掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
買過本商品的人還買了
Python數據分析:零基礎入門到實戰開發 版權信息
- ISBN：9787113267377
- 條形碼：9787113267377 ; 978-7-113-26737-7
- 裝幀：簡裝本
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Python數據分析:零基礎入門到實戰開發 本書特色
系統：立體化、全方位解讀數據分析行業技能掌握路線細致：沿著需求->代碼實現的思路，介紹上百個數分小技巧，適合各類讀者閱讀深入：18個統計學知識點，建立數據分析背后的數學思維案例：列舉了多個數據分析案例，趁熱打鐵，理論與實踐相結合
Python數據分析:零基礎入門到實戰開發 內容簡介
本書主要分為三部分。**部分為數據分析相關Python技能的介紹, 包括NumPy、pandas等重要的第三方庫的使用技巧。第二部分為數據分析相關統計學知識的介紹, 主要包含構建模型的流程、思路、背后的數學原理的說明。第三部分為數個實戰介紹, 結合Python數據分析工具與統計學知識進行小試牛刀。
Python數據分析:零基礎入門到實戰開發Python數據分析:零基礎入門到實戰開發 前言
前 言
這本書是寫給誰看的？
首先，本書非常適合從事數據分析行業的人員學習。從書中可以學會利用pandas批量處理數據，通過可視化技術給領導和客戶帶來強烈的視覺沖擊。建議對這部分感興趣的讀者著重學習第4章、第6章、□□□章。
其次，本書還適合在科研過程中頻繁處理數據的研究人員。據我所知，尤其是生物領域的科研人員，在進行數值分析、方程擬合時，有一部分人還在使用傳統的SPSS軟件，不過它功能有限，也很不靈活，而通過對SciPy的學習，可以感受到Python在科學計算方面的強大功能。建議這部分讀者著重學習第5章。
□后，本書對于那些有志于從事數據領域工作的讀者也很有指導作用。無論你以后想從事數據分析行業，還是大數據挖掘行業，本書都可以作為一本值得入手的啟蒙讀物。
本書架構
□□章從總體講解數據分析，包括其發展歷史、技能需求等。通過經典案例展示數據分析全過程，讓讀者帶著疑問、興趣閱讀本書。□后介紹了兩個非常出色的數據分析案例。
第□章介紹Python基礎編程知識與技巧，有一定Python編程基礎的讀者可以跳過此章，往后閱讀。
第3～7章是本書的核心內容，同時章節講述的先后順序與數據分析的流程相對應。
NumPy中包含了許多大規模數組快速計算的算法，是數據分析的基礎，也是學習其他庫的基礎。
pandas非常擅長將非結構化數據處理為結構化數據，包括清除缺失數據、填充值、表格的合并與刪除等操作。
SciPy是一個科學計算包，當收到規整的數據集，如何挖掘數據信息的任務就落到了SciPy的身上。在本章中你可以掌握數值分析、數值擬合、插值等技能。
數據可視化是數據分析的□后一步，當分析得出了結論就要展示出來。在第6章，會介紹兩個可視化庫，一個是matplotlib，另一個是pyechart。二者其中一個擅長基礎繪圖，一個擅長交互式繪圖，各有所長，互相補充。
在現實生活中，尤其是在金融、科研等領域，很多數據都是時間序列的函數，因此本書在第7章還介紹了Python在時間序列中的應用。
第8～1□章是本書的實戰章節，將介紹一些數據分析的實戰案例，幫助大家融會貫通前面掌握的技能。
本書的目的
希望閱讀本書的數據分析和大數據挖掘從業者、科研人員和愛好者能掌握一些數據分析編程技能，不再僅僅依賴于局限性很強的傳統工具。
希望閱讀本書的學生，能對數據分析的概念、流程，與其他領域的區別有大致的了解，并提高對數據分析技術的興趣。如果能引領出幾位目前迷茫，但閱讀完本書后有志于在數據領域深耕的極客那就更好了。
Python數據分析:零基礎入門到實戰開發 目錄
第1章 什么是數據分析
1.1 Python開發環境 1
1.2 數據分析的前世今生 2
1.2.1 數據分析歷史 2
1.2.2 數據分析的現實應用 2
1.2.3 數據分析的技能需求 3
1.3 數據分析流程 4
1.3.1 數據導入、清洗 5
1.3.2 單變量分析 6
1.3.3 多變量分析 6
1.3.4 選擇模型 6
1.3.5 估計與假設檢驗 7
1.3.6 可視化 8
1.4 數據分析經典案例 8
1.4.1 犯罪率的下降與法律條文的生成 8
1.4.2 利用數據觀察校園作弊行為 9
1.4.3 靠統計學致富的數學家 11
