数据科学导论——基于Python
定价：￥54.00
作者： 陈华，严晓东，郭政
出版社：高等教育出版社
- 高等教育出版社
- 9787040670998
- 1版
- 64271565-0
- 16开
- 390
- 理学
- 数学类
- 数据科学与大数据技术、统计学类
- 本科
内容简介
本书是面向大数据人才培养的应用型数据科学系列教材中的一本，首先介绍了数据和数据科学的相关概念，给出数据科学的编程和数学基础。然后，根据数据处理流程的逻辑顺序，对数据预处理、探索性数据分析和数据建模进行了深入介绍。同时给出了结构化和非结构化数据库及密码算法等内容的讨论。全书以问题为驱动，结合Python实现，使抽象的数据思维具象化，加深读者对数据的感性认识，提高其数据处理过程中的实践能力。
本书可作为高等学校理工类、经管类等专业本科生学习大数据知识的基础性教材，也可供科技工作者参考。
目录
目录
前辅文
第一章 绪论
1.1 数据基本概念
1.1.1 数据
1.1.2 大数据
1.1.3 DIKW模型
1.1.4 数据科学
1.2 数据科学发展历史
1.3 数据科学研究内容
1.3.1 数据科学韦恩图
1.3.2 数据科学知识体系
1.3.3 数据科学流程
1.3.4 本书内容体系与大作业安排
1.4 数据科学应用场景与领域
习题一
第二章 数据科学编程基础
2.1 Python基础知识
2.1.1 帮助
2.1.2 标识符
2.1.3 行与缩进
2.1.4 变量与对象
2.1.5 数字与表达式
2.1.6 字符串
2.1.7 日期和时间
2.2 Python中的数据类型与序列
2.2.1 数据类型与组合数据类型
2.2.2 列表
2.2.3 元组
2.2.4 字典
2.2.5 集合
2.3 语句与控制流
2.3.1 条件语句
2.3.2 循环语句
2.3.3 推导式
2.4 函数
2.4.1 函数的参数
2.4.2 全局变量和局部变量
2.4.3 匿名函数
2.4.4 递归和闭包
2.5 类
2.5.1 类与实例
2.5.2 继承
习题二
第三章 数据科学数学基础
3.1 微积分基础
3.1.1 映射与极限
3.1.2 一元函数的导数与微分
3.1.3 多元函数的导数与微分
3.1.4 不定积分
3.1.5 定积分
3.1.6 重积分
3.2 数理统计基础
3.2.1 随机变量及其分布
3.2.2 离散随机变量及其分布
3.2.3 连续随机变量及其分布
3.2.4 随机变量的分布特征
3.2.5 大数定律与中心极限定理
3.2.6 参数估计与假设检验
3.3 线性代数基础
3.3.1 向量及其运算
3.3.2 矩阵及其运算
第四章 数据预处理
4.1 数据获取
4.2 数据清洗
4.2.1 删除法
4.2.2 填充法
4.2.3 数据清洗实践
4.3 数据转换
4.3.1 One-Hot编码
4.3.2 分箱法
4.3.3 聚类法
4.3.4 数据转换实践
4.4 数据标准化
4.4.1 Min-Max标准化
4.4.2 Z-score标准化
4.4.3 小数定标标准化
4.4.4 数据标准化实践
习题四
第五章 探索性数据分析
5.1 简介
5.1.1 导论
5.1.2 基本概念
5.2 基本方法
5.2.1 茎叶图
5.2.2 概括值与数据批特征
5.2.3 箱线图与数据批特征分析
5.3 其他方法介绍
5.3.1 重新表达（变换数据）
5.3.2 耐抗性
5.4 相关性分析与特征重要性
5.4.1 相关性分析
5.4.2 特征重要性
5.5 可视化分析
5.5.1 可视化分析的作用
5.5.2 可视化分析方法
5.5.3 可视化分析常用工具
习题五
第六章 数据管理、安全与技术
6.1 数据管理和数据库发展史
6.2 SQL与sqlite3数据库
6.2.1 SQL
6.2.2 SQLite3数据库
6.3 NoSQL数据库
6.4 数据安全
6.5 大数据技术
习题六
第七章 数据建模
7.1 概述
7.2 回归模型
7.2.1 回归模型介绍
7.2.2 线性回归的实现
7.3 分类模型
7.3.1 逻辑回归及其实现
7.3.2 KNN及其实现
7.3.3 决策树及其实现
7.3.4 支持向量机
7.4 集成模型
7.4.1 随机森林及其实现
7.4.2 AdaBoost及其实现
7.5 聚类模型
7.5.1 K-means及其实现
7.5.2 密度聚类及其实现
