Python數(shù)據(jù)分析基礎與案例實戰(zhàn)

定　價：￥59.80

作　者：	楊果仁，張良均
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網 (￥50.80)

ISBN：	9787115620101	出版時間：	2023-08-01	包裝：	平裝
開本：	128開	頁數(shù)：		字數(shù)：

內容簡介

　　本書以Python數(shù)據(jù)分析的常用技術與交通行業(yè)真實案例相結合的方式，深入淺出地介紹了Python數(shù)據(jù)分析與挖掘技術的重要內容。全書共10章，內容包括緒論、Python 數(shù)據(jù)分析簡介、數(shù)據(jù)獲取、數(shù)據(jù)探索、數(shù)據(jù)預處理、構建模型、運輸車輛駕駛行為分析、公交車站點設置優(yōu)化分析、鐵路站點客流量預測，以及基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)運輸車輛駕駛行為分析。本書大部分章節(jié)包含課后習題，通過練習和操作實踐，讀者可以鞏固所學的內容。本書可作為高校數(shù)據(jù)分析相關專業(yè)的教材，也可作為交通行業(yè)相關的教學、培訓教材，還可作為數(shù)據(jù)分析愛好者的自學用書。

作者簡介

　　張良均，高級信息系統(tǒng)項目管理師，泰迪杯全國大學生數(shù)據(jù)挖掘競（www.tipdm.org）的發(fā)起人。華南師范大學、廣東工業(yè)大學兼職教授，廣東省工業(yè)與應用數(shù)學學會理事。兼有大型高科技企業(yè)和高校的工作經歷，主要從事大數(shù)據(jù)挖掘及其應用的策劃、研發(fā)及咨詢培訓。全國計算機技術與軟件專業(yè)技術資格（水平）考試繼續(xù)教育和CDA數(shù)據(jù)分析師培訓講師。發(fā)表數(shù)據(jù)挖掘相關論文數(shù)二十余篇，已取得國家發(fā)明專利12項，主編圖書《神經網絡實用教程》、《數(shù)據(jù)挖掘：實用案例分析》、《MATLAB數(shù)據(jù)分析與挖掘實戰(zhàn)》等9本熱銷圖書，主持并完成科技項目9項。獲得SAS、SPSS數(shù)據(jù)挖掘認證及Hadoop開發(fā)工程師證書，具有電力、電信、銀行、制造企業(yè)、電子商務和電子政務的項目經驗和行業(yè)背景。

