计算机 类型
可以朗读 语音朗读
102千字 字数
2019-10-01 发行日期
展开全部

主编推荐语

本书详细介绍数据预处理技术，实用性强，适合大数据从业者。

内容简介

数据预处理在大数据和人工智能方面有着广泛的应用,本书结合理论和工程应用循序渐进地介绍数据预处理技术，内容包括：网络爬虫、数据采集与存储、python数据处理库、信息格式化抽取、数据清洗、数据集成、特征向量化、特征降维、可视化技术、数据预处理在实际项目中的应用及其深度学习技术进行数据预处理。本书的特点是示例代码丰富，实用性和系统性较强，适合于大数据从业者、AI技术开发人员、培训机构及大专院校相关专业的教学参考书。

目录

  • 封面页
  • 书名页
  • 版权页
  • 作者简介
  • 内容简介
  • 前言
  • 目录
  • 第1章　概述
  • 1.1　Python数据预处理
  • 1.1.1　什么是数据预处理
  • 1.1.2　为什么要做数据预处理
  • 1.1.3　数据预处理的工作流程
  • 1.1.4　数据预处理的应用场景
  • 1.2　开发工具与环境
  • 1.2.1　Anaconda介绍与安装
  • 1.2.2　Sublime Text
  • 1.3　实战案例：第一个中文分词程序
  • 1.3.1　中文分词
  • 1.3.2　实例介绍
  • 1.3.3　结巴实现中文分词
  • 1.4　本章小结
  • 第2章　Python科学计算工具
  • 2.1　NumPy
  • 2.1.1　NumPy的安装和特点
  • 2.1.2　NumPy数组
  • 2.1.3　Numpy的数学函数
  • 2.1.4　NumPy线性代数运算
  • 2.1.5　NumPy IO操作
  • 2.2　SciPy
  • 2.2.1　SciPy的安装和特点
  • 2.2.2　SciPy Linalg
  • 2.2.3　SciPy文件操作
  • 2.2.4　SciPy插值
  • 2.2.5　SciPy Ndimage
  • 2.2.6　SciPy优化算法
  • 2.3　Pandas
  • 2.3.1　Pandas的安装和特点
  • 2.3.2　Pandas的数据结构
  • 2.3.3　Pandas的数据统计
  • 2.3.4　Pandas处理丢失值
  • 2.3.5　Pandas处理稀疏数据
  • 2.3.6　Pandas的文件操作
  • 2.3.7　Pandas可视化
  • 2.4　本章小结
  • 第3章　数据采集与存储
  • 3.1　数据与数据采集
  • 3.2　数据类型与采集方法
  • 3.2.1　结构化数据
  • 3.2.2　半结构化数据
  • 3.2.3　非结构化数据
  • 3.3　网络爬虫技术
  • 3.3.1　前置条件
  • 3.3.2　Scrapy技术原理
  • 3.3.3　Scrapy新建爬虫项目
  • 3.3.4　爬取网站内容
  • 3.4　爬取数据以JSON格式进行存储
  • 3.5　爬取数据的MySQL存储
  • 3.5.1　MySQL与Navicat部署
  • 3.5.2　MySQL存储爬虫数据
  • 3.6　网络爬虫技术扩展
  • 3.7　本章小结
  • 第4章　文本信息抽取
  • 4.1　文本抽取概述
  • 4.2　文本抽取问题
  • 4.3　Pywin32抽取文本信息
  • 4.3.1　Pywin32介绍
  • 4.3.2　抽取Word文档文本信息
  • 4.3.3　抽取PDF文档文本信息
  • 4.3.4　打造灵活的文本抽取工具
  • 4.4　文本批量编码
  • 4.5　实战案例：遍历文件批量抽取新闻文本内容
  • 4.5.1　递归读取文件
  • 4.5.2　遍历抽取新闻文本
  • 4.6　本章小结
  • 第5章　文本数据清洗
  • 5.1　新闻语料的准备
  • 5.2　高效读取文件
  • 5.2.1　递归遍历读取新闻
  • 5.2.2　yield生成器
  • 5.2.3　高效遍历读取新闻
  • 5.3　通过正则表达式来清洗文本数据
  • 5.3.1　正则表达式
  • 5.3.2　清洗文本数据
  • 5.4　清洗HTML网页数据
  • 5.5　简繁字体转换
  • 5.6　实战案例：批量新闻文本数据清洗
  • 5.6.1　高效读取文件内容
  • 5.6.2　抽样处理文件
  • 5.6.3　通过正则表达式批量清洗文件
  • 5.7　本章小结
  • 第6章　中文分词技术
  • 6.1　中文分词简介
  • 6.1.1　中文分词概述
  • 6.1.2　常见中文分词方法
  • 6.2　结巴分词精讲
  • 6.2.1　结巴分词的特点
  • 6.2.2　结巴分词的安装
  • 6.2.3　结巴分词核心方法
  • 6.2.4　结巴中文分词的基本操作
  • 6.2.5　自定义分词词典
  • 6.2.6　关键词提取
  • 6.2.7　词性标注
  • 6.3　HanLP分词精讲
  • 6.3.1　JPype1的安装
  • 6.3.2　调用HanLP的Java包
  • 6.3.3　HanLP分词
  • 6.3.4　HanLP实现自定义分词
  • 6.3.5　命名实体识别与词性标注
  • 6.3.6　HanLP实现关键词抽取
  • 6.3.7　HanLP实现自动摘要