1.5 數據分析的**個實戰 12
1.5.1 單變量探索 12
1.5.2 多變量分析 16
1.5.3 選擇模型 21
1.5.4 假設檢驗 25
第2章 Python知識進階
2.1 Python語言 28
2.1.1 Python的歷史 29
2.1.2 Python的特色 29
2.2 Python技巧與進階 31
2.2.1 數據類型方面的技巧 31
2.2.2 數字方面的使用技巧 32
2.2.3 枚舉 34
2.2.4 匿名函數的應用 35
2.2.5 裝飾器：語法糖 37
2.2.6 列表生成式 39
2.2.7 迭代器與生成器 39
2.3 Python編程的易錯點 41
2.3.1 全局變量與局部變量 42
2.3.2 閉包 43
2.3.3 函數傳參 44
2.3.4 列表和數組的區別 45
2.3.5 變量和按引用傳遞 45
2.3.6 None：一個獨特的類型 47
2.4 小結 48
第3章 NumPy的入門與進階
3.1 ndarray數組 49
3.1.1 ndarray數組的創建 49
3.1.2 C和Fortran順序 51
3.2 索引 51
3.2.1 基本索引 51
3.2.2 高維數組的索引 52
3.2.3 高階索引 54
3.3 廣播機制 56
3.4 NumPy數組的運算 58
3.4.1 NumPy的數值計算 58
3.4.2 比較與排序 59
3.4.3 NumPy的數組計算 60
3.4.4 ufunc高級應用 61
3.4.5 NumPy初等函數與math內置初等函數的區別 63
3.4.6 NumPy中的多項式函數 64
3.4.7 其他功能函數 65
第4章 pandas的入門與進階
4.1 pandas的數據結構 66
4.1.1 Series的創建 67
4.1.2 Series的數值計算 68
4.1.3 DataFrame的創建 69
4.1.4 DataFrame的基本屬性 70
4.2 pandas數據結構的基本操作 72
4.2.1 轉置 72
4.2.2 索引 73
4.2.3 DataFrame的關系型操作 75
4.2.4 DataFrame的畫圖操作 76
4.2.5 查看數據 80
4.3 pandas數據結構的進階操作 81
4.3.1 數據導入導出 81
4.3.2 表格合并 83
4.3.3 讀寫文件中的編碼問題 90
4.3.4 刪除與替換數據 92
4.3.5 表格整體性分析 96
4.3.6 GroupBy分組運算 98
4.3.7 綜合練習 103
第5章 SciPy入門與進階
5.1 SciPy中的常數與函數 106
5.1.1 SciPy中的常數 106
5.1.2 SciPy中的special模塊 107
5.2 SciPy中的科學計算工具 108
5.2.1 求解多元方程組 108
5.2.2 擬合方程 110
5.2.3 *優化算法 113
5.2.4 統計分布 116
5.2.5 積分 120
5.2.6 插值 121
第6章 可視化
6.1 可視化的魅力 124
6.1.1 別出心裁的可視化 124
6.1.2 可視化的基本理論 126
6.1.3 可視化實例 127
6.2 matplotlib第三方庫的基本功能 131
6.2.1 matplotlib繪圖的基礎組件 131
6.2.2 餅圖 134
6.2.3 條形圖 139
6.2.4 散點圖 142
6.2.5 折線圖 145
6.2.6 箱線圖 146
6.2.7 小提琴圖 148
6.2.8 Basemap簡單介紹 150
6.3 交互式繪圖 151
6.3.1 matplotlib的簡單交互式繪圖 151
6.3.2 pyecharts可視化庫 154
第7章 時間序列
7.1 datetime庫的簡單介紹 160
7.1.1 時間坐標的構造 160
7.1.2 時間和字符串的轉換 161
7.2 時間序列中pandas的應用 162
7.2.1 DatetimeIndex 162
7.2.2 pandas中時間坐標的構造 163
7.2.3 PeriodIndex（時間索引類型） 164
7.2.4 采樣 166
7.2.5 超前或滯后 167
7.2.6 移動窗口函數 168
7.3 時間序列的時區轉換 169
第8章 數據分析中的統計學
8.1 有趣的選擇 171
8.2 數據分析回答ofo多久才能退押金 172
8.3 統計學在數據分析中扮演的角色 178
8.4 數據預處理 178
