Python網絡數據爬取及分析從入門到精通（分析篇） ( 簡體 字) |
| 作者：楊秀璋，顏娜 | 類別：1. -> 程式設計 -> Python
2. -> 程式設計 -> 網路爬蟲 |
| 譯者： |
| 出版社：北京航空航天大學出版社 |  3dWoo書號： 49244
詢問書籍請說出此書號！【缺書】
NT售價： 300 元 |
| 出版日：5/1/2018 |
| 頁數：248 |
| 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：9787512427136 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (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：（內容講解專業但不晦澀，實例分析實際但不枯燥）
本書採用通俗易懂的語言、豐富多彩的實例，詳細介紹了使用Python語言進行網路資料分析的知識，主要內容包括Python資料分析常用庫、視覺化分析、回歸分析、聚類分析、分類分析、關聯規則挖掘分析、資料預處理及文本聚類、詞雲熱點與主題分佈分析、複雜網路與基於資料庫技術的分析等。
書中所有知識點都結合了具體的實例進行介紹，涉及的實例都給出了詳細分析流程，程式碼都給出了具體的注釋，採用圖文結合的形式講解，讓讀者能更加輕鬆地領會Python網路資料分析的精髓，快速提高自己的開發能力。
本書既可作為Python開發入門者的自學用書，也可作為高等院校資料分析、資料採擷、機器學習、大資料等相關專業的教學參考書或實驗指導書，還可供Python資料分析人員查閱、參考。
|
目錄：第1章 網路資料分析概述 1
1.1 資料分析 1
1.2 相關技術 3
1.3 Anaconda開發環境 5
1.4 常用資料集 9
1.4.1 Sklearn資料集 9
1.4.2 UCI資料集 10
1.4.3 自訂爬蟲資料集 11
1.4.4 其他資料集 12
1.5 本章小結 13
參考文獻 14
第2章 Python資料分析常用庫 15
2.1 常用庫 15
2.2 NumPy 17
2.2.1 Array用法 17
2.2.2 二維陣列操作 19
2.3 Pandas 21
2.3.1 讀/寫文件 22
2.3.2 Series 24
2.3.3 DataFrame 26
2.4 Matplotlib 26
2.4.1 基礎用法 27
2.4.2 繪圖簡單示例 28
2.5 Sklearn 31
2.6 本章小結 32
參考文獻 32
第3章 Python視覺化分析 33
3.1 Matplotlib視覺化分析 33
3.1.1 繪製曲線圖 33
3.1.2 繪製散點圖 37
3.1.3 繪製柱狀圖 40
3.1.4 繪製餅狀圖 42
3.1.5 繪製3D圖形 43
3.2 Pandas讀取檔視覺化分析 45
3.2.1 繪製折線對比圖 45
3.2.2 繪製柱狀圖和長條圖 48
3.2.3 繪製箱圖 51
3.3 ECharts視覺化技術初識 53
3.4 本章小結 57
參考文獻 57
第4章 Python回歸分析 58
4.1 回 歸 58
4.1.1 什麼是回歸 58
4.1.2 線性回歸 59
4.2 線性回歸分析 60
4.2.1 LinearRegression 61
4.2.2 線性回歸預測糖尿病 63
4.3 多項式回歸分析 68
4.3.1 基礎概念 68
4.3.2 PolynomialFeatures 69
4.3.3 多項式回歸預測成本和利潤 70
4.4 邏輯回歸分析 73
4.4.1 LogisticRegression 75
4.4.2 鳶尾花資料集回歸分析實例 75
4.5 本章小結 83
參考文獻 83
第5章 Python聚類分析 85
5.1 聚 類 85
5.1.1 演算法模型 85
5.1.2 常見聚類演算法 86
5.1.3 性能評估 88
5.2 K-Means 90
5.2.1 演算法描述 90
5.2.2 用K-Means分析籃球資料 96
5.2.3 K-Means聚類優化 99
5.2.4 設置類簇中心 103
5.3 BIRCH 105
5.3.1 演算法描述 105
5.3.2 用BIRCH 分析氧化物資料 106
5.4 降維處理 110
5.4.1 PCA降維 111
5.4.2 Sklearn PCA降維 111
5.4.3 PCA降維實例 113
5.5 本章小結 117
參考文獻 118
第6章 Python分類分析 119
6.1 分 類 119
6.1.1 分類模型 119
6.1.2 常見分類演算法 120
6.1.3 回歸、聚類和分類的區別 122
6.1.4 性能評估 123
6.2 決策樹 123
6.2.1 演算法實例描述 123
6.2.2 DTC演算法 125
6.2.3 用決策樹分析鳶尾花 126
6.2.4 資料集劃分及分類評估 128
6.2.5 區域劃分對比 132
6.3 KNN分類演算法 136
6.3.1 演算法實例描述 136
6.3.2 KNeighborsClassifier 138
6.3.3 用KNN分類演算法分析紅酒類型 139
6.4 SVM 分類演算法 147
6.4.1 SVM 分類演算法的基礎知識 147
6.4.2 用SVM 分類演算法分析紅酒資料 148
6.4.3 用優化SVM 分類演算法分析紅酒資料集 151
6.5 本章小結 154
參考文獻 154
第7章 Python關聯規則挖掘分析 156
7.1 基本概念 156
7.1.1 關聯規則 156
7.1.2 置信度與支持度 157
7.1.3 頻繁項集 158
7.2 Apriori演算法 159
7.3 Apriori演算法的實現 163
7.4 本章小結 167
參考文獻 167
第8章 Python資料預處理及文本聚類 168
8.1 數據預處理概述 168
8.2 中文分詞 170
8.2.1 中文分詞技術 170
8.2.2 Jieba中文分詞工具 171
8.3 數據清洗 175
8.3.1 概 述 175
8.3.2 中文語料清洗 176
8.4 特徵提取及向量空間模型 179
8.4.1 特徵規約 179
8.4.2 向量空間模型 181
8.4.3 余弦相似度計算 182
8.5 權重計算 184
8.5.1 常用權重計算方法 184
8.5.2 TF-IDF 185
8.5.3 用Sklearn計算TF-IDF 186
8.6 文本聚類 188
8.7 本章小結 192
參考文獻 192
第9章 Python詞雲熱點與主題分佈分析 193
9.1 詞 雲 193
9.2 WordCloud的安裝及基本用法 194
9.2.1 WordCloud的安裝 194
9.2.2 WordCloud的基本用法 195
9.3 LDA 203
9.3.1 LDA的安裝過程 203
9.3.2 LDA的基本用法及實例 204
9.4 本章小結 214
參考文獻 214
第10章 複雜網路與基於資料庫技術的分析 215
10.1 複雜網路 215
10.1.1 複雜網路和知識圖譜 215
10.1.2 NetworkX 217
10.1.3 用複雜網路分析學生關係網 219
10.2 基於資料庫技術的資料分析 224
10.2.1 數據準備 224
10.2.2 基於資料庫技術的視覺化分析 225
10.2.3 基於資料庫技術的視覺化對比 232
10.3 基於資料庫技術的博客行為分析 234
10.3.1 冪率分佈 234
10.3.2 用冪率分佈分析博客資料集 235
10.4 本章小結 245
參考文獻 245
本套後記 246
致謝 248
|
| 序： |
