PYTHON数据分析与可视化案例实战(项目实战·源码解读·微课视频版)

第1章Python数据分析与可视化概述 1.1从MATLAB到Python 1.2NumPy 1.3Pandas 1.4Matplotlib 1.5SciPy与SymPy 第2章新生数据分析与可视化 2.1使用Pandas对数据预处理 2.2使用Matplotlib库画图 2.3使用Pandas进行绘图 第3章Python表格处理分析 3.1背景介绍 3.2前期准备与基本操作 3.2.1基本术语概念说明 3.2.2安装openpyxl并创建一个工作簿 3.2.3从Excel工作簿中读取数据 3.2.4迭代访问数据 3.2.5插入数据 3.3进阶内容 3.3.1为Excel表单添加公式 3.3.2为表单添加条件格式 3.3.3为Excel表单添加图表 3.4数据分析实例 3.4.1背景与前期准备 3.4.2使用openpyxl读取数据并转为DataFrame 3.4.3绘制数值列直方图 3.4.4绘制相关性矩阵 3.4.5绘制散布矩阵 3.4.6将可视化结果插入Excel表格 第4章美国加利福尼亚州房价预测的数据分析 4.1数据的读入和初步分析 4.1.1数据读入 4.1.2分割测试集与训练集 4.1.3数据的初步分析 4.2数据的预处理 4.2.1拆分数据 4.2.2空白值的填充 4.2.3数据标准化 4.2.4数据的流程化处理 4.3模型的构建 4.3.1查看不同模型的表现 4.3.2选择效果*好的模型进行预测 第5章影评数据分析与电影推荐 5.1明确目标与准备数据 5.2工具选择 5.3初步分析 5.3.1用户角度分析 5.3.2电影角度分析 5.4电影推荐 第6章医疗花费预测 6.1数据读取 6.2数据预处理 6.2.1字符串类型的转换 6.2.2数据的分布和映射 6.3数据分析 6.3.1协方差矩阵和热力图 6.3.2DBSCAN聚类算法 6.3.3支持向量机分类算法 6.4线性回归 6.5结果预测 6.6结果分析 第7章用户消费行为分析 7.1RFM模型简介 7.2数据读入 7.3数据清洗和预处理 7.3.1数据清洗 7.3.2数据预处理 7.4RFM统计量计算 7.5RFM归类 7.6结果保存 7.7可视化结果 第8章用户流失预警 8.1读入数据 8.2数据预处理和自变量标准化 8.3五折交叉验证 8.4代入三种模型 8.5调整prob阈值，输出精度评估 第9章在Kaggle上预测房价 9.1读取数据集 9.2预处理数据集 9.3训练模型 9.4k折交叉验证 9.5模型选择和调整 9.6在Kaggle上提交预测结果 第10章世界杯 10.1数据说明 10.2世界杯观众 10.3世界杯冠军 10.4世界杯参赛队伍与比赛 10.5世界杯进球 第11章股价预测 11.1使用Tsfresh进行升维和特征工程 11.2程序设计思路 11.3程序设计步骤 11.3.1读入并分析数据 11.3.2移窗 11.3.3升维 11.3.4方差过滤 11.3.5使用AdaBoostRegressor模型进行回归预测 11.3.6预测结果分析 第12章基于上下文感知的多模态交通推荐 12.1案例目标 12.2数据说明 12.2.1查询记录 12.2.2显示记录 12.2.3点击记录 12.2.4用户记录 12.3解决方案 12.3.1导入工具包和数据 12.3.2特征导入和数据处理 12.3.3模型训练与结果保存 第13章美国波士顿房价预测 13.1背景介绍 13.2数据清洗 13.3数据分析 13.4分析结果 第14章机器人*优路径走迷宫 14.1关键技术 14.1.1马尔可夫决策过程 14.1.2Bellman方程 14.2程序设计步骤 14.2.1初始化迷宫地图 14.2.2计算不同位置的*优路径 第15章基于Kmeans算法的鸢尾花数据聚类和可视化 15.1数据及工具简介 15.1.1Iris数据集(鸢尾花数据集) 15.1.2Tkinter 15.2案例分析 15.2.1模块引入 15.2.2布局图形界面 15.2.3读取数据文件 15.2.4聚类 15.2.5聚类结果可视化 15.2.6误差分析及其可视化 15.2.7使用流程 第16章利用手机的购物评论分析手机特征 16.1数据准备 16.2数据分析 16.2.1模型介绍 16.2.2算法应用 16.2.3名词提取 16.2.4情感分析 第17章菜谱分析 17.1数据集介绍 17.2数据观察 17.2.1数据读入 17.2.2分布统计 17.3数据预处理 17.3.1英文单词标准化 17.3.2数据向量化 17.4模型构建 第18章基于回归问题和XGBoost模型的房价预测 18.1XGBoost模型介绍 18.2技术方案 18.2.1数据分析 18.2.2XGBoost模型参数 18.2.3调参过程 18.3完整代码及结果展示 第19章基于VGG19和TensorBoard的图像分类和数据可视化 19.1背景概念介绍 19.1.1VGG19模型 19.1.2TensorBoard 19.1.3CIFAR10数据集 19.2网络搭建与TensorBoard可视化实战 19.2.1网络搭建 19.2.2准备数据并构建网络实例 19.2.3TensorBoard训练过程可视化 第20章基于Elasticsearch实现附近小区信息搜索 20.1Elasticsearch的简介与安装 20.1.1Elasticsearch的简介 20.1.2Elasticsearch的安装 20.2数据准备 20.2.1网页分析与信息提取 20.2.2获取经纬度 20.2.3数据格式转换 20.3Python实现Elasticsearch基础操作 20.3.1创建索引和插入数据 20.3.2查询数据和数据类型 20.3.3删除相关操作 20.3.4检索功能 20.4房价地理位置坐标搜索实现 第21章汽车贷款违约的数据分析 21.1数据样本分析 21.1.1数据样本概述 21.1.2变量类型分析 21.1.3Python代码实践 21.2数据的预处理 21.2.1目标变量探索 21.2.2X变量初步探索 21.2.3连续变量的缺失值处理 21.2.4分类变量的缺失值处理 21.3数据分析的模型建立与评估 21.3.1数据的预处理与训练集划分 21.3.2采用回归模型进行数据分析 21.3.3采用决策树进行数据分析 21.3.4采用随机森林优化决策树模型 第22章基于Spark的搜索引擎日志用户行为分析 22.1功能需求 22.1.1搜索引擎用户行为分析的意义 22.1.2搜索引擎日志概述 22.2系统架构 22.2.1用户搜索流程 22.2.2系统架构设计 22.3功能实现 22.3.1Spark本地运行环境搭建 22.3.2搜索引擎日志数据获取 22.3.3分析指标 22.3.4Spark任务提交 第23章科比职业生涯进球分析 23.1预处理 23.2分析科比的命中率 23.3分析科比的投篮习惯 附录APyTorch环境搭建 A.1Linux平台下PyTorch环境搭建 A.2Windows平台下PyTorch环境搭建
参考文献