8.4.1 數據清洗 178
8.4.2 數據集成 180
8.4.3 數據變換 181
8.5 特征工程 182
8.5.1 過濾法 183
8.5.2 包裝法 186
8.5.3 嵌入式方法 190
8.5.4 正則化 193
8.6 模型訓練 194
8.7 模型評估 199
8.8 數據分析中的其他問題 201
8.8.1 數據泄露 201
8.8.2 大數據下的數據分析 202
8.8.3 辛普森悖論 204
8.8.4 數據集的劃分 205
8.8.5 優化調參 206
第9章 豆瓣電影TOP 250數據分析
9.1 項目介紹 210
9.1.1 爬蟲的簡單介紹 210
9.1.2 網頁的構成 210
9.1.3 實戰中的爬蟲技術介紹 211
9.1.4 實戰中數據存儲與讀取 215
9.1.5 實戰中的界面設計 216
9.1.6 實戰中的數據可視化 219
9.2 數據庫操作 224
9.2.1 數據庫的安裝與配置 225
9.2.2 數據存儲到數據庫 227
9.3 數據庫標準語言 228
9.3.1 創建數據庫、表 229
9.3.2 表的刪除與更新 229
9.3.3 查詢 230
9.3.4 聚合與排序 230
9.3.5 數據更新 231
9.3.6 表的集合運算 232
9.3.7 Python和數據庫語言的關系 234
第10章 Python豐富的可視化案例
10.1 turtle庫的簡單使用 236
10.2 北上廣深租房分析可視化案例 238
10.2.1 數據爬取 238
10.2.2 讀取數據 240
10.2.3 數據分析 241
第11章 Python預測應用——SVM預測股票漲跌
11.1 SVM介紹 246
11.1.1 SVM原理 246
11.1.2 核函數 247
11.2 SVM實戰 249
11.2.1 數據預處理 249
11.2.2 訓練模型 251
11.2.3 遺傳算法 252
第12章 文本分析《三國演義》：挖掘人物圖譜
12.1 項目簡單說明 262
12.1.1 代碼分塊介紹 262
12.1.2 效果圖展示 265
12.2 工程具體實現 265
12.2.1 設計思想 266
12.2.2 代碼詳解 266
12.2.3 可視化 267
1.1 Python開發環境 1
1.2 數據分析的前世今生 2
1.2.1 數據分析歷史 2
1.2.2 數據分析的現實應用 2
1.2.3 數據分析的技能需求 3
1.3 數據分析流程 4
1.3.1 數據導入、清洗 5
1.3.2 單變量分析 6
1.3.3 多變量分析 6
1.3.4 選擇模型 6
1.3.5 估計與假設檢驗 7
1.3.6 可視化 8
1.4 數據分析經典案例 8
1.4.1 犯罪率的下降與法律條文的生成 8
1.4.2 利用數據觀察校園作弊行為 9
1.4.3 靠統計學致富的數學家 11
1.5 數據分析的**個實戰 12
1.5.1 單變量探索 12
1.5.2 多變量分析 16
1.5.3 選擇模型 21
1.5.4 假設檢驗 25
第2章 Python知識進階
2.1 Python語言 28
2.1.1 Python的歷史 29
2.1.2 Python的特色 29
2.2 Python技巧與進階 31
2.2.1 數據類型方面的技巧 31
2.2.2 數字方面的使用技巧 32
2.2.3 枚舉 34
2.2.4 匿名函數的應用 35
2.2.5 裝飾器：語法糖 37
2.2.6 列表生成式 39
2.2.7 迭代器與生成器 39
2.3 Python編程的易錯點 41
2.3.1 全局變量與局部變量 42
2.3.2 閉包 43
2.3.3 函數傳參 44
2.3.4 列表和數組的區別 45
2.3.5 變量和按引用傳遞 45
2.3.6 None：一個獨特的類型 47
2.4 小結 48
第3章 NumPy的入門與進階
3.1 ndarray數組 49
3.1.1 ndarray數組的創建 49
3.1.2 C和Fortran順序 51
3.2 索引 51
3.2.1 基本索引 51
3.2.2 高維數組的索引 52
3.2.3 高階索引 54
3.3 廣播機制 56
3.4 NumPy數組的運算 58
3.4.1 NumPy的數值計算 58
3.4.2 比較與排序 59
3.4.3 NumPy的數組計算 60
3.4.4 ufunc高級應用 61
3.4.5 NumPy初等函數與math內置初等函數的區別 63
3.4.6 NumPy中的多項式函數 64