圖書目錄

第 1章緒論 1
1.1　了解交通大數(shù)據(jù)　1
1.1.1　交通大數(shù)據(jù)的背景　1
1.1.2　交通大數(shù)據(jù)的應用　4
1.2　認識數(shù)據(jù)分析　5
1.2.1　掌握數(shù)據(jù)分析的基本任務　6
1.2.2　熟悉數(shù)據(jù)分析的基本流程　6
1.3　了解常用的數(shù)據(jù)分析工具　8
1.4　配置Python開發(fā)環(huán)境　9
1.4.1　安裝Anaconda　9
1.4.2　掌握Jupyter Notebook的使用方法　12
小結　14
課后習題　14
第　2章 Python數(shù)據(jù)分析簡介　16
2.1　入門Python數(shù)據(jù)分析　16
2.1.1　了解基本命令　16
2.1.2　掌握數(shù)據(jù)結構　19
2.1.3　函數(shù)式編程　21
2.1.4　導入與添加庫　23
2.2　了解Python數(shù)據(jù)分析常用擴展庫　24
2.2.1　NumPy　25
2.2.2　SciPy　26
2.2.3　pandas　27
2.2.4　Matplotlib　28
2.2.5　scikit-learn　30
小結　31
課后習題　31
第3章　數(shù)據(jù)獲取　32
3.1　了解常見的數(shù)據(jù)來源　32
3.2　了解交通信息的采集　33
3.2.1　交通信息的分類與特點　33
3.2.2　常見的交通信息采集技術　34
3.3　了解常見的數(shù)據(jù)類型　35
3.4　掌握數(shù)據(jù)的讀取方式　37
3.4.1　讀取數(shù)據(jù)庫數(shù)據(jù)　37
3.4.2　讀取文件數(shù)據(jù)　38
小結　40
課后習題　40
第4章　數(shù)據(jù)探索　41
4.1　分析數(shù)據(jù)質量　41
4.1.1　分析缺失值　41
4.1.2　分析異常值　42
4.2　分析數(shù)據(jù)特征　45
4.2.1　分析數(shù)據(jù)的統(tǒng)計量　45
4.2.2　分析數(shù)據(jù)的分布情況　48
4.2.3　對比分析數(shù)據(jù)　53
4.2.4　分析數(shù)據(jù)的周期性　56
4.2.5　分析數(shù)據(jù)的相關性　58
小結　61
課后習題　61
第5章　數(shù)據(jù)預處理　63
5.1　數(shù)據(jù)清洗　63
5.1.1　處理缺失值　63
5.1.2　處理異常值　66
5.2　數(shù)據(jù)變換　66
5.2.1　函數(shù)變換　66
5.2.2　數(shù)據(jù)標準化　67
5.2.3　離散化連續(xù)型數(shù)據(jù)　69
5.3　屬性構造　72
5.4　屬性規(guī)約　73
5.5　數(shù)據(jù)合并　76
5.5.1　多表合并　77
5.5.2　分組聚合數(shù)據(jù)　84
小結　92
課后習題　92
第6章　構建模型　94
6.1　構建分類與回歸模型　94
6.1.1　常用的分類與回歸算法　94
6.1.2　了解回歸分析　95
6.1.3　了解樸素貝葉斯　99
6.1.4　了解決策樹　101
6.1.5　了解人工神經網絡　104
6.1.6　評價分類與回歸模型　109
6.2　構建聚類模型　113
6.2.1　了解常用的聚類算法　113
6.2.2　了解K-Means聚類　114
6.2.3　了解密度聚類　120