7.5.3 层次聚类及其实现
7.6 神经网络
7.6.1 神经网络基本原理
7.6.2 BP神经网络及其实现
7.6.3 其他神经网络介绍
习题七
第八章 综合案例
8.1 问题背景
8.2 数据探索性分析
8.2.1 结构化数据的读取与查看
8.2.2 结构化数据的可视化
8.2.3 描述性统计分析
8.2.4 变量相关分析
8.3 基于机器学习的数据建模与评估
8.3.1 特征工程与特征筛选
8.3.2 拆分训练集和验证集
8.3.3 特征筛选
8.3.4 基础模型的训练与预测
8.3.5 机器学习实验流程
8.4 基于XGBoost集成学习的数据建模与评估
习题八
参考文献
前辅文
第一章 绪论
1.1 数据基本概念
1.1.1 数据
1.1.2 大数据
1.1.3 DIKW模型
1.1.4 数据科学
1.2 数据科学发展历史
1.3 数据科学研究内容
1.3.1 数据科学韦恩图
1.3.2 数据科学知识体系
1.3.3 数据科学流程
1.3.4 本书内容体系与大作业安排
1.4 数据科学应用场景与领域
习题一
第二章 数据科学编程基础
2.1 Python基础知识
2.1.1 帮助
2.1.2 标识符
2.1.3 行与缩进
2.1.4 变量与对象
2.1.5 数字与表达式
2.1.6 字符串
2.1.7 日期和时间
2.2 Python中的数据类型与序列
2.2.1 数据类型与组合数据类型
2.2.2 列表
2.2.3 元组
2.2.4 字典
2.2.5 集合
2.3 语句与控制流
2.3.1 条件语句
2.3.2 循环语句
2.3.3 推导式
2.4 函数
2.4.1 函数的参数
2.4.2 全局变量和局部变量
2.4.3 匿名函数
2.4.4 递归和闭包
2.5 类
2.5.1 类与实例
2.5.2 继承
习题二
第三章 数据科学数学基础
3.1 微积分基础
3.1.1 映射与极限
3.1.2 一元函数的导数与微分
3.1.3 多元函数的导数与微分
3.1.4 不定积分
3.1.5 定积分
3.1.6 重积分
3.2 数理统计基础
3.2.1 随机变量及其分布
3.2.2 离散随机变量及其分布
3.2.3 连续随机变量及其分布
3.2.4 随机变量的分布特征
3.2.5 大数定律与中心极限定理
3.2.6 参数估计与假设检验
3.3 线性代数基础
3.3.1 向量及其运算
3.3.2 矩阵及其运算
第四章 数据预处理
4.1 数据获取
4.2 数据清洗
4.2.1 删除法
4.2.2 填充法
4.2.3 数据清洗实践
4.3 数据转换
4.3.1 One-Hot编码
4.3.2 分箱法
4.3.3 聚类法
4.3.4 数据转换实践
4.4 数据标准化
4.4.1 Min-Max标准化
4.4.2 Z-score标准化
4.4.3 小数定标标准化
4.4.4 数据标准化实践
习题四
第五章 探索性数据分析
5.1 简介
5.1.1 导论
5.1.2 基本概念
5.2 基本方法
5.2.1 茎叶图
5.2.2 概括值与数据批特征
5.2.3 箱线图与数据批特征分析
5.3 其他方法介绍
5.3.1 重新表达（变换数据）
5.3.2 耐抗性
5.4 相关性分析与特征重要性
5.4.1 相关性分析
5.4.2 特征重要性
5.5 可视化分析
5.5.1 可视化分析的作用
5.5.2 可视化分析方法
5.5.3 可视化分析常用工具
习题五
第六章 数据管理、安全与技术
6.1 数据管理和数据库发展史
6.2 SQL与sqlite3数据库
6.2.1 SQL
6.2.2 SQLite3数据库
6.3 NoSQL数据库
6.4 数据安全
6.5 大数据技术
习题六
第七章 数据建模
7.1 概述
7.2 回归模型
7.2.1 回归模型介绍
7.2.2 线性回归的实现
7.3 分类模型
7.3.1 逻辑回归及其实现
7.3.2 KNN及其实现
7.3.3 决策树及其实现
7.3.4 支持向量机
7.4 集成模型
7.4.1 随机森林及其实现
7.4.2 AdaBoost及其实现
7.5 聚类模型
7.5.1 K-means及其实现
7.5.2 密度聚类及其实现
7.5.3 层次聚类及其实现
7.6 神经网络
7.6.1 神经网络基本原理
7.6.2 BP神经网络及其实现
7.6.3 其他神经网络介绍
习题七
第八章 综合案例
8.1 问题背景