3.4.7 其他功能函數 65
第4章 pandas的入門與進階
4.1 pandas的數據結構 66
4.1.1 Series的創建 67
4.1.2 Series的數值計算 68
4.1.3 DataFrame的創建 69
4.1.4 DataFrame的基本屬性 70
4.2 pandas數據結構的基本操作 72
4.2.1 轉置 72
4.2.2 索引 73
4.2.3 DataFrame的關系型操作 75
4.2.4 DataFrame的畫圖操作 76
4.2.5 查看數據 80
4.3 pandas數據結構的進階操作 81
4.3.1 數據導入導出 81
4.3.2 表格合并 83
4.3.3 讀寫文件中的編碼問題 90
4.3.4 刪除與替換數據 92
4.3.5 表格整體性分析 96
4.3.6 GroupBy分組運算 98
4.3.7 綜合練習 103
第5章 SciPy入門與進階
5.1 SciPy中的常數與函數 106
5.1.1 SciPy中的常數 106
5.1.2 SciPy中的special模塊 107
5.2 SciPy中的科學計算工具 108
5.2.1 求解多元方程組 108
5.2.2 擬合方程 110
5.2.3 *優化算法 113
5.2.4 統計分布 116
5.2.5 積分 120
5.2.6 插值 121
第6章 可視化
6.1 可視化的魅力 124
6.1.1 別出心裁的可視化 124
6.1.2 可視化的基本理論 126
6.1.3 可視化實例 127
6.2 matplotlib第三方庫的基本功能 131
6.2.1 matplotlib繪圖的基礎組件 131
6.2.2 餅圖 134
6.2.3 條形圖 139
6.2.4 散點圖 142
6.2.5 折線圖 145
6.2.6 箱線圖 146
6.2.7 小提琴圖 148
6.2.8 Basemap簡單介紹 150
6.3 交互式繪圖 151
6.3.1 matplotlib的簡單交互式繪圖 151
6.3.2 pyecharts可視化庫 154
第7章 時間序列
7.1 datetime庫的簡單介紹 160
7.1.1 時間坐標的構造 160
7.1.2 時間和字符串的轉換 161
7.2 時間序列中pandas的應用 162
7.2.1 DatetimeIndex 162
7.2.2 pandas中時間坐標的構造 163
7.2.3 PeriodIndex（時間索引類型） 164
7.2.4 采樣 166
7.2.5 超前或滯后 167
7.2.6 移動窗口函數 168
7.3 時間序列的時區轉換 169
第8章 數據分析中的統計學
8.1 有趣的選擇 171
8.2 數據分析回答ofo多久才能退押金 172
8.3 統計學在數據分析中扮演的角色 178
8.4 數據預處理 178
8.4.1 數據清洗 178
8.4.2 數據集成 180
8.4.3 數據變換 181
8.5 特征工程 182
8.5.1 過濾法 183
8.5.2 包裝法 186
8.5.3 嵌入式方法 190
8.5.4 正則化 193
8.6 模型訓練 194
8.7 模型評估 199
8.8 數據分析中的其他問題 201
8.8.1 數據泄露 201
8.8.2 大數據下的數據分析 202
8.8.3 辛普森悖論 204
8.8.4 數據集的劃分 205
8.8.5 優化調參 206
第9章 豆瓣電影TOP 250數據分析
9.1 項目介紹 210
9.1.1 爬蟲的簡單介紹 210
9.1.2 網頁的構成 210
9.1.3 實戰中的爬蟲技術介紹 211
9.1.4 實戰中數據存儲與讀取 215
9.1.5 實戰中的界面設計 216
9.1.6 實戰中的數據可視化 219
9.2 數據庫操作 224
9.2.1 數據庫的安裝與配置 225
9.2.2 數據存儲到數據庫 227
9.3 數據庫標準語言 228
9.3.1 創建數據庫、表 229
9.3.2 表的刪除與更新 229
9.3.3 查詢 230
9.3.4 聚合與排序 230
9.3.5 數據更新 231
9.3.6 表的集合運算 232
9.3.7 Python和數據庫語言的關系 234
第10章 Python豐富的可視化案例
10.1 turtle庫的簡單使用 236
10.2 北上廣深租房分析可視化案例 238
10.2.1 數據爬取 238
10.2.2 讀取數據 240
10.2.3 數據分析 241
