基础篇 第1章　数据挖掘基础　1 1.1　数据挖掘发展史　1 1.2　数据挖掘的常用方法　2 1.3　数据挖掘的通用流程　2 1.3.1　目标分析　2 1.3.2　数据抽取　2 1.3.3　数据探索　3 1.3.4　数据预处理　3 1.3.5　分析与建模　4 1.3.6　模型评价　4 1.4　常用数据挖掘工具　4 1.5　Python数据挖掘环境配置　5 小结　7 课后习题　7 第2章　Python数据挖掘编程基础　9 2.1　Python使用入门　9 2.1.1　基本命令　9 2.1.2　判断与循环　12 2.1.3　函数　13 2.1.4　库的导入与添加　15 2.2　Python数据分析预处理的常用库　17 2.2.1　NumPy　17 2.2.2　pandas　17 2.2.3　Matplotlib　18 2.3　Python数据挖掘建模的常用库和框架　18 2.3.1　scikit-learn　18 2.3.2　深度学习框架　19 2.3.3　其他　21 小结　22 实训　判断、函数、类型转换的使用　22 课后习题　23 第3章　数据探索　24 3.1　数据校验　24 3.1.1　一致性校验　24 3.1.2　缺失值校验　27 3.1.3　异常值校验　29 3.2　数据特征分析　33 3.2.1　描述性统计分析　33 3.2.2　分布分析　36 3.2.3　对比分析　40 3.2.4　周期性分析　43 3.2.5　贡献度分析　44 3.2.6　相关性分析　45 小结　48 实训　48 实训1　分布分析、描述性统计分析和贡献度分析　48 实训2　对比分析、相关性分析和周期性分析　49 课后习题　50 第4章　数据预处理　52 4.1　数据清洗　52 4.1.1　重复值处理　52 4.1.2　缺失值处理　55 4.1.3　异常值处理　57 4.2　数据变换　58 4.2.1　简单函数变换　58 4.2.2　数据标准化　58 4.2.3　数据离散化　61 4.2.4　独热编码　63 4.3　数据合并　65 4.3.1　多表合并　65 4.3.2　分组聚合　72 小结　80 实训　80 实训1　数据清洗　80 实训2　数据变换　82 实训3　数据合并　82 课后习题　82 第5章　数据挖掘算法基础　84 5.1　分类与回归　84 5.1.1　常用的分类与回归算法　84 5.1.2　分类与回归模型评价　85 5.1.3　线性模型　89 5.1.4　决策树　93 5.1.5　最近邻分类　97 5.1.6　支持向量机　99 5.1.7　神经网络　101 5.1.8　集成算法　107 5.2　聚类　112 5.2.1　常用的聚类算法　112 5.2.2　聚类模型评价　114 5.2.3　K-Means算法　115 5.2.4　密度聚类　120 5.2.5　层次聚类　123 5.3　关联规则　126 5.3.1　常用关联规则算法　126 5.3.2　Apriori算法　127 5.4　智能推荐　131 5.4.1　常用智能推荐算法　131 5.4.2　智能推荐模型评价　132 5.4.3　协同过滤推荐算法　133 5.4.4　基于流行度的推荐算法　138 5.5　时间序列　139 5.5.1　时间序列算法　140 5.5.2　时间序列的预处理　140 5.5.3　平稳序列分析　142 5.5.4　非平稳序列分析　144 实训　152 实训1　使用分类算法实现客户流失预测　152 实训2　使用K-Means聚类算法实现超市顾客聚类分析　152 实训3　使用Apriori算法挖掘网址间的相关关系　153 实训4　使用协同过滤推荐算法实现对用户进行品牌的个性化推荐　153 实训5　使用ARIMA算法实现气温预测　154 课后习题　155 实战篇 第6章　信用卡高风险客户识别　158 6.1　背景与目标　158 6.1.1　背景　158 6.1.2　数据说明　159 6.1.3　目标　160 6.2　数据探索　161 6.2.1　描述性统计分析　161 6.2.2　客户历史信用记录　162 6.2.3　客户经济情况　164 6.2.4　客户经济风险情况　166 6.3　数据预处理　169 6.3.1　数据清洗　169 6.3.2　属性构造　171 6.4　分析与建模　174 6.4.1　参数寻优　174 6.4.2　构建聚类模型　176 6.4.3　信用卡客户风险分析　176 6.5　模型评价　179 小结　180 实训　使用K-Means聚类算法实现运营商客户价值分析　180 课后习题　181 第7章　餐饮企业菜品关联分析　182 7.1　背景与目标　182 7.1.1　背景　182 7.1.2　数据说明　183 7.1.3　目标　185 7.2　数据探索　185 7.2.1　分析每日用餐人数和营业额　185 7.2.2　分析菜品热销度　187 7.3　数据预处理　189 7.3.1　数据清洗　189 7.3.2　属性构造　190 7.4　分析与建模　191 7.4.1　构建Apriori模型　191 7.4.2　训练模型　193 7.5　模型评价　194 小结　196 实训　西饼屋订单关联分析　197 课后习题　197 第8章　金融服务机构资金流量预测　198 8.1　背景与目标　198 8.1.1　背景　198 8.1.2　数据说明　199 8.1.3　目标　200 8.2　数据预处理　201 8.2.1　属性构造　201 8.2.2　截取平稳部分数据　202 8.2.3　周期性差分　204 8.2.4　平稳性检验和白噪声检验　205 8.3　分析与建模　205 8.3.1　时间序列模型的定阶　205 8.3.2　模型检验　206 8.4　模型评价　207 小结　209 实训　构建ARIMA模型预测资金赎回数据　210 课后习题　210 第9章　O2O优惠券使用预测　211 9.1　背景与目标　211 9.1.1　背景　211 9.1.2　数据说明　212 9.1.3　目标　212 9.2　数据探索　213 9.2.1　描述性统计分析　213 9.2.2　分析优惠形式信息　215 9.2.3　分析用户消费行为信息　216 9.2.4　分析商户投放优惠券信息　218 9.3　数据预处理　221 9.3.1　数据清洗　221 9.3.2　数据变换　222 9.4　分析与建模　225 9.4.1　决策树分类模型　225 9.4.2　梯度提升分类模型　227 9.4.3　XGBoost分类模型　228 9.5　模型评价　229 小结　232 实训　运营商客户流失预测　232 课后习题　233 第10章　电视产品个性化推荐　235 10.1　背景与目标　235 10.1.1　背景　235 10.1.2　数据说明　236 10.1.3　目标　237 10.2　数据预处理　238 10.2.1　数据清洗　238 10.2.2　数据探索　241 10.2.3　属性构造　248 10.3　分析与建模　251 10.3.1　基于物品的协同过滤推荐模型　252 10.3.2　基于流行度的推荐模型　254 10.4　模型评价　255 小结　257 实训　网页浏览个性化推荐　257 课后习题　258 第11章　基于TipDM大数据挖掘建模平台实现金融服务机构资金流量预测　259 11.1　平台简介　259 11.1.1　实训库　261 11.1.2　数据连接　261 11.1.3　实训数据　261 11.1.4　我的实训　262 11.1.5　系统算法　262 11.1.6　个人算法　264 11.2　快速构建金融服务机构资金流量预测实训　265 11.2.1　数据源配置　266 11.2.2　属性构造　267 11.2.3　数据筛选　271 11.2.4　周期性差分　272 11.2.5　序列检验　274 11.2.6　分析与建模　276 小结　279 实训　构建ARIMA模型预测航空公司乘客量数据　279 课后习题　279