8.2 数据探索性分析
8.2.1 结构化数据的读取与查看
8.2.2 结构化数据的可视化
8.2.3 描述性统计分析
8.2.4 变量相关分析
8.3 基于机器学习的数据建模与评估
8.3.1 特征工程与特征筛选
8.3.2 拆分训练集和验证集
8.3.3 特征筛选
8.3.4 基础模型的训练与预测
8.3.5 机器学习实验流程
8.4 基于XGBoost集成学习的数据建模与评估
习题八
参考文献
前辅文
第一章 绪论
1.1 数据基本概念
1.1.1 数据
1.1.2 大数据
1.1.3 DIKW模型
1.1.4 数据科学
1.2 数据科学发展历史
1.3 数据科学研究内容
1.3.1 数据科学韦恩图
1.3.2 数据科学知识体系
1.3.3 数据科学流程
1.3.4 本书内容体系与大作业安排
1.4 数据科学应用场景与领域
习题一
第二章 数据科学编程基础
2.1 Python基础知识
2.1.1 帮助
2.1.2 标识符
2.1.3 行与缩进
2.1.4 变量与对象
2.1.5 数字与表达式
2.1.6 字符串
2.1.7 日期和时间
2.2 Python中的数据类型与序列
2.2.1 数据类型与组合数据类型
2.2.2 列表
2.2.3 元组
2.2.4 字典
2.2.5 集合
2.3 语句与控制流
2.3.1 条件语句
2.3.2 循环语句
2.3.3 推导式
2.4 函数
2.4.1 函数的参数
2.4.2 全局变量和局部变量
2.4.3 匿名函数
2.4.4 递归和闭包
2.5 类
2.5.1 类与实例
2.5.2 继承
习题二
第三章 数据科学数学基础
3.1 微积分基础
3.1.1 映射与极限
3.1.2 一元函数的导数与微分
3.1.3 多元函数的导数与微分
3.1.4 不定积分
3.1.5 定积分
3.1.6 重积分
3.2 数理统计基础
3.2.1 随机变量及其分布
3.2.2 离散随机变量及其分布
3.2.3 连续随机变量及其分布
3.2.4 随机变量的分布特征
3.2.5 大数定律与中心极限定理
3.2.6 参数估计与假设检验
3.3 线性代数基础
3.3.1 向量及其运算
3.3.2 矩阵及其运算
第四章 数据预处理
4.1 数据获取
4.2 数据清洗
4.2.1 删除法
4.2.2 填充法
4.2.3 数据清洗实践
4.3 数据转换
4.3.1 One-Hot编码
4.3.2 分箱法
4.3.3 聚类法
4.3.4 数据转换实践
4.4 数据标准化
4.4.1 Min-Max标准化
4.4.2 Z-score标准化
4.4.3 小数定标标准化
4.4.4 数据标准化实践
习题四
第五章 探索性数据分析
5.1 简介
5.1.1 导论
5.1.2 基本概念
5.2 基本方法
5.2.1 茎叶图
5.2.2 概括值与数据批特征
5.2.3 箱线图与数据批特征分析
5.3 其他方法介绍
5.3.1 重新表达（变换数据）
5.3.2 耐抗性
5.4 相关性分析与特征重要性
5.4.1 相关性分析
5.4.2 特征重要性
5.5 可视化分析
5.5.1 可视化分析的作用
5.5.2 可视化分析方法
5.5.3 可视化分析常用工具
习题五
第六章 数据管理、安全与技术
6.1 数据管理和数据库发展史
6.2 SQL与sqlite3数据库
6.2.1 SQL
6.2.2 SQLite3数据库
6.3 NoSQL数据库
6.4 数据安全
6.5 大数据技术
习题六
第七章 数据建模
7.1 概述
7.2 回归模型
7.2.1 回归模型介绍
7.2.2 线性回归的实现
7.3 分类模型
7.3.1 逻辑回归及其实现
7.3.2 KNN及其实现
7.3.3 决策树及其实现
7.3.4 支持向量机
7.4 集成模型
7.4.1 随机森林及其实现
7.4.2 AdaBoost及其实现
7.5 聚类模型
7.5.1 K-means及其实现
7.5.2 密度聚类及其实现
7.5.3 层次聚类及其实现
7.6 神经网络
7.6.1 神经网络基本原理
7.6.2 BP神经网络及其实现
7.6.3 其他神经网络介绍
习题七
第八章 综合案例
8.1 问题背景
8.2 数据探索性分析
8.2.1 结构化数据的读取与查看
8.2.2 结构化数据的可视化
8.2.3 描述性统计分析
8.2.4 变量相关分析
8.3 基于机器学习的数据建模与评估
8.3.1 特征工程与特征筛选