  • 6.4　自定义去除停用词
  • 6.4.1　以正则表达式对文本信息进行清洗
  • 6.4.2　结巴中文分词词性解读
  • 6.4.3　根据词性规则构建自定义停用词
  • 6.5　词频统计
  • 6.5.1　NLTK介绍与安装
  • 6.5.2　统计新闻文本词频
  • 6.5.3　统计特定词频和次数
  • 6.5.4　特征词的频率分布表
  • 6.5.5　频率分布图与频率累计分布图
  • 6.5.6　基于Counter的词频统计
  • 6.6　自定义去高低词频
  • 6.7　自定义规则提取特征词
  • 6.8　实战案例：新闻文本分词处理
  • 6.9　本章小结
  • 第7章　文本特征向量化
  • 7.1　解析数据文件
  • 7.2　处理缺失值
  • 7.2.1　什么是数据缺失值
  • 7.2.2　均值法处理数据缺失值
  • 7.2.3　Pandas处理缺失值
  • 7.3　数据的归一化处理
  • 7.3.1　不均衡数据分析
  • 7.3.2　归一化的原理
  • 7.3.3　归一化的优点
  • 7.4　特征词转文本向量
  • 7.5　词频-逆词频（TF-IDF）
  • 7.6　词集模型与词袋模型
  • 7.7　实战案例：新闻文本特征向量化
  • 7.8　本章小结
  • 第8章　Gensim文本向量化
  • 8.1　Gensim的特性和核心概念
  • 8.2　Gensim构建语料词典
  • 8.3　Gensim统计词频特征
  • 8.4　Gensim计算TF-IDF
  • 8.5　Gensim实现主题模型
  • 8.5.1　主题模型
  • 8.5.2　潜在语义分析（LSA）
  • 8.5.3　隐含狄利克雷分布（LDA）
  • 8.5.4　LDA的模型实现
  • 8.5.5　随机映射（RP）
  • 8.6　实战案例：Gensim实现新闻文本特征向量化
  • 8.6.1　参数设置
  • 8.6.2　生成词典模型
  • 8.6.3　生成TF-IDF模型
  • 8.7　本章小结
  • 第9章　PCA降维技术
  • 9.1　什么是降维
  • 9.2　PCA概述
  • 9.3　PCA应用场景
  • 9.4　PCA的算法实现
  • 9.4.1　准备数据
  • 9.4.2　PCA数据降维
  • 9.4.3　高维向低维数据映射
  • 9.5　实战案例：PCA技术实现新闻文本特征降维
  • 9.5.1　加载新闻数据
  • 9.5.2　前N个主成分特征
  • 9.5.3　PCA新闻特征降维可视化
  • 9.6　本章小结
  • 第10章　数据可视化
  • 10.1　Matplotlib概述
  • 10.1.1　认识Matplotlib
  • 10.1.2　Matplotlib的架构
  • 10.2　Matplotlib绘制折线图
  • 10.2.1　折线图的应用场景
  • 10.2.2　折线图的绘制示例
  • 10.3　Matplotlib绘制散点图
  • 10.3.1　散点图的应用场景
  • 10.3.2　散点图的绘制示例
  • 10.4　Matplotlib绘制直方图
  • 10.4.1　直方图的应用场景
  • 10.4.2　直方图的绘制示例
  • 10.5　练习：Matplotlib绘制气温图
  • 10.6　练习：Matplotlib绘制三维图
  • 10.6.1　练习1：绘制三维梯度下降图
  • 10.6.2　练习2：绘制三维散点图
  • 10.7　本章小结
  • 第11章　竞赛神器XGBoost
  • 11.1　XGBoost概述
  • 11.1.1　认识XGBoost
  • 11.1.2　XGBoost的应用场景
  • 11.2　XGBoost的优点
  • 11.3　使用XGBoost预测毒蘑菇
  • 11.3.1　XGBoost的开发环境及安装
  • 11.3.2　数据准备
  • 11.3.3　参数设置
  • 11.3.4　模型训练
  • 11.3.5　可视化特征排名
  • 11.4　XGBoost优化调参
  • 11.4.1　参数解读
  • 11.4.2　调参原则
  • 11.4.3　调参技巧
  • 11.5　预测糖尿病患者
  • 11.5.1　数据准备
  • 11.5.2　预测器模型构建
  • 11.5.3　调参提高预测器的性能
  • 11.6　本章小结
  • 第12章　XGBoost实现新闻文本分类
  • 12.1　文本分类概述
  • 12.2　文本分类的原理
  • 12.2.1　文本分类的数学描述
  • 12.2.2　文本分类的形式化描述
  • 12.3　分类模型评估
  • 12.4　数据预处理
  • 12.4.1　通用的类库
  • 12.4.2　阶段1：生成词典
  • 12.4.3　阶段2：词典向量化TF-IDF
  • 12.4.4　阶段3：生成主题模型
  • 12.5　XGBoost分类器
  • 12.6　新闻文本分类应用
  • 12.7　本章小结
  • 参考文献
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

清华大学出版社

清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。