-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

數據科學實戰手冊 R+Python

( 簡體 字)
作者:[美] Tony Ojeda ( 托尼·奧杰德 ) ,Sean Patrick Murphy ( 肖恩·派特里克·墨菲 ) ,Benjamin Bengfort ( 本杰明·班福特 ) ,Abhijit Dasgupta ( 阿布吉特·達斯古普塔 ) 類別:1. -> 程式設計 -> R語言
   2. -> 程式設計 -> Python
譯者:
出版社:人民郵電出版社數據科學實戰手冊 R+Python 3dWoo書號: 44764
詢問書籍請說出此書號!

有庫存
NT售價: 295

出版日:8/1/2016
頁數:326
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787115426758
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

  這本書是基于R和Python的數據科學項目案例集錦,內容涵蓋了基于數據科學的所有要素,包括數據采集、處理、清洗、分析、建模、可視化以及數據產品的搭建。案例包含了汽車數據分析、股票市場建模、社交網絡分析、推薦系統、地理信息分析,以及Python代碼的計算優化。通過手把手的案例解析,令讀者知其然并知其所以然。業界的數據分析師、數據挖掘工程師、數據科學家都可以讀一讀。想要了解實際工作中如何用數據產生價值的在校學生,或者對數據科學感興趣的人也值得一讀。
目錄:

