大數(shù)據(jù)分析技術(shù)

目錄 \n
前言 \n
項(xiàng)目1 認(rèn)識(shí)大數(shù)據(jù)分析 \n
1.1　大數(shù)據(jù)分析概述 \n
1.1.1　大數(shù)據(jù)分析的概念和發(fā)展 \n
1.1.2 大數(shù)據(jù)分析的作用和影響 \n
1.2 大數(shù)據(jù)分析模型 \n
1.2.1 大數(shù)據(jù)分析的技術(shù)和工具 \n
1.2.2　大數(shù)據(jù)分析的流程 \n
1.2.3 大數(shù)據(jù)分析的模型簡(jiǎn)介 \n
【任務(wù)實(shí)施】 \n
任務(wù)1 網(wǎng)站用戶活躍度指標(biāo)綜合分析 \n
任務(wù)2 身高體重指標(biāo)數(shù)據(jù)關(guān)聯(lián)分析 \n
練習(xí)題 \n
項(xiàng)目2 安裝Python數(shù)據(jù)分析工具 \n
2.1　Python數(shù)據(jù)分析基本概念 \n
2.1.1 Python數(shù)據(jù)分析的特點(diǎn) \n
2.1.2 Python與其他數(shù)據(jù)分析工具的比較 \n
2.2　Python數(shù)據(jù)分析常用庫介紹 \n
2.2.1 NumPy簡(jiǎn)介 \n
2.2.2 Pandas簡(jiǎn)介 \n
2.2.3 SciPy簡(jiǎn)介 \n
2.2.4 Matplotlib簡(jiǎn)介 \n
2.2.5 scikitlearn簡(jiǎn)介 \n
2.2.6 Statmodels簡(jiǎn)介 \n
2.2.7 Seaborn簡(jiǎn)介 \n
【任務(wù)實(shí)施】 \n
任務(wù)1 在Windows系統(tǒng)中安裝Anaconda \n
任務(wù)2 運(yùn)行Jupyter Notebook \n
任務(wù)3 PyCharm的安裝和使用 \n
練習(xí)題 \n
項(xiàng)目3 使用NumPy實(shí)現(xiàn)統(tǒng)計(jì)分析和處理 \n
3.1　NumPy的基本概念 \n
3.1.1 NumPy基礎(chǔ)理論和引用方法 \n
3.1.2 ndarry對(duì)象 \n
3.1.3 NumPy數(shù)據(jù)類型 \n
3.1.4 NumPy數(shù)組屬性 \n
3.1.5 NumPy切片和索引 \n
3.2 NumPy函數(shù) \n
3.2.1 NumPy數(shù)學(xué)函數(shù) \n
3.2.2 NumPy數(shù)組維度操作函數(shù) \n
3.2.3 NumPy創(chuàng)建數(shù)組函數(shù) \n
3.2.4 NumPy常用IO函數(shù) \n
3.2.5 NumPy廣播 \n
【任務(wù)實(shí)施】 \n
任務(wù)1 使用Numpy實(shí)現(xiàn)股票數(shù)據(jù)分析 \n
任務(wù)2 使用Numpy實(shí)現(xiàn)豆瓣電影數(shù)據(jù) \n
分析 \n
練習(xí)題 \n
項(xiàng)目4 Pandas數(shù)據(jù)分析和處理 \n
4.1　Pandas的基本概念 \n
4.1.1 Pandas基礎(chǔ)理論和引用方法 \n
4.1.2 Pandas基本數(shù)據(jù)結(jié)構(gòu) \n
4.2 Pandas的基本用法 \n
4.2.1 創(chuàng)建Pandas對(duì)象 \n
4.2.2 查看Pandas基本數(shù)據(jù) \n
4.2.3 Pandas索引和切片 \n
4.2.4 Pandas缺失值和空值處理 \n
4.2.5 Pandas連接和合并數(shù)據(jù) \n
4.2.6 Pandas分組 \n
4.2.7 Pandas重塑 \n