6.2.4　聚類模型評價　124
6.3　構建時間序列模型　126
6.3.1　了解常用的時間序列模型　126
6.3.2　預處理時間序列　127
6.3.3　分析平穩(wěn)時間序列　128
6.3.4　分析非平穩(wěn)時間序列　131
小結　140
課后習題　140
第7章　運輸車輛駕駛行為分析　142
7.1　分析背景與目標　142
7.1.1　背景　142
7.1.2　數(shù)據(jù)說明　143
7.1.3　分析目標　144
7.2　數(shù)據(jù)探索分析　145
7.2.1　分布分析　145
7.2.2　相關性分析　146
7.2.3　異常值檢測　147
7.3　駕駛行為聚類分析　149
7.3.1　K-Means聚類　149
7.3.2　層次聚類　152
7.3.3　高斯混合模型聚類　153
7.3.4　譜聚類　154
7.4　構建駕駛行為預測模型　156
7.4.1　構建線性判別分析模型　156
7.4.2　構建樸素貝葉斯模型　157
7.4.3　構建神經網絡模型　159
7.5　駕駛行為分析總結與建議　160
小結　160
課后習題　160
第8章　公交車站點設置優(yōu)化分析　162
8.1　分析背景與目標　162
8.1.1　背景　163
8.1.2　數(shù)據(jù)說明　163
8.1.3　分析目標　164
8.2　探索公交刷卡數(shù)據(jù)　165
8.3　預處理公交車載GPS數(shù)據(jù)與刷卡數(shù)據(jù)　166
8.3.1　屬性規(guī)約　166
8.3.2　缺失值處理　166
8.3.3　數(shù)據(jù)去重　167
8.4　構建DBSCAN模型　168
8.5　公交車站點設置優(yōu)化分析　170
8.5.1　計算上車人數(shù)　170
8.5.2　計算下車人數(shù)　172
8.5.3　結果分析　176
小結　177
課后習題　177
第9章　鐵路站點客流量預測　179
9.1　分析背景與目標　179
9.1.1　背景　179
9.1.2　數(shù)據(jù)說明　180
9.1.3　分析目標　180
9.2　預處理客流量數(shù)據(jù)　181
9.3　探索客流量數(shù)據(jù)　186
9.3.1　不同站點上下車客流量分布分析　186
9.3.2　不同時段上下車客流量分布分析　187
9.3.3　分析節(jié)假日客流量變化　189
9.4　構建模型并預測客流量　192
9.4.1　構建時間序列模型　192
9.4.2　預測非節(jié)假日客流量　195
9.4.3　預測節(jié)假日客流量　199
小結　206
課后習題　207
第　10章基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)運輸車輛駕駛行為分析　208
10.1　TipDM大數(shù)據(jù)挖掘建模平臺簡介　208
10.1.1　模型庫　210
10.1.2　數(shù)據(jù)連接　210
10.1.3　我的數(shù)據(jù)　210
10.1.4　我的工程　211
10.1.5　系統(tǒng)算法　211
10.1.6　個人算法　213
10.2　實現(xiàn)運輸車輛駕駛行為分析　214
10.2.1　數(shù)據(jù)源配置　214
10.2.2　數(shù)據(jù)探索分析　217
10.2.3　駕駛行為聚類分析　222
10.2.4　構建駕駛行為預測模型　230
小結　236

