司客户价值分析
9．1 背景与挖掘目标
9．2 分析方法与过程
9．2．1 数据抽取
9．2．2 数据探索分析
9．2．3 数据预处理
9．2．4 模型构建
9．3 上机实验
9．4 拓展思考
9．5 小结
第10章 基站定位数据商圈分析
10．1 背景与挖掘目标
10．2 分析方法与过程
10．2．1 数据抽取
10．2．2 数据探索分析
10．2．3 数据预处理
10．2．4 构建模型
10．3 上机实验
10．4 拓展思考
10．5 小结
第11章 互联网电影智能推荐
11．1 背景与挖掘目标
11．2 分析方法与过程
11．2．1 数据抽取
11．2．2 构建模型
11．3 上机实验
11．4 拓展思考
11．5 小结
第12章 家电故障备件储备预测分析
12．1 背景与挖掘目标
12．2 分析方法与过程
12．2．1 数据探索分析
12．2．2 数据预处理
12．2．3 构建模型
12．3 上机实验
12．4 拓展思考
12．5 小结
第13章 市供水混凝投药量控制分析
13．1 背景与挖掘目标
13．2 分析方法与过程
13．2．1 数据抽取
13．2．2 数据探索分析
13．2．3 数据预处理
13．2．4 构建模型
13．3 上机实验
13．4 拓展思考
13．5 小结
第14章 基于图像处理的车辆压双黄线检测
14．1 背景与挖掘目标
14．2 分析方法与过程
14．2．1 数据抽取
14．2．2 数据探索分析
14．2．3 数据预处理
14．2．4 构建模型
14．3 上机实验
14．4 拓展思考
14．5 小结

高级篇
第15章 基于Mahout的大数据挖掘开发
15．1 概述
15．2 环境配置
15．3 基于Mahout算法接口的二次开发
15．3．1 Mahout算法实例
15．3．2 Mahout算法接口的二次开发示例
15．4 小结
第16章 基于TipDM-HB的数据挖掘二次开发
16．1 概述
16．1．1 TipDM-HB大数据挖掘建模平台服务接口
16．1．2 Apache CXF简介
16．2 TipDM-HB大数据挖掘建模平台服务开发实例
16．2．1 环境配置
16．2．2 开发实例
16．3 小结
参考资料

前言/序言

　　为什么要写这本书
　　Linkedln对全球超过3.3亿用户的工作经历和技能进行分析后得出，目前最炙手可热的25项技能中，数据挖掘排名第一。那么数据挖掘是什么？
　　数据挖掘是从大量数据（包括文本）中挖掘出隐含的、先前未知的、对决策有潜在价值的关系、模式和趋势，并用这些知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。数据挖掘有助于企业发现业务的趋势，揭示已知的事实，预测未知的结果，因此“数据挖掘”已成为企业保持竞争力的必要方法。
　　但跟国外相比，由于我国信息化程度不太高，企业内部信息不完整，零售业、银行、保险和证券等对数据挖掘的应用并不理想。但随着市场竞争的加剧，各行业对数据挖掘技术的需求越来越强烈，可以预计，未来几年各行业的数据分析应用一定会从传统的统计分析发展到大规模数据挖掘应用。在大数据时代，数据过剩、人才短缺，数据挖掘专业人才的培养又需要专业知识和职业经验积累。本书注重数据挖掘理论与项目案例实践相结合，可以让读者获得真实的数据挖掘学习与实践环境，更快、更好地学习数据挖掘知识与积累职业经验。
　　到刭每一个行业和业务职能领域，逐渐成为重要的生产要素，人们对于海量数据的运用预示着新一轮生产率增长和消费者盈余浪潮的到来。大数据分析技术将帮助企业用户在合理时间内攫取、管理、处理、整理海量数据，为企业经营决策提供帮助。大数据分析作为数据存储和挖掘分析的前沿技术，广泛应用于物联网、云计算和移动互联网等战略性新兴产业。虽然大数据目前在国内还处于初级阶段，但是其商业价值已经显现出来，特别是有实践经验的大数据分析人才更是各企业争夺的热门。为了满足日益增长的大数据分析人才需求，很多大学开始尝试开设不同程度的大数据分析课程。“大数据分析”作为大数据时代的核心技术，必将成为高校数学与统计学专业的重要课程之一。
　　本书特色
　　本书从实践出发，结合大量数据挖掘工程案例及教学经验，以真实案例为主线，深入浅出地介绍数据挖掘建模过程中的有关任务：数据探索、数据预处理、分类与预测、聚类分析、时序预测、关联规则挖掘、智能推荐和偏差检测等。因此，图书的编排以解决某个应用的挖掘目标为前提，先介绍案例背景提出挖掘目标，再阐述分析方法与过程，最后完成模型构建。在介绍建模过程的同时穿插操作训练，把相关的知识点嵌入相应的操作过程中。为方便读者轻松地获取真实的实验环境，本书使用目前在数据科学领域非常热门的Python语言对样本数据进行处理以进行挖掘建模。
　　根据读者对案例的理解，本书配套提供真实的原始样本数据文件，读者可以从“泰迪杯”全国大学生数据挖掘竞赛网站（http：//www.tipdm.org/ts/661.jhtml）免费下载。另外，为方便教师授课，本书还特意提供了建模阶段的过程数据文件、Python语言代码程序和PPT课件，以及基于Python、SAS、SPSSModeler等上机实验环境下的数据挖掘各阶段程序／模型及相关代码，读者可通过本书“勘误和支持”中提供的联系方式咨询获取。
　　本书适用对象
　　（1）开设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、电子信息和金融等专业开设了数据挖掘技术相关课程，但目前这一课程的教学仍然主要限于理论介绍。单纯的理论教学过于抽象，学生理解起来往往比较困难，教学效果也不甚理想。本书提供的基于实战案例和建模实践的教学，能够使教师充分发挥互动性和创造性，理论联系实际，使教师获得最佳的教学效果。
　　（2）需求分析及系统设计人员
　　需求分析及系统设计人员可以在理解数据挖掘原理与建模过程的基础上，结合数据挖掘案例完成精确营销、客户分群、交叉销售、流失分析、客户信用记分、欺诈发现和智能推荐等数据挖掘应用的需求分析和设计。
　　（3）数据挖掘开发人员
　　数据挖掘开发人员可以在理解数据挖掘应用需求和设计方案的基础上，结合本书提供的基于第三方接口快速完成数据挖掘应用的编程实现。
　　（4）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。但是，这些科研业务管理系统一般没有对数据进行深入分析，并没有对数据所隐藏的价值进行充分挖掘和利用。科研人员需要通过数据挖掘建模工具及有关方法论来深挖科研信息的价值，从而提高科研水平。

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