第1章 準備你的數據科學環境 1
 簡介 1
 理解數據科學管道 3
 處理流程 3
 工作原理 3
 在Windows、Mac OS X、Linux上安裝R 5
 準備工作 5
 處理流程 5
 工作原理 7
 參考資料 7
 在R和RStudio中安裝擴展包 7
 準備工作 8
 處理流程 8
 工作原理 9
 更多內容 10
 參考資料 10
 在Linux和Mac OS X上安裝Python 10
 準備工作 11
 處理流程 11
 工作原理 11
 更多內容 11
 參考資料 12
 在Windows上安裝Python 12
 處理流程 13
 工作原理 13
 參考資料 14
 在Mac OS X和Linux上安裝Python數據分析庫 14
 準備工作 14
 處理流程 14
 工作原理 15
 更多內容 16
 參考資料 16
 安裝更多Python包 17
 準備工作 17
 處理流程 17
 工作原理 18
 更多內容 18
 參考資料 18
 安裝和使用virtualenv 19
 準備工作 19
 處理流程 19
 工作原理 21
 更多內容 21
 參考資料 22
第2章 汽車數據的可視化分析(R) 23
 簡介 23
 獲取汽車燃料效率數據 24
 準備工作 24
 處理流程 25
 工作原理 25
 為了你的第一個項目準備好R 26
 準備工作 26
 處理流程 26
 工作原理 26
 參考資料 26
 將汽車燃料效率數據導入R 27
 準備工作 27
 處理流程 27
 工作原理 28
 更多內容 29
 參考資料 30
 探索和描述燃料效率數據 30
 準備工作 30
 處理流程 30
 工作原理 32
 更多內容 33
 進一步分析汽車燃料效率數據 34
 準備工作 34
 處理流程 34
 工作原理 43
 參考資料 44
 研究汽車的產量以及車型 44
 準備工作 44
 處理流程 44
 工作原理 46
 更多內容 47
 參考資料 47
第3章 模擬美式橄欖球比賽數據(R) 48
 簡介 48
 準備工作 49
 獲取和清洗美式橄欖球比賽數據 49
 準備工作 50
 處理流程 50
 工作原理 53
 參考資料 53
 分析和理解美式橄欖球比賽數據 53
 準備工作 53
 處理流程 53
 工作原理 61
 更多內容 61
 參考資料 62
 構建度量攻防能力的指標 62
 準備工作 62
 處理流程 62
 工作原理 64
 參考資料 65
 模擬單場由程序決定勝負的比賽 65
 準備工作 65
 處理流程 65
 工作原理 68
 模擬多場由計算決定勝負的比賽 68
 準備工作 68
 處理流程 69
 工作原理 73
 更多內容 74
第4章 建模分析股票市場數據(R) 75
 簡介 75
 準備工作 76
 獲取股票市場數據 76
 處理流程 77
 描述數據 78
 準備工作 79
 工作原理 80
 更多內容 81
 清洗和研究數據 82
 準備工作 82
 處理流程 82
 工作原理 87
 參考資料 87
 形成相對估值法 87
 準備工作 87
 處理流程 88
 工作原理 91
 分析歷史價格篩選股票 92
 準備工作 92
 處理流程 92
 工作原理 98
第5章 就業數據的可視化探索(R) 99
 簡介 99
 分析前的準備 100
 準備工作 101
 處理流程 101
 工作原理 102
 參考資料 102
 將就業數據導入R 103
 準備工作 103
 處理流程 103
 工作原理 104
 更多內容 104
 參考資料 105
 就業數據探究 105
 準備條件 105
 處理流程 105
 工作原理 107
 參考資料 107
 獲取和合并添加附加信息 107
 準備工作 107
 處理流程 108
 工作原理 109
 添加地理信息 110
 準備工作 110
 處理流程 110
 工作原理 113
 參考資料 114
 獲取州和縣級水平的薪資和就業信息 114
 準備工作 114
 處理流程 114
 工作原理 116
 參考資料 117
 可視化薪資的地理分布特性 117
 準備工作 118
 處理流程 118
 工作原理 120
 參考資料 121
 探究各行業工作的地理分布情況 121
 處理流程 122
 工作原理 123
 更多內容 124
 參考資料 124
 繪制地理空間的時間序列地圖 124
 準備工作 124
 處理流程 125
 工作原理 128
 更多內容 128
 函數性能測試和比較 128
 準備工作 129
 處理流程 129
 工作原理 131
 更多內容 132
 參考資料 132
第6章 運用稅務數據進行應用導向的數據分析(Python) 133
 簡介 133
 應用導向方法簡介 134
 準備高收入數據集的分析 135
 準備工作 135
 處理流程 135
 工作原理 136
 導入并熟悉世界各國高收入數據集 136
 準備工作 137
 處理流程 137
 工作原理 143
 更多內容 144
 參考資料 144
 分析并可視化美國的高收入數據集 144
 準備工作 144
 處理流程 145
 工作原理 151
 進一步分析美國的高收入階層 152
 準備工作 152
 處理流程 152
 工作原理 156
 用Jinja2匯報結果 157
 準備工作 157
 處理流程 157
 工作原理 162
 更多內容 162
 參考資料 163
第7章 運用汽車數據進行可視化分析(Python) 164
 簡介 164
 IPython入門 165
 準備工作 165
 處理流程 165
 工作原理 167
 參考資料 167
 熟悉IPython Notebook 167
 準備工作 168
 處理流程 168
 工作原理 170
 更多內容 170
 參考資料 171
 準備分析汽車油耗 171
 準備工作 171
 處理流程 171
 工作原理 173
 更多內容 173
 參考資料 174
 用Python熟悉并描述汽車油耗數據 174
 準備工作 174
 處理流程 174
 工作原理 177
 更多內容 177
 參考資料 177
 用Python分析汽車油耗隨時間變化趨勢 177
