免费人妻中文不卡无码_日本精品爽爽van在线_久久精品国产99久久丝袜蜜桃_女强人被春药精油按摩bd电影

前言

第1章 Python基礎(chǔ)1
1.1 Python概述1
1.2 Python大數(shù)據(jù)應(yīng)用3
1.2.1 Python與大數(shù)據(jù)技術(shù)3
1.2.2 常用行業(yè)數(shù)據(jù)集6
1.2.3 嵌入式開(kāi)發(fā)應(yīng)用6
1.2.4 數(shù)據(jù)挖掘及應(yīng)用7
1.2.5 機(jī)器學(xué)習(xí)及應(yīng)用8
1.2.6 數(shù)據(jù)分析未來(lái)發(fā)展9
1.3 搭建Python開(kāi)發(fā)環(huán)境10
1.3.1 Python開(kāi)發(fā)環(huán)境系統(tǒng)要求10
1.3.2 Windows系統(tǒng)平臺(tái)下搭建開(kāi)發(fā)環(huán)境10
1.3.3 Linux系統(tǒng)平臺(tái)下搭建開(kāi)發(fā)環(huán)境12
1.3.4 Mac系統(tǒng)平臺(tái)下搭建開(kāi)發(fā)環(huán)境13
1.4 Python集成開(kāi)發(fā)平臺(tái)14
1.5 Python常用庫(kù)概述18
1.5.1 Python庫(kù)簡(jiǎn)介18
1.5.2 Python庫(kù)安裝及集成19
1.5.3 Python數(shù)據(jù)分析工具21
1.6 創(chuàng)建Python程序21
1.6.1 在A(yíng)naconda下創(chuàng)建Python程序22
1.6.2 命令行創(chuàng)建Python程序25
1.6.3 Python運(yùn)行在移動(dòng)終端25
1.6.4 創(chuàng)建Python嵌入式程序27
習(xí)題28
第2章 Python高級(jí)開(kāi)發(fā)29
2.1 字符串29
2.1.1 字符串及格式化29
2.1.2 字符串常用方法32
2.1.3 字符串匹配與正則表達(dá)式匹配33
2.1.4 字符串應(yīng)用35
2.2 文本處理35
2.2.1 讀寫(xiě)JSON數(shù)據(jù)35
2.2.2 讀寫(xiě)CSV數(shù)據(jù)37
2.2.3 解析XML數(shù)據(jù)38
2.2.4 字典轉(zhuǎn)XML數(shù)據(jù)42
2.2.5 文本處理應(yīng)用43
2.3 文件和流45
2.3.1 打開(kāi)文件及模式45
2.3.2 文件處理方法46
2.3.3 文件應(yīng)用47
2.4 網(wǎng)絡(luò)及Web應(yīng)用48
2.4.1 創(chuàng)建TCP、UDP服務(wù)器48
2.4.2 RPC遠(yuǎn)程訪(fǎng)問(wèn)51
2.4.3 Python動(dòng)態(tài)網(wǎng)站應(yīng)用52
2.5 Python圖形繪制55
2.5.1 Python GUI簡(jiǎn)介55
2.5.2 wxPython安裝及配置55
2.5.3 wxPython應(yīng)用55
2.5.4 PySimpleGUI及Jython應(yīng)用58
2.6 Python測(cè)試及框架60
習(xí)題63
第3章 Python數(shù)據(jù)采集與存儲(chǔ)64
3.1 數(shù)據(jù)采集簡(jiǎn)介64
3.1.1 數(shù)據(jù)源概述64
3.1.2 常用的爬蟲(chóng)框架66
3.1.3 社交網(wǎng)站信息采集75
3.2 Python數(shù)據(jù)存儲(chǔ)78
3.2.1 文本格式存儲(chǔ)78
3.2.2 文本存儲(chǔ)應(yīng)用80
3.2.3 二進(jìn)制格式存儲(chǔ)80
3.2.4 二進(jìn)制存儲(chǔ)應(yīng)用81
3.3 數(shù)據(jù)庫(kù)存儲(chǔ)81