第11章 Python預測應用——SVM預測股票漲跌
11.1 SVM介紹 246
11.1.1 SVM原理 246
11.1.2 核函數 247
11.2 SVM實戰 249
11.2.1 數據預處理 249
11.2.2 訓練模型 251
11.2.3 遺傳算法 252
第12章 文本分析《三國演義》：挖掘人物圖譜
12.1 項目簡單說明 262
12.1.1 代碼分塊介紹 262
12.1.2 效果圖展示 265
12.2 工程具體實現 265
12.2.1 設計思想 266
12.2.2 代碼詳解 266
12.2.3 可視化 267
目 錄
第1章 什么是數據分析
1.1 Python開發環境 1
1.2 數據分析的前世今生 2
1.2.1 數據分析歷史 2
1.2.2 數據分析的現實應用 2
1.2.3 數據分析的技能需求 3
1.3 數據分析流程 4
1.3.1 數據導入、清洗 5
1.3.2 單變量分析 6
1.3.3 多變量分析 6
1.3.4 選擇模型 6
1.3.5 估計與假設檢驗 7
1.3.6 可視化 8
1.4 數據分析經典案例 8
1.4.1 犯罪率的下降與法律條文的生成 8
1.4.2 利用數據觀察校園作弊行為 9
1.4.3 靠統計學致富的數學家 11
1.5 數據分析的**個實戰 12
1.5.1 單變量探索 12
1.5.2 多變量分析 16
1.5.3 選擇模型 21
1.5.4 假設檢驗 25
第2章 Python知識進階
2.1 Python語言 28
2.1.1 Python的歷史 29
2.1.2 Python的特色 29
2.2 Python技巧與進階 31
2.2.1 數據類型方面的技巧 31
2.2.2 數字方面的使用技巧 32
2.2.3 枚舉 34
2.2.4 匿名函數的應用 35
2.2.5 裝飾器：語法糖 37
2.2.6 列表生成式 39
2.2.7 迭代器與生成器 39
2.3 Python編程的易錯點 41
2.3.1 全局變量與局部變量 42
2.3.2 閉包 43
2.3.3 函數傳參 44
2.3.4 列表和數組的區別 45
2.3.5 變量和按引用傳遞 45
2.3.6 None：一個獨特的類型 47
2.4 小結 48
第3章 NumPy的入門與進階
3.1 ndarray數組 49
3.1.1 ndarray數組的創建 49
3.1.2 C和Fortran順序 51
3.2 索引 51
3.2.1 基本索引 51
3.2.2 高維數組的索引 52
3.2.3 高階索引 54
3.3 廣播機制 56
3.4 NumPy數組的運算 58
3.4.1 NumPy的數值計算 58
3.4.2 比較與排序 59
3.4.3 NumPy的數組計算 60
3.4.4 ufunc高級應用 61
3.4.5 NumPy初等函數與math內置初等函數的區別 63
3.4.6 NumPy中的多項式函數 64
3.4.7 其他功能函數 65
第4章 pandas的入門與進階
4.1 pandas的數據結構 66
4.1.1 Series的創建 67
4.1.2 Series的數值計算 68
4.1.3 DataFrame的創建 69
4.1.4 DataFrame的基本屬性 70
4.2 pandas數據結構的基本操作 72
4.2.1 轉置 72
4.2.2 索引 73
4.2.3 DataFrame的關系型操作 75
4.2.4 DataFrame的畫圖操作 76
4.2.5 查看數據 80
4.3 pandas數據結構的進階操作 81
4.3.1 數據導入導出 81
4.3.2 表格合并 83
4.3.3 讀寫文件中的編碼問題 90
4.3.4 刪除與替換數據 92
4.3.5 表格整體性分析 96
4.3.6 GroupBy分組運算 98
4.3.7 綜合練習 103
第5章 SciPy入門與進階
5.1 SciPy中的常數與函數 106
5.1.1 SciPy中的常數 106
5.1.2 SciPy中的special模塊 107
5.2 SciPy中的科學計算工具 108
5.2.1 求解多元方程組 108
5.2.2 擬合方程 110
5.2.3 *優化算法 113
5.2.4 統計分布 116
5.2.5 積分 120
5.2.6 插值 121
第6章 可視化
6.1 可視化的魅力 124
6.1.1 別出心裁的可視化 124
6.1.2 可視化的基本理論 126
6.1.3 可視化實例 127
6.2 matplotlib第三方庫的基本功能 131