 準備工作 177
 處理流程 178
 工作原理 183
 更多內容 184
 參考資料 185
 用Python調查汽車的制造商和型號 185
 準備工作 185
 處理流程 185
 工作原理 189
 參考資料 189
第8章 社交網絡分析(Python) 190
 簡介 190
 理解圖和網絡 191
 準備用Python進行社交網絡的分析工作 192
 準備工作 192
 處理流程 193
 工作原理 193
 更多內容 193
 導入網絡 194
 準備工作 194
 處理流程 194
 工作原理 196
 探索英雄網絡的子圖 196
 準備工作 197
 處理流程 197
 工作原理 199
 更多內容 199
 找出強關聯 200
 準備工作 201
 處理流程 201
 工作原理 203
 更多內容 204
 找出關鍵人物 204
 準備工作 205
 處理流程 205
 工作原理 208
 更多內容 209
 調查全網的特征 215
 準備工作 216
 處理流程 216
 工作原理 217
 社交網絡中的聚類和發現社群 217
 準備工作 217
 處理流程 218
 工作原理 221
 更多內容 221
 可視化圖 222
 準備工作 222
 處理流程 222
 工作原理 224
第9章 大規模電影推薦(Python) 225
 簡介 226
 對偏好建模 227
 處理流程 227
 工作原理 228
 理解數據 229
 準備工作 229
 處理流程 229
 工作原理 231
 更多內容 231
 加載電影評分數據 231
 準備工作 231
 處理流程 232
 工作原理 234
 尋找高評分電影 235
 準備工作 236
 處理流程 236
 工作原理 237
 更多內容 238
 參考資料 238
 提升電影評分系統 238
 準備工作 238
 處理流程 238
 工作原理 239
 更多內容 240
 參考資料 240
 計算用戶在偏好空間中的距離 240
 準備工作 241
 處理流程 241
 工作原理 243
 更多內容 243
 參考資料 243
 計算用戶相關性 244
 準備工作 244
 處理流程 244
 工作原理 245
 更多內容 246
 為特定用戶尋找最好的影評人 246
 準備工作 246
 處理流程 246
 工作原理 247
 預測用戶評分 249
 準備工作 249
 處理流程 249
 工作原理 250
 基于物品的協同過濾 251
 準備工作 251
 處理流程 252
 工作原理 253
 建立非負矩陣分解模型 254
 處理流程 255
 工作原理 255
 參考資料 256
 將數據集載入內存 256
 準備工作 257
 處理流程 257
 工作原理 258
 更多內容 258
 導出SVD模型至硬盤 259
 處理流程 259
 工作原理 260
 訓練SVD模型 261
 處理流程 261
 工作原理 262
 更多內容 263
 測試SVD模型 264
 處理流程 264
 工作原理 264
 更多內容 264
第10章 獲取和定位Twitter數據(Python) 266
 簡介 266
 創建Twitter應用 267
 準備工作 268
 處理流程 268
 工作原理 271
 參考資料 271
 了解Twitter API v1.1 271
 準備工作 272
 處理流程 272
 工作原理 273
 更多內容 274
 參考資料 275
 獲取粉絲和朋友信息 275
 準備工作 275
 處理流程 275
 工作原理 277
 更多內容 277
 參考資料 278
 提取Twitter用戶檔案 278
 準備工作 278
 處理流程 278
 工作原理 279
 更多內容 279
 參考資料 280
 避免Twitter速度限制 280
 準備工作 280
 處理流程 280
 工作原理 281
 存儲JSON數據至硬盤 281
 準備工作 282
 處理流程 282
 工作原理 282
 安裝MongoDB 283
 準備工作 283
 處理流程 283
 工作原理 284
 更多內容 284
 參考資料 285
 利用PyMongo將用戶信息存入MongoDB 285
 準備工作 285
 處理流程 285
 工作原理 286
 探索用戶地理信息 287
 準備工作 287
 處理流程 287
 工作原理 289
 更多內容 290
 參考資料 290
 利用Python繪制地理分布圖 290
 準備工作 290
 處理流程 291
 工作原理 292
 更多內容 293
 參考資料 294
第11章 利用NumPy和SciPy優化數值計算(Python) 295
 簡介 295
 了解優化的步驟 297
 處理流程 297
 工作原理 297
 更多內容 298
 識別代碼中常見性能瓶頸 298
 處理流程 299
 工作原理 299
 通讀代碼 301
 準備工作 302
 處理流程 302
 工作原理 302
 參考資料 304
 利用Unix time函數剖析Python代碼 305
 準備工作 305
 處理流程 305
 工作原理 306
 參考資料 306
 利用Python內建函數剖析Python代碼 306
 準備工作 306
 處理流程 306
 工作原理 307
 參考資料 308
 利用IPython %timeit函數剖析Python代碼 308
 處理流程 308
 工作原理 309
 利用line_profiler剖析Python代碼 309
 準備工作 310
 處理流程 310
 工作原理 311
 更多內容 312
 參考資料 312
 摘取低處的(經過優化的)果實 312
 準備工作 312
 處理流程 312
 工作原理 314
 測試NumPy帶來的性能提升 315
 準備工作 315
 處理流程 315
 工作原理 316
 更多內容 317
 參考資料 317
 用NumPy重寫函數 317
 準備工作 317
 處理流程 318
 工作原理 320
 用NumPy優化最內層循環 322
 準備工作 322
 處理流程 322
 工作原理 324
 更多內容 325
序: