Python數據分析與可視化案例實戰（項目實戰·源碼解讀·微課視頻版）

使用Python進行數據分析與可視化十分便利且高效，因此Python被認為是***的數據分析工具之一。本書以22個案例，由淺入深地介紹不同數據分析與可視化的應用和實現。僅通過這些案例並不能展示數據分析與可視化的全部精髓，而更多的應用也值得讀者在學到一定的基礎技能後進一步探索。 本書面向高等院校電腦科學、軟件工程、大數據、人工智能等相關專業的師生，以及Python語言初學者和數據分析從業人士。

目錄

第1章Python數據分析與可視化概述

1.1從MATLAB到Python

1.2NumPy

1.3Pandas

1.4Matplotlib

1.5SciPy與SymPy

第2章新生數據分析與可視化

2.1使用Pandas對數據預處理

2.2使用Matplotlib庫畫圖

2.3使用Pandas進行繪圖

第3章Python表格處理分析

3.1背景介紹

3.2前期準備與基本操作

3.2.1基本術語概念說明

3.2.2安裝openpyxl並創建一個工作簿

3.2.3從Excel工作簿中讀取數據

3.2.4迭代訪問數據

3.2.5插入數據

3.3進階內容

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數據分析實例

3.4.1背景與前期準備

3.4.2使用openpyxl讀取數據並轉為DataFrame

3.4.3繪制數值列直方圖

3.4.4繪制相關性矩陣

3.4.5繪制散佈矩陣

3.4.6將可視化結果插入Excel表格

第4章美國加利福尼亞州房價預測的數據分析

4.1數據的讀入和初步分析

4.1.1數據讀入

4.1.2分割測試集與訓練集

4.1.3數據的初步分析

4.2數據的預處理

4.2.1拆分數據

4.2.2空白值的填充

4.2.3數據標準化

4.2.4數據的流程化處理

4.3模型的構建

4.3.1查看不同模型的表現

4.3.2選擇效果最好的模型進行預測

第5章影評數據分析與電影推薦

5.1明確目標與準備數據

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章醫療花費預測

6.1數據讀取

6.2數據預處理

6.2.1字符串類型的轉換

6.2.2數據的分佈和映射

6.3數據分析

6.3.1協方差矩陣和熱力圖

6.3.2DBSCAN聚類算法

6.3.3支持向量機分類算法

6.4線性回歸

6.5結果預測

6.6結果分析

第7章用戶消費行為分析

7.1RFM模型簡介

7.2數據讀入

7.3數據清洗和預處理

7.3.1數據清洗

7.3.2數據預處理

7.4RFM統計量計算

7.5RFM歸類

7.6結果保存

7.7可視化結果

第8章用戶流失預警

8.1讀入數據

8.2數據預處理和自變量標準化

8.3五折交叉驗證

8.4代入三種模型

8.5調整prob閾值，輸出精度評估

第9章在Kaggle上預測房價

9.1讀取數據集

9.2預處理數據集

9.3訓練模型

9.4k折交叉驗證

9.5模型選擇和調整

9.6在Kaggle上提交預測結果

第10章世界杯

10.1數據說明

10.2世界杯觀眾

10.3世界杯冠軍

10.4世界杯參賽隊伍與比賽

10.5世界杯進球

第11章股價預測

11.1使用Tsfresh進行升維和特徵工程

11.2程序設計思路

11.3程序設計步驟

11.3.1讀入並分析數據

11.3.2移窗

11.3.3升維

11.3.4方差過濾

11.3.5使用AdaBoostRegressor模型進行回歸預測

11.3.6預測結果分析

第12章基於上下文感知的多模態交通推薦

12.1案例目標

12.2數據說明

12.2.1查詢記錄

12.2.2顯示記錄

12.2.3點擊記錄

12.2.4用戶記錄

12.3解決方案

12.3.1導入工具包和數據

12.3.2特徵導入和數據處理

12.3.3模型訓練與結果保存

第13章美國波士頓房價預測

13.1背景介紹

13.2數據清洗

13.3數據分析

13.4分析結果

第14章機器人最優路徑走迷宮

14.1關鍵技術

14.1.1馬爾可夫決策過程

14.1.2Bellman方程

14.2程序設計步驟

14.2.1初始化迷宮地圖

14.2.2計算不同位置的最優路徑

第15章基於Kmeans算法的鳶尾花數據聚類和可視化

15.1數據及工具簡介

15.1.1Iris數據集(鳶尾花數據集)

15.1.2Tkinter

15.2案例分析

15.2.1模塊引入

15.2.2佈局圖形界面

15.2.3讀取數據文件

15.2.4聚類

15.2.5聚類結果可視化

15.2.6誤差分析及其可視化

15.2.7使用流程

第16章利用手機的購物評論分析手機特徵

16.1數據準備

16.2數據分析

16.2.1模型介紹

16.2.2算法應用

16.2.3名詞提取

16.2.4情感分析

第17章菜譜分析

17.1數據集介紹

17.2數據觀察

17.2.1數據讀入

17.2.2分佈統計

17.3數據預處理

17.3.1英文單詞標準化

17.3.2數據向量化

17.4模型構建

第18章基於回歸問題和XGBoost模型的房價預測

18.1XGBoost模型介紹

18.2技術方案

18.2.1數據分析

18.2.2XGBoost模型參數

18.2.3調參過程

18.3完整代碼及結果展示

第19章基於VGG19和TensorBoard的圖像分類和數據可視化

19.1背景概念介紹

19.1.1VGG19模型 

19.1.2TensorBoard

19.1.3CIFAR10數據集

19.2網絡搭建與TensorBoard可視化實戰

19.2.1網絡搭建

19.2.2準備數據並構建網絡實例

19.2.3TensorBoard訓練過程可視化

第20章基於Elasticsearch實現附近小區信息搜索

20.1Elasticsearch的簡介與安裝

20.1.1Elasticsearch的簡介

20.1.2Elasticsearch的安裝

20.2數據準備

20.2.1網頁分析與信息提取

20.2.2獲取經緯度

20.2.3數據格式轉換

20.3Python實現Elasticsearch基礎操作

20.3.1創建索引和插入數據

20.3.2查詢數據和數據類型

20.3.3刪除相關操作

20.3.4檢索功能

20.4房價地理位置坐標搜索實現

第21章汽車貸款違約的數據分析

21.1數據樣本分析

21.1.1數據樣本概述

21.1.2變量類型分析

21.1.3Python代碼實踐

21.2數據的預處理

21.2.1目標變量探索

21.2.2X變量初步探索

21.2.3連續變量的缺失值處理

21.2.4分類變量的缺失值處理

21.3數據分析的模型建立與評估

21.3.1數據的預處理與訓練集劃分

21.3.2採用回歸模型進行數據分析

21.3.3採用決策樹進行數據分析

21.3.4採用隨機森林優化決策樹模型

第22章基於Spark的搜索引擎日誌用戶行為分析

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搜索引擎日誌概述

22.2系統架構

22.2.1用戶搜索流程

22.2.2系統架構設計

22.3功能實現

22.3.1Spark本地運行環境搭建

22.3.2搜索引擎日誌數據獲取

22.3.3分析指標

22.3.4Spark任務提交

第23章科比職業生涯進球分析

23.1預處理

23.2分析科比的命中率

23.3分析科比的投籃習慣

附錄APyTorch環境搭建

A.1Linux平臺下PyTorch環境搭建

A.2Windows平臺下PyTorch環境搭建

參考文獻