6.2.1 matplotlib繪圖的基礎組件 131
6.2.2 餅圖 134
6.2.3 條形圖 139
6.2.4 散點圖 142
6.2.5 折線圖 145
6.2.6 箱線圖 146
6.2.7 小提琴圖 148
6.2.8 Basemap簡單介紹 150
6.3 交互式繪圖 151
6.3.1 matplotlib的簡單交互式繪圖 151
6.3.2 pyecharts可視化庫 154
第7章 時間序列
7.1 datetime庫的簡單介紹 160
7.1.1 時間坐標的構造 160
7.1.2 時間和字符串的轉換 161
7.2 時間序列中pandas的應用 162
7.2.1 DatetimeIndex 162
7.2.2 pandas中時間坐標的構造 163
7.2.3 PeriodIndex（時間索引類型） 164
7.2.4 采樣 166
7.2.5 超前或滯后 167
7.2.6 移動窗口函數 168
7.3 時間序列的時區轉換 169
第8章 數據分析中的統計學
8.1 有趣的選擇 171
8.2 數據分析回答ofo多久才能退押金 172
8.3 統計學在數據分析中扮演的角色 178
8.4 數據預處理 178
8.4.1 數據清洗 178
8.4.2 數據集成 180
8.4.3 數據變換 181
8.5 特征工程 182
8.5.1 過濾法 183
8.5.2 包裝法 186
8.5.3 嵌入式方法 190
8.5.4 正則化 193
8.6 模型訓練 194
8.7 模型評估 199
8.8 數據分析中的其他問題 201
8.8.1 數據泄露 201
8.8.2 大數據下的數據分析 202
8.8.3 辛普森悖論 204
8.8.4 數據集的劃分 205
8.8.5 優化調參 206
第9章 豆瓣電影TOP 250數據分析
9.1 項目介紹 210
9.1.1 爬蟲的簡單介紹 210
9.1.2 網頁的構成 210
9.1.3 實戰中的爬蟲技術介紹 211
9.1.4 實戰中數據存儲與讀取 215
9.1.5 實戰中的界面設計 216
9.1.6 實戰中的數據可視化 219
9.2 數據庫操作 224
9.2.1 數據庫的安裝與配置 225
9.2.2 數據存儲到數據庫 227
9.3 數據庫標準語言 228
9.3.1 創建數據庫、表 229
9.3.2 表的刪除與更新 229
9.3.3 查詢 230
9.3.4 聚合與排序 230
9.3.5 數據更新 231
9.3.6 表的集合運算 232
9.3.7 Python和數據庫語言的關系 234
第10章 Python豐富的可視化案例
10.1 turtle庫的簡單使用 236
10.2 北上廣深租房分析可視化案例 238
10.2.1 數據爬取 238
10.2.2 讀取數據 240
10.2.3 數據分析 241
第11章 Python預測應用——SVM預測股票漲跌
11.1 SVM介紹 246
11.1.1 SVM原理 246
11.1.2 核函數 247
11.2 SVM實戰 249
11.2.1 數據預處理 249
11.2.2 訓練模型 251
11.2.3 遺傳算法 252
第12章 文本分析《三國演義》：挖掘人物圖譜
12.1 項目簡單說明 262
12.1.1 代碼分塊介紹 262
12.1.2 效果圖展示 265
12.2 工程具體實現 265
12.2.1 設計思想 266
12.2.2 代碼詳解 266
12.2.3 可視化 267
展開全部
Python數據分析:零基礎入門到實戰開發 作者簡介
張玉皓畢業于中國科學院大學計算機應用技術專業，在國際ROBOmaster人工智能挑戰大賽上與中科院自動化所、伯克利大學、哥倫比亞大學同臺競技，榮獲第八名。映客直播實習期間，參與直播間文本分析，計算直播間受歡迎指標的項目。京東實習期間，參與京東商城全品類評論短文本聚類項目，將短文本智能聚類，積累短對話語料庫。畢業斬獲瓜子二手車、映客、馬蜂窩、百度、京東等大廠offer，后就職于京東零售，從事NLP算法領域智能客服的優化工作。
書友推薦
- >
小考拉的故事-套裝共3冊
- >
有舍有得是人生
- >
上帝之肋:男人的真實旅程
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
我從未如此眷戀人間
- >
羅曼·羅蘭讀書隨筆-精裝
- >
莉莉和章魚
- >
伯納黛特,你要去哪(2021新版)
本類暢銷
