资料简介：
是Python数据分析与挖掘领域的事实标准，1版销售过10万册，销售势头依然强劲，被国内100余所高等院校采用为教材，同时也被广大数据科学工作者奉为经典。
作者在大数据挖掘与分析等领域有10余年的工程实践、教学和创办企业的经验，不仅掌握行业的*技术和实践方法，而且洞悉学生和老师的需求与痛点，这为本书的内容和形式提供了强有力的保障，这是本书1版能大获成功的关键因素。
全书共13章，分为三个部分，从技术理论、工程实践和进阶提升三个维度对数据分析与挖掘进行了详细的讲解。
*部分 基础篇（1～5章）
主要讲解了Python数据分析与挖掘的工具和技术理论，包括数据挖掘的基础知识、Python数据挖掘与建模工具、数据挖掘的建模过程，以及挖掘建模的常用算法和原理等内容。
二部分 实战篇（6～12章）
通过工程实践案例讲解了数据挖掘技术在金融、航空、零售、能源、制造、电商等行业的应用。在案例组织结构上，本书按照“介绍案例背景与挖掘目标→阐述分析方法与过程→完成模型构建”的顺序进行，在建模过程关键环节，穿插程序实现代码。*后，通过上机实践加深对案例应用中的数据挖掘技术的理解。
三部分 提高篇（13章）
重点讲解了基于Python引擎的开源数据挖掘建模平台（TipDM）的功能和使用方法，以航空公司客户价值分析为案例，介绍了如何使用该平台快速搭建数据分析与挖掘工程。
本书不仅提供TipDM这样的上机实践环境，而且还提供配套的案例建模数据、Python源代码、教学PPT。
资料目录：
前言
基础篇
1章 数据挖掘基础 2
1.1 某连锁餐饮企业的困惑 2
1.2 从餐饮服务到数据挖掘 4
1.3 数据挖掘的基本任务 5
1.4 数据挖掘建模过程 5
1.4.1 定义挖掘目标 6
1.4.2 数据取样 6
1.4.3 数据探索 7
1.4.4 数据预处理 8
1.4.5 挖掘建模 8
1.4.6 模型评价 8
1.5 常用数据挖掘建模工具 9
1.6 小结 11
2章 Python数据分析简介 12
2.1 搭建Python开发平台 14
2.1.1 所要考虑的问题 14
2.1.2 基础平台的搭建 14
2.2 Python使用入门 16
2.2.1 运行方式 16
2.2.2 基本命令 17
2.2.3 数据结构 19
2.2.4 库的导入与添加 24
2.3 Python数据分析工具 26
2.3.1 NumPy 27
2.3.2 SciPy 28
2.3.3 Matplotlib 29
2.3.4 pandas 31
2.3.5 StatsModels 33
2.3.6 scikit-learn 33
2.3.7 Keras 34
2.3.8 Gensim 36
2.4 配套附件使用设置 37
2.5 小结 38
3章 数据探索 39
3.1 数据质量分析 39
3.1.1 缺失值分析 40
3.1.2 异常值分析 40
3.1.3 一致性分析 44
3.2 数据特征分析 44
3.2.1 分布分析 44
3.2.2 对比分析 48
3.2.3 统计量分析 51
3.2.4 周期性分析 54
3.2.5 贡献度分析 55
3.2.6 相关性分析 58
3.3 Python主要数据探索函数 62
3.3.1 基本统计特征函数 62
3.3.2 拓展统计特征函数 66
3.3.3 统计绘图函数 67
3.4 小结 74
4章 数据预处理 75
4.1 数据清洗 75
4.1.1 缺失值处理 75
4.1.2 异常值处理 80
4.2 数据集成 80
4.2.1 实体识别 81
4.2.2 冗余属性识别 81
4.2.3 数据变换 81
4.2.4 简单函数变换 81
4.2.5 规范化 82
4.2.6 连续属性离散化 84
4.2.7 属性构造 87
4.2.8 小波变换 88
4.3 数据归约 91
4.3.1 属性归约 91
4.3.2 数值归约 95
4.4 Python主要数据预处理函数 98
4.5 小结 101
5章 挖掘建模 102
5.1 分类与预测 102
5.1.1 实现过程 103
5.1.2 常用的分类与预测算法 103
5.1.3 回归分析 104
5.1.4 决策树 108
5.1.5 人工神经网络 115
5.1.6 分类与预测算法评价 120
