张良均<br>资深大数据挖掘与分析专家、模式识别专家、AI技术专家。有10余年大数据挖掘与分析经验，擅长Python、R、Hadoop、Matlab等技术实现的数据挖掘与分析，对机器学习等AI技术驱动的数据分析也有深入研究。<br>为电信、电力、政府、互联网、生产制造、零售、银行、生物、化工、医药等多个行业上百家大型企业提供过数据挖掘应用与咨询服务，实践经验非常丰富。<br>华南师范大学、中南财经政法大学、广东工业大学、西安理工大学、广西科技大学、重庆交通大学、桂林电子科技大学等校外硕导或兼职教授。<br>撰写了《R语言数据分析与挖掘实战》《数据挖掘：实用案例分析》《Hadoop大数据分析与挖掘实战》等10余部畅销书，累计销售超过30万册。

前言<br/>基础篇<br/>第1章　数据挖掘基础  2<br/>1.1　某知名连锁餐饮企业的困惑  2<br/>1.2　从餐饮服务到数据挖掘  4<br/>1.3　数据挖掘的基本任务  5<br/>1.4　数据挖掘建模过程  5<br/>1.4.1　定义挖掘目标  6<br/>1.4.2　数据取样  6<br/>1.4.3　数据探索  7<br/>1.4.4　数据预处理  8<br/>1.4.5　挖掘建模  8<br/>1.4.6　模型评价  8<br/>1.5　常用数据挖掘建模工具  9<br/>1.6　小结  11<br/>第2章　Python数据分析简介  12<br/>2.1　搭建Python开发平台  14<br/>2.1.1　所要考虑的问题  14<br/>2.1.2　基础平台的搭建  14<br/>2.2　Python使用入门  16<br/>2.2.1　运行方式  16<br/>2.2.2　基本命令  17<br/>2.2.3　数据结构  19<br/>2.2.4　库的导入与添加  24<br/>2.3　Python数据分析工具  26<br/>2.3.1　NumPy  27<br/>2.3.2　SciPy  28<br/>2.3.3　Matplotlib  29<br/>2.3.4　pandas  31<br/>2.3.5　StatsModels  33<br/>2.3.6　scikit-learn  33<br/>2.3.7　Keras  34<br/>2.3.8　Gensim  36<br/>2.4　配套附件使用设置  37<br/>2.5　小结  38<br/>第3章　数据探索  39<br/>3.1　数据质量分析  39<br/>3.1.1　缺失值分析  40<br/>3.1.2　异常值分析  40<br/>3.1.3　一致性分析  44<br/>3.2　数据特征分析  44<br/>3.2.1　分布分析  44<br/>3.2.2　对比分析  48<br/>3.2.3　统计量分析  51<br/>3.2.4　周期性分析  54<br/>3.2.5　贡献度分析  55<br/>3.2.6　相关性分析  58<br/>3.3　Python主要数据探索函数  62<br/>3.3.1　基本统计特征函数  62<br/>3.3.2　拓展统计特征函数  66<br/>3.3.3　统计绘图函数  67<br/>3.4　小结  74<br/>第4章　数据预处理  75<br/>4.1　数据清洗  75<br/>4.1.1　缺失值处理  75<br/>4.1.2　异常值处理  80<br/>4.2　数据集成  80<br/>4.2.1　实体识别  81<br/>4.2.2　冗余属性识别  81<br/>4.2.3　数据变换  81<br/>4.2.4　简单函数变换  81<br/>4.2.5　规范化  82<br/>4.2.6　连续属性离散化  84<br/>4.2.7　属性构造  87<br/>4.2.8　小波变换  88<br/>4.3　数据归约  91<br/>4.3.1　属性归约  91<br/>4.3.2　数值归约  95<br/>4.4　Python主要数据预处理函数  98<br/>4.5　小结  101<br/>第5章　挖掘建模  102<br/>5.1　分类与预测  102<br/>5.1.1　实现过程  103<br/>5.1.2　常用的分类与预测算法  103<br/>5.1.3　回归分析  104<br/>5.1.4　决策树  108<br/>5.1.5　人工神经网络  115<br/>5.1.6　分类与预测算法评价  120<br/>5.1.7　Python分类预测模型特点  125<br/>5.2　聚类分析  125<br/>5.2.1　常用聚类分析算法  126<br/>5.2.2　K-Means聚类算法  127<br/>5.2.3　聚类分析算法评价  132<br/>5.2.4　Python主要聚类分析算法  133<br/>5.3　关联规则  135<br/>5.3.1　常用关联规则算法  136<br/>5.3.2　Apriori算法  136<br/>5.4　时序模式  142<br/>5.4.1　时间序列算法  142<br/>5.4.2　时间序列的预处理  143<br/>5.4.3　平稳时间序列分析  145<br/>5.4.4　非平稳时间序列分析  148<br/>5.4.5　Python主要时序模式算法  156<br/>5.5　离群点检测  159<br/>5.5.1　离群点的成因及类型  160<br/>5.5.2　离群点检测方法  160<br/>5.5.3　基于模型的离群点检测方法  161<br/>5.5.4　基于聚类的离群点检测方法  164<br/>5.6　小结  167<br/>实战篇<br/>第6章　财政收入影响因素分析及预测  170<br/>6.1　背景与挖掘目标  170<br/>6.2　分析方法与过程  171<br/>6.2.1　分析步骤与流程  172<br/>6.2.2　数据探索分析  172<br/>6.2.3　数据预处理  176<br/>6.2.4　模型构建  178<br/>6.3　上机实验  184<br/>6.4　拓展思考  185<br/>6.5　小结  186<br/>第7章　航空公司客户价值分析  187<br/>7.1　背景与挖掘目标  187<br/>7.2　分析方法与过程  188<br/>7.2.1　分析步骤与流程  189<br/>7.2.2　数据探索分析  189<br/>7.2.3　数据预处理  200<br/>7.2.4　模型构建  207<br/>7.2.5　模型应用  212<br/>7.3　上机实验  214<br/>7.4　拓展思考  215<br/>7.5　小结  216<br/>第8章　商品零售购物篮分析  217<br/>8.1　背景与挖掘目标  217<br/>8.2　分析方法与过程  218<br/>8.2.1　数据探索分析  219<br/>8.2.2　数据预处理  224<br/>8.2.3　模型构建  226<br/>8.3　上机实验  232<br/>8.4　拓展思考  233<br/>8.5　小结  233<br/>第9章　基于水色图像的水质评价  234<br/>9.1　背景与挖掘目标  234<br/>9.2　分析方法与过程  235<br/>9.2.1　分析步骤与流程  236<br/>9.2.2　数据预处理  236<br/>9.2.3　模型构建  240<br/>9.2.4　水质评价  241<br/>9.3　上机实验  242<br/>9.4　拓展思考  242<br/>9.5　小结  243<br/>第10章　家用热水器用户行为分析与事件识别  244<br/>10.1　背景与挖掘目标  244<br/>10.2　分析方法与过程  245<br/>10.2.1　数据探索分析  246<br/>10.2.2　数据预处理  249<br/>10.2.3　模型构建  260<br/>10.2.4　模型检验  261<br/>10.3　上机实验  262<br/>10.4　拓展思考  264<br/>10.5　小结  265<br/>第11章　电子商务网站