第　1章緒論　1
1.1　了解交通大數(shù)據(jù)　1
1.1.1　交通大數(shù)據(jù)的背景　1
1.1.2　交通大數(shù)據(jù)的應用　4
1.2　認識數(shù)據(jù)分析　5
1.2.1　掌握數(shù)據(jù)分析的基本任務　6
1.2.2　熟悉數(shù)據(jù)分析的基本流程　6
1.3　了解常用的數(shù)據(jù)分析工具　8
1.4　配置Python開發(fā)環(huán)境　9
1.4.1　安裝Anaconda　9
1.4.2　掌握Jupyter Notebook的使用方法　12
小結　14
課后習題　14
第　2章 Python數(shù)據(jù)分析簡介　16
2.1　入門Python數(shù)據(jù)分析　16
2.1.1　了解基本命令　16
2.1.2　掌握數(shù)據(jù)結構　19
2.1.3　函數(shù)式編程　21
2.1.4　導入與添加庫　23
2.2　了解Python數(shù)據(jù)分析常用擴展庫　24
2.2.1　NumPy　25
2.2.2　SciPy　26
2.2.3　pandas　27
2.2.4　Matplotlib　28
2.2.5　scikit-learn　30
小結　31
課后習題　31
第3章　數(shù)據(jù)獲取　32
3.1　了解常見的數(shù)據(jù)來源　32
3.2　了解交通信息的采集　33
3.2.1　交通信息的分類與特點　33
3.2.2　常見的交通信息采集技術　34
3.3　了解常見的數(shù)據(jù)類型　35
3.4　掌握數(shù)據(jù)的讀取方式　37
3.4.1　讀取數(shù)據(jù)庫數(shù)據(jù)　37
3.4.2　讀取文件數(shù)據(jù)　38
小結　40
課后習題　40
第4章　數(shù)據(jù)探索　41
4.1　分析數(shù)據(jù)質量　41
4.1.1　分析缺失值　41
4.1.2　分析異常值　42
4.2　分析數(shù)據(jù)特征　45
4.2.1　分析數(shù)據(jù)的統(tǒng)計量　45
4.2.2　分析數(shù)據(jù)的分布情況　48
4.2.3　對比分析數(shù)據(jù)　53
4.2.4　分析數(shù)據(jù)的周期性　56
4.2.5　分析數(shù)據(jù)的相關性　57
小結　60
課后習題　61
第5章　數(shù)據(jù)預處理　63
5.1　數(shù)據(jù)清洗　63
5.1.1　處理缺失值　63
5.1.2　處理異常值　66
5.2　數(shù)據(jù)變換　66
5.2.1　函數(shù)變換　66
5.2.2　數(shù)據(jù)標準化　67
5.2.3　離散化連續(xù)型數(shù)據(jù)　69
5.3　屬性構造　72
5.4　屬性規(guī)約　73
5.5　數(shù)據(jù)合并　76
5.5.1　多表合并　77
5.5.2　分組聚合數(shù)據(jù)　84
小結　92
課后習題　92
第6章　構建模型　94
6.1　構建分類與回歸模型　94
6.1.1　常用的分類與回歸算法　94
6.1.2　了解回歸分析　95
6.1.3　了解樸素貝葉斯　99
6.1.4　了解決策樹　101
6.1.5　了解人工神經網絡　104
6.1.6　評價分類與回歸模型　109
6.2　構建聚類模型　113
6.2.1　了解常用的聚類算法　113
6.2.2　了解K-Means聚類　114
6.2.3　了解密度聚類　120
6.2.4　聚類模型評價　124
6.3　構建時間序列模型　126
6.3.1　了解常用的時間序列模型　126
6.3.2　預處理時間序列　127
6.3.3　分析平穩(wěn)時間序列　128
6.3.4　分析非平穩(wěn)時間序列　131
小結　140
課后習題　140
第7章　運輸車輛駕駛行為分析　142
7.1　分析背景與目標　142
7.1.1　背景　142
7.1.2　數(shù)據(jù)說明　143
7.1.3　分析目標　144
7.2　數(shù)據(jù)探索分析　145
7.2.1　分布分析　145
7.2.2　相關性分析　146
7.2.3　異常值檢測　147
7.3　駕駛行為聚類分析　149
7.3.1　K-Means聚類　149
7.3.2　層次聚類　152
7.3.3　高斯混合模型聚類　153
7.3.4　譜聚類　154
7.4　構建駕駛行為預測模型　156
7.4.1　構建線性判別分析模型　156
7.4.2　構建樸素貝葉斯模型　157
7.4.3　構建神經網絡模型　159
7.5　駕駛行為分析總結與建議　160
小結　160
課后習題　160
第8章　公交車站點設置優(yōu)化分析　162
8.1　分析背景與目標　162
8.1.1　背景　163
8.1.2　數(shù)據(jù)說明　163
8.1.3　分析目標　164
8.2　探索公交刷卡數(shù)據(jù)　165
8.3　預處理公交車載GPS數(shù)據(jù)與刷卡數(shù)據(jù)　166
8.3.1　屬性規(guī)約　166
8.3.2　缺失值處理　166
8.3.3　數(shù)據(jù)去重　167
8.4　構建DBSCAN模型　168
8.5　公交車站點設置優(yōu)化分析　170
8.5.1　計算上車人數(shù)　170
8.5.2　計算下車人數(shù)　172
8.5.3　結果分析　176
小結　177
課后習題　177
第9章　鐵路站點客流量預測　179
9.1　分析背景與目標　179
9.1.1　背景　179
9.1.2　數(shù)據(jù)說明　180
9.1.3　分析目標　180
9.2　預處理客流量數(shù)據(jù)　181
9.3　探索客流量數(shù)據(jù)　186
9.3.1　不同站點上下車客流量分布分析　186
9.3.2　不同時段上下車客流量分布分析　187
9.3.3　分析節(jié)假日客流量變化　189
9.4　構建模型并預測客流量　192
9.4.1　構建時間序列模型　192
9.4.2　預測非節(jié)假日客流量　195
9.4.3　預測節(jié)假日客流量　199
小結　206
課后習題　207
第　10章基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)運輸車輛駕駛行為分析　208
10.1　Tip DM大數(shù)據(jù)挖掘建模平臺簡介　208
10.1.1　模型庫　210
10.1.2　數(shù)據(jù)連接　210
10.1.3　我的數(shù)據(jù)　210
10.1.4　我的工程　211
10.1.5　系統(tǒng)算法　211
10.1.6　個人算法　213
10.2　實現(xiàn)運輸車輛駕駛行為分析　214
10.2.1　數(shù)據(jù)源配置　214
10.2.2　數(shù)據(jù)探索分析　217
10.2.3　駕駛行為聚類分析　222
10.2.4　構建駕駛行為預測模型　230
小結　236