3.3.1 Python 常用數(shù)據(jù)庫(kù)簡(jiǎn)介82
3.3.2 MongoDB及應(yīng)用82
3.3.3 Redis及應(yīng)用93
3.3.4 SQLite及應(yīng)用102
3.3.5 PyTables 及應(yīng)用108
3.3.6 社交數(shù)據(jù)存儲(chǔ)112
3.4 案例：租房數(shù)據(jù)采集與存儲(chǔ)113
習(xí)題115
第4章 Python數(shù)據(jù)預(yù)處理116
4.1 數(shù)據(jù)預(yù)處理及工具簡(jiǎn)介116
4.1.1 預(yù)處理基礎(chǔ)116
4.1.2 預(yù)處理方法117
4.1.3 預(yù)處理技術(shù)118
4.1.4 垃圾短信分類(lèi)預(yù)處理120
4.2 NumPy122
4.2.1 NumPy安裝及配置123
4.2.2 NumPy的數(shù)據(jù)存取123
4.2.3 NumPy的矩陣構(gòu)建126
4.2.4 NumPy 的矩陣運(yùn)算128
4.2.5 NumPy的數(shù)學(xué)統(tǒng)計(jì)131
4.2.6 NumPy的排序運(yùn)算134
4.2.7 NumPy處理缺失項(xiàng)136
4.3 pandas137
4.3.1 pandas安裝及配置138
4.3.2 pandas數(shù)據(jù)結(jié)構(gòu)141
4.3.3 pandas 數(shù)據(jù)加載和存儲(chǔ)142
4.3.4 pandas數(shù)值計(jì)算與排序144
4.3.5 pandas數(shù)據(jù)索引構(gòu)建147
4.3.6 pandas復(fù)雜數(shù)據(jù)結(jié)構(gòu)148
4.3.7 書(shū)目信息索引149
4.4 SciPy150
4.4.1 SciPy安裝及配置151
4.4.2 SciPy的文件輸入與輸出152
4.4.3 SciPy的特殊函數(shù)應(yīng)用152
4.4.4 SciPy的線(xiàn)性代數(shù)運(yùn)算153
4.4.5 SciPy的快速傅里葉變換154
4.4.6 SciPy的優(yōu)化和擬合155
4.5 案例：社交網(wǎng)站數(shù)據(jù)預(yù)處理157
習(xí)題162
第5章 Python數(shù)據(jù)分析163
5.1 數(shù)據(jù)分析簡(jiǎn)介163
5.1.1 數(shù)據(jù)分析發(fā)展163
5.1.2 數(shù)據(jù)分析主流技術(shù)164
5.1.3 數(shù)據(jù)分析應(yīng)用領(lǐng)域166
5.2 Python 數(shù)據(jù)分析庫(kù)167
5.2.1 scikit-learn167
5.2.2 statsmodels170
5.2.3 Gensim172
5.2.4 Keras174
5.2.5 社交網(wǎng)站數(shù)據(jù)分析177
5.3 分類(lèi)178
5.3.1 分類(lèi)簡(jiǎn)介179
5.3.2 常用分類(lèi)算法179
5.3.3 分類(lèi)評(píng)價(jià)標(biāo)準(zhǔn)181
5.3.4 新聞分類(lèi)182
5.4 回歸184
5.4.1 回歸簡(jiǎn)介184
5.4.2 常用回歸算法185
5.4.3 回歸評(píng)價(jià)標(biāo)準(zhǔn)187
5.4.4 房屋價(jià)格回歸分析188
5.5 聚類(lèi)189
5.5.1 聚類(lèi)簡(jiǎn)介189
5.5.2 典型聚類(lèi)算法189
5.5.3 聚類(lèi)評(píng)價(jià)標(biāo)準(zhǔn)191
5.5.4 用戶(hù)社區(qū)聚類(lèi)分析192
5.6 機(jī)器學(xué)習(xí)基礎(chǔ)194
5.6.1 機(jī)器學(xué)習(xí)簡(jiǎn)介194