4.2.8 Pandas數(shù)據(jù)透視表 \n
4.2.9 Pandas時(shí)間序列 \n
4.2.10 Pandas分類 \n
4.2.11 Pandas IO操作 \n
【任務(wù)實(shí)施】 \n
任務(wù)1 使用Pandas實(shí)現(xiàn)水果銷售數(shù)據(jù)分析 \n
任務(wù)2 使用Pandas實(shí)現(xiàn)用戶消費(fèi)行為數(shù)據(jù)分析 \n
任務(wù)3 使用Pandas實(shí)現(xiàn)電商銷售數(shù)據(jù)分析 \n
練習(xí)題 \n
項(xiàng)目5 Matplotlib數(shù)據(jù)分析可視化庫 \n
5.1 Matplotlib的基本概念 \n
5.1.1 Matplotlib基礎(chǔ)理論和引用方法 \n
5.1.2 散點(diǎn)圖 \n
5.1.3 條形圖 \n
5.1.4 折線圖 \n
5.1.5 餅圖 \n
5.1.6 直方圖 \n
5.1.7 箱形圖 \n
5.2 組合圖 \n
5.2.1 曲線組合圖 \n
5.2.2 柱狀、散點(diǎn)、折線組合圖 \n
5.2.3 直方圖組合圖123 【任務(wù)實(shí)施】 \n
任務(wù)1 使用餅圖實(shí)現(xiàn)零售總額數(shù)據(jù)分析 \n
任務(wù)2 使用折線圖實(shí)現(xiàn)零售總額數(shù)據(jù)分析 \n
任務(wù)3 使用雙柱狀圖實(shí)現(xiàn)零售總額變化情況數(shù)據(jù)分析 \n
練習(xí)題 \n
項(xiàng)目6 基于Hadoop的數(shù)據(jù)分析 \n
6.1 掌握Hadoop框架和生態(tài)組件 \n
6.1.1 Hadoop簡(jiǎn)介 \n
6.1.2 Hadoop核心組件和工作原理 \n
6.1.3 Hadoop安裝、部署和應(yīng)用 \n
6.2 Hadoop生態(tài)組件 \n
6.2.1 Hadoop生態(tài)圈簡(jiǎn)介 \n
6.2.2 Hive的安裝、部署和應(yīng)用 \n
6.2.3 Spark的安裝、部署和應(yīng)用 \n
6.2.4 HBase的安裝、部署和應(yīng)用 \n
6.2.5 Kafka的安裝、部署和應(yīng)用 \n
6.2.6 Flume的安裝、部署和應(yīng)用 \n
6.2.7 Sqoop的安裝、部署和應(yīng)用 \n
6.2.8 Zookeeper的安裝、部署和應(yīng)用 \n
【任務(wù)實(shí)施】 \n
任務(wù)1 使用Hadoop及其組件Hive實(shí)現(xiàn)數(shù)據(jù)分析 \n
任務(wù)2 使用Hadoop及其組件Spark實(shí)現(xiàn)數(shù)據(jù)分析 \n
練習(xí)題 \n
項(xiàng)目7 基于scikitlearn機(jī)器學(xué)習(xí)庫的數(shù)據(jù)分析 \n
7.1 掌握機(jī)器學(xué)習(xí)基本概念 \n
7.1.1 機(jī)器學(xué)習(xí)簡(jiǎn)介 \n
7.1.2 機(jī)器學(xué)習(xí)基本流程 \n
7.1.3 機(jī)器學(xué)習(xí)開發(fā)流程 \n
7.1.4 機(jī)器學(xué)習(xí)算法分類 \n
7.2 掌握scikitlearn的基本用法 \n
7.2.1 scikitlearn的安裝和引用方法 \n
7.2.2 scikitlearn的基本用法 \n
【任務(wù)實(shí)施】 \n
任務(wù)1 使用scikitlearn實(shí)現(xiàn)鳶尾花數(shù)據(jù)分析 \n
任務(wù)2 使用scikitlearn實(shí)現(xiàn)波士頓房?jī)r(jià)數(shù)據(jù)分析 \n
練習(xí)題 \n
參考文獻(xiàn)