8.3.2 拆分训练集和验证集
8.3.3 特征筛选
8.3.4 基础模型的训练与预测
8.3.5 机器学习实验流程
8.4 基于XGBoost集成学习的数据建模与评估
习题八
参考文献
前辅文
第一章 绪论
1.1 数据基本概念
1.1.1 数据
1.1.2 大数据
1.1.3 DIKW模型
1.1.4 数据科学
1.2 数据科学发展历史
1.3 数据科学研究内容
1.3.1 数据科学韦恩图
1.3.2 数据科学知识体系
1.3.3 数据科学流程
1.3.4 本书内容体系与大作业安排
1.4 数据科学应用场景与领域
习题一
第二章 数据科学编程基础
2.1 Python基础知识
2.1.1 帮助
2.1.2 标识符
2.1.3 行与缩进
2.1.4 变量与对象
2.1.5 数字与表达式
2.1.6 字符串
2.1.7 日期和时间
2.2 Python中的数据类型与序列
2.2.1 数据类型与组合数据类型
2.2.2 列表
2.2.3 元组
2.2.4 字典
2.2.5 集合
2.3 语句与控制流
2.3.1 条件语句
2.3.2 循环语句
2.3.3 推导式
2.4 函数
2.4.1 函数的参数
2.4.2 全局变量和局部变量
2.4.3 匿名函数
2.4.4 递归和闭包
2.5 类
2.5.1 类与实例
2.5.2 继承
习题二
第三章 数据科学数学基础
3.1 微积分基础
3.1.1 映射与极限
3.1.2 一元函数的导数与微分
3.1.3 多元函数的导数与微分
3.1.4 不定积分
3.1.5 定积分
3.1.6 重积分
3.2 数理统计基础
3.2.1 随机变量及其分布
3.2.2 离散随机变量及其分布
3.2.3 连续随机变量及其分布
3.2.4 随机变量的分布特征
3.2.5 大数定律与中心极限定理
3.2.6 参数估计与假设检验
3.3 线性代数基础
3.3.1 向量及其运算
3.3.2 矩阵及其运算
第四章 数据预处理
4.1 数据获取
4.2 数据清洗
4.2.1 删除法
4.2.2 填充法
4.2.3 数据清洗实践
4.3 数据转换
4.3.1 One-Hot编码
4.3.2 分箱法
4.3.3 聚类法
4.3.4 数据转换实践
4.4 数据标准化
4.4.1 Min-Max标准化
4.4.2 Z-score标准化
4.4.3 小数定标标准化
4.4.4 数据标准化实践
习题四
第五章 探索性数据分析
5.1 简介
5.1.1 导论
5.1.2 基本概念
5.2 基本方法
5.2.1 茎叶图
5.2.2 概括值与数据批特征
5.2.3 箱线图与数据批特征分析
5.3 其他方法介绍
5.3.1 重新表达（变换数据）
5.3.2 耐抗性
5.4 相关性分析与特征重要性
5.4.1 相关性分析
5.4.2 特征重要性
5.5 可视化分析
5.5.1 可视化分析的作用
5.5.2 可视化分析方法
5.5.3 可视化分析常用工具
习题五
第六章 数据管理、安全与技术
6.1 数据管理和数据库发展史
6.2 SQL与sqlite3数据库
6.2.1 SQL
6.2.2 SQLite3数据库
6.3 NoSQL数据库
6.4 数据安全
6.5 大数据技术
习题六
第七章 数据建模
7.1 概述
7.2 回归模型
7.2.1 回归模型介绍
7.2.2 线性回归的实现
7.3 分类模型
7.3.1 逻辑回归及其实现
7.3.2 KNN及其实现
7.3.3 决策树及其实现
7.3.4 支持向量机
7.4 集成模型
7.4.1 随机森林及其实现
7.4.2 AdaBoost及其实现
7.5 聚类模型
7.5.1 K-means及其实现
7.5.2 密度聚类及其实现
7.5.3 层次聚类及其实现
7.6 神经网络
7.6.1 神经网络基本原理
7.6.2 BP神经网络及其实现
7.6.3 其他神经网络介绍
习题七
第八章 综合案例
8.1 问题背景
8.2 数据探索性分析
8.2.1 结构化数据的读取与查看
8.2.2 结构化数据的可视化
8.2.3 描述性统计分析
8.2.4 变量相关分析
8.3 基于机器学习的数据建模与评估
8.3.1 特征工程与特征筛选
8.3.2 拆分训练集和验证集
8.3.3 特征筛选
8.3.4 基础模型的训练与预测
8.3.5 机器学习实验流程
8.4 基于XGBoost集成学习的数据建模与评估
习题八
参考文献