5.6.2 常見(jiàn)機(jī)器學(xué)習(xí)算法195
5.6.3 主流應(yīng)用框架196
5.6.4 Theano 應(yīng)用198
5.7 案例：購(gòu)物網(wǎng)站用戶(hù)態(tài)度及情感分析199
習(xí)題201
第6章 Python 數(shù)據(jù)可視化202
6.1 數(shù)據(jù)可視化簡(jiǎn)介202
6.1.1 數(shù)據(jù)可視化定義202
6.1.2 數(shù)據(jù)可視化發(fā)展203
6.1.3 數(shù)據(jù)可視化分類(lèi)204
6.1.4 數(shù)據(jù)可視化應(yīng)用205
6.2 數(shù)據(jù)可視化基礎(chǔ)206
6.2.1 數(shù)據(jù)可視化基本流程206
6.2.2 主流數(shù)據(jù)可視化分析技術(shù)207
6.2.3 人口遷移數(shù)據(jù)可視化209
6.3 數(shù)據(jù)可視化開(kāi)發(fā)工具210
6.3.1 matplotlib210
6.3.2 NetworkX213
6.3.3 seaborn214
6.3.4 ggplot216
6.3.5 Bokeh217
6.3.6 Pygal219
6.3.7 Plotly221
6.3.8 pyecharts224
6.4 數(shù)據(jù)可視化分析框架227
6.5 案例：話(huà)題漂移可視化228
習(xí)題232
第7章 Python數(shù)據(jù)挖掘與應(yīng)用233
7.1 數(shù)據(jù)挖掘簡(jiǎn)介233
7.1.1 Python數(shù)據(jù)挖掘基礎(chǔ)234
7.1.2 文本分詞236
7.1.3 Gensim文本主題挖掘237
7.1.4 新詞發(fā)現(xiàn)242
7.2 Python視頻數(shù)據(jù)處理244
7.2.1 常見(jiàn)視頻數(shù)據(jù)處理算法244
7.2.2 OpenCV的基本操作245
7.2.3 scikit-video視頻讀寫(xiě)操作248
7.2.4 MoviePy視頻編輯操作250
7.2.5 人物視頻識(shí)別檢測(cè)252
7.3 Python圖像數(shù)據(jù)處理255
7.3.1 常見(jiàn)圖像處理算法255
7.3.2 Python圖像處理庫(kù)260
7.3.3 手寫(xiě)數(shù)字圖像及字體識(shí)別262
7.3.4 基于CNN的圖像識(shí)別應(yīng)用267
7.4 案例：熱點(diǎn)話(huà)題挖掘272
習(xí)題277
第8章 綜合案例：社交用戶(hù)畫(huà)像
挖掘278
8.1 用戶(hù)畫(huà)像簡(jiǎn)介278
8.1.1 用戶(hù)畫(huà)像基礎(chǔ)278
8.1.2 用戶(hù)畫(huà)像標(biāo)簽體系281
8.1.3 搭建用戶(hù)畫(huà)像挖掘系統(tǒng)環(huán)境284
8.2 用戶(hù)屬性挖掘模塊286
8.2.1 基礎(chǔ)標(biāo)簽創(chuàng)建286
8.2.2 標(biāo)簽數(shù)據(jù)存儲(chǔ)290
8.2.3 用戶(hù)屬性可視化292
8.3 用戶(hù)興趣挖掘模塊295
8.3.1 用戶(hù)興趣挖掘295
8.3.2 用戶(hù)興趣數(shù)據(jù)存儲(chǔ)301
8.3.3 用戶(hù)興趣可視化302
8.4 用戶(hù)行為挖掘模塊305
8.4.1 行為挖掘305
8.4.2 基于神經(jīng)網(wǎng)絡(luò)的挖掘308
8.4.3 行為標(biāo)簽存儲(chǔ)312
8.4.4 用戶(hù)行為關(guān)系可視化313
8.5 用戶(hù)畫(huà)像前端模塊315
8.5.1 標(biāo)簽綜合視圖315
8.5.2 單個(gè)用戶(hù)畫(huà)像325
8.5.3 用戶(hù)群體畫(huà)像334
習(xí)題340