大數(shù)據(jù)分析技術(shù)

目錄 \n
前言 \n
項目1 認識大數(shù)據(jù)分析 \n
1.1　大數(shù)據(jù)分析概述 \n
1.1.1　大數(shù)據(jù)分析的概念和發(fā)展 \n
1.1.2 大數(shù)據(jù)分析的作用和影響 \n
1.2 大數(shù)據(jù)分析模型 \n
1.2.1 大數(shù)據(jù)分析的技術(shù)和工具 \n
1.2.2　大數(shù)據(jù)分析的流程 \n
1.2.3 大數(shù)據(jù)分析的模型簡介 \n
【任務(wù)實施】 \n
任務(wù)1 網(wǎng)站用戶活躍度指標綜合分析 \n
任務(wù)2 身高體重指標數(shù)據(jù)關(guān)聯(lián)分析 \n
練習題 \n
項目2 安裝Python數(shù)據(jù)分析工具 \n
2.1　Python數(shù)據(jù)分析基本概念 \n
2.1.1 Python數(shù)據(jù)分析的特點 \n
2.1.2 Python與其他數(shù)據(jù)分析工具的比較 \n
2.2　Python數(shù)據(jù)分析常用庫介紹 \n
2.2.1 NumPy簡介 \n
2.2.2 Pandas簡介 \n
2.2.3 SciPy簡介 \n
2.2.4 Matplotlib簡介 \n
2.2.5 scikitlearn簡介 \n
2.2.6 Statmodels簡介 \n
2.2.7 Seaborn簡介 \n
【任務(wù)實施】 \n
任務(wù)1 在Windows系統(tǒng)中安裝Anaconda \n
任務(wù)2 運行Jupyter Notebook \n
任務(wù)3 PyCharm的安裝和使用 \n
練習題 \n
項目3 使用NumPy實現(xiàn)統(tǒng)計分析和處理 \n
3.1　NumPy的基本概念 \n
3.1.1 NumPy基礎(chǔ)理論和引用方法 \n
3.1.2 ndarry對象 \n
3.1.3 NumPy數(shù)據(jù)類型 \n
3.1.4 NumPy數(shù)組屬性 \n
3.1.5 NumPy切片和索引 \n
3.2 NumPy函數(shù) \n
3.2.1 NumPy數(shù)學函數(shù) \n
3.2.2 NumPy數(shù)組維度操作函數(shù) \n
3.2.3 NumPy創(chuàng)建數(shù)組函數(shù) \n
3.2.4 NumPy常用IO函數(shù) \n
3.2.5 NumPy廣播 \n
【任務(wù)實施】 \n
任務(wù)1 使用Numpy實現(xiàn)股票數(shù)據(jù)分析 \n
任務(wù)2 使用Numpy實現(xiàn)豆瓣電影數(shù)據(jù) \n
分析 \n
練習題 \n
項目4 Pandas數(shù)據(jù)分析和處理 \n
4.1　Pandas的基本概念 \n
4.1.1 Pandas基礎(chǔ)理論和引用方法 \n
4.1.2 Pandas基本數(shù)據(jù)結(jié)構(gòu) \n
4.2 Pandas的基本用法 \n
4.2.1 創(chuàng)建Pandas對象 \n
4.2.2 查看Pandas基本數(shù)據(jù) \n
4.2.3 Pandas索引和切片 \n
4.2.4 Pandas缺失值和空值處理 \n
4.2.5 Pandas連接和合并數(shù)據(jù) \n
4.2.6 Pandas分組 \n
4.2.7 Pandas重塑 \n
4.2.8 Pandas數(shù)據(jù)透視表 \n
4.2.9 Pandas時間序列 \n
4.2.10 Pandas分類 \n
4.2.11 Pandas IO操作 \n
【任務(wù)實施】 \n
任務(wù)1 使用Pandas實現(xiàn)水果銷售數(shù)據(jù)分析 \n
任務(wù)2 使用Pandas實現(xiàn)用戶消費行為數(shù)據(jù)分析 \n
任務(wù)3 使用Pandas實現(xiàn)電商銷售數(shù)據(jù)分析 \n
練習題 \n
項目5 Matplotlib數(shù)據(jù)分析可視化庫 \n
5.1 Matplotlib的基本概念 \n
5.1.1 Matplotlib基礎(chǔ)理論和引用方法 \n
5.1.2 散點圖 \n
5.1.3 條形圖 \n
5.1.4 折線圖 \n
5.1.5 餅圖 \n
5.1.6 直方圖 \n
5.1.7 箱形圖 \n
5.2 組合圖 \n
5.2.1 曲線組合圖 \n
5.2.2 柱狀、散點、折線組合圖 \n
5.2.3 直方圖組合圖123 【任務(wù)實施】 \n
任務(wù)1 使用餅圖實現(xiàn)零售總額數(shù)據(jù)分析 \n
任務(wù)2 使用折線圖實現(xiàn)零售總額數(shù)據(jù)分析 \n
任務(wù)3 使用雙柱狀圖實現(xiàn)零售總額變化情況數(shù)據(jù)分析 \n
練習題 \n
項目6 基于Hadoop的數(shù)據(jù)分析 \n
6.1 掌握Hadoop框架和生態(tài)組件 \n
6.1.1 Hadoop簡介 \n
6.1.2 Hadoop核心組件和工作原理 \n
6.1.3 Hadoop安裝、部署和應(yīng)用 \n
6.2 Hadoop生態(tài)組件 \n
6.2.1 Hadoop生態(tài)圈簡介 \n
6.2.2 Hive的安裝、部署和應(yīng)用 \n
6.2.3 Spark的安裝、部署和應(yīng)用 \n
6.2.4 HBase的安裝、部署和應(yīng)用 \n
6.2.5 Kafka的安裝、部署和應(yīng)用 \n
6.2.6 Flume的安裝、部署和應(yīng)用 \n
6.2.7 Sqoop的安裝、部署和應(yīng)用 \n
6.2.8 Zookeeper的安裝、部署和應(yīng)用 \n
【任務(wù)實施】 \n
任務(wù)1 使用Hadoop及其組件Hive實現(xiàn)數(shù)據(jù)分析 \n
任務(wù)2 使用Hadoop及其組件Spark實現(xiàn)數(shù)據(jù)分析 \n
練習題 \n
項目7 基于scikitlearn機器學習庫的數(shù)據(jù)分析 \n
7.1 掌握機器學習基本概念 \n
7.1.1 機器學習簡介 \n
7.1.2 機器學習基本流程 \n
7.1.3 機器學習開發(fā)流程 \n
7.1.4 機器學習算法分類 \n
7.2 掌握scikitlearn的基本用法 \n
7.2.1 scikitlearn的安裝和引用方法 \n
7.2.2 scikitlearn的基本用法 \n
【任務(wù)實施】 \n
任務(wù)1 使用scikitlearn實現(xiàn)鳶尾花數(shù)據(jù)分析 \n
任務(wù)2 使用scikitlearn實現(xiàn)波士頓房價數(shù)據(jù)分析 \n
練習題 \n
參考文獻