5.1.7 Python分类预测模型特点 125
5.2 聚类分析 125
5.2.1 常用聚类分析算法 126
5.2.2 K-Means聚类算法 127
5.2.3 聚类分析算法评价 132
5.2.4 Python主要聚类分析算法 133
5.3 关联规则 135
5.3.1 常用关联规则算法 136
5.3.2 Apriori算法 136
5.4 时序模式 142
5.4.1 时间序列算法 142
5.4.2 时间序列的预处理 143
5.4.3 平稳时间序列分析 145
5.4.4 非平稳时间序列分析 148
5.4.5 Python主要时序模式算法 156
5.5 离点检测 159
5.5.1 离点的成因及类型 160
5.5.2 离点检测方法 160
5.5.3 基于模型的离点检测方法 161
5.5.4 基于聚类的离点检测方法 164
5.6 小结 167
实战篇
6章 财政收入影响因素分析及预测 170
6.1 背景与挖掘目标 170
6.2 分析方法与过程 171
6.2.1 分析步骤与流程 172
6.2.2 数据探索分析 172
6.2.3 数据预处理 176
6.2.4 模型构建 178
6.3 上机实验 184
6.4 拓展思考 185
6.5 小结 186
7章 航空公司客户价值分析 187
7.1 背景与挖掘目标 187
7.2 分析方法与过程 188
7.2.1 分析步骤与流程 189
7.2.2 数据探索分析 189
7.2.3 数据预处理 200
7.2.4 模型构建 207
7.2.5 模型应用 212
7.3 上机实验 214
7.4 拓展思考 215
7.5 小结 216
8章 商品零售购物篮分析 217
8.1 背景与挖掘目标 217
8.2 分析方法与过程 218
8.2.1 数据探索分析 219
8.2.2 数据预处理 224
8.2.3 模型构建 226
8.3 上机实验 232
8.4 拓展思考 233
8.5 小结 233
9章 基于水色图像的水质评价 234
9.1 背景与挖掘目标 234
9.2 分析方法与过程 235
9.2.1 分析步骤与流程 236
9.2.2 数据预处理 236
9.2.3 模型构建 240
9.2.4 水质评价 241
9.3 上机实验 242
9.4 拓展思考 242
9.5 小结 243
10章 家用热水器用户行为分析与事件识别 244
10.1 背景与挖掘目标 244
10.2 分析方法与过程 245
10.2.1 数据探索分析 246
10.2.2 数据预处理 249
10.2.3 模型构建 260
10.2.4 模型检验 261
10.3 上机实验 262
10.4 拓展思考 264
10.5 小结 265
11章 电子商务网站用户行为分析及服务推荐 266
11.1 背景与挖掘目标 266
11.2 分析方法与过程 267
11.2.1 分析步骤与流程 267
11.2.2 数据抽取 269
11.2.3 数据探索分析 270
11.2.4 数据预处理 279
11.2.5 构建智能推荐模型 283
11.3 上机实验 291
11.4 拓展思考 293
11.5 小结 293
12章 电商产品评论数据情感分析 294
12.1 背景与挖掘目标 294
12.2 分析方法与过程 295
12.2.1 评论预处理 296
12.2.2 评论分词 297
12.2.3 构建模型 303
12.3 上机实验 315
12.4 拓展思考 316
12.5 小结 318
提高篇
13章 基于Python引擎的开源数据挖掘建模平台（TipDM） 320
13.1 平台简介 321
13.1.1 模板 321
13.1.2 数据源 322
13.1.3 工程 323
13.1.4 系统组件 324
13.1.5 TipDM数据挖掘建模平台的本地化部署 326
13.2 快速构建数据挖掘工程 327
13.2.1 导入数据 329
13.2.2 配置输入源组件 331
13.2.3 配置缺失值处理组件 332
13.2.4 配置记录选择组件 334
13.2.5 配置数据标准化组件 334
13.2.6 配置K-Means组件 336
13.3 小结 339
