10余位数据挖掘领域专家和科研人员，10余年大数据挖掘咨询与实施经验结晶。

从数据挖掘的应用出发，以电力、航空、医疗、互联网、生产制造以及公共服务等行业真实案例为主线，深入浅出介绍Python数据挖掘建模过程，实践性极强

10余位数据挖掘领域资深专家和科研人员，10余年大数据挖掘咨询与实施经验结晶。从数据挖掘的应用出发，以电力、航空、医疗、互联网、生产制造以及公共服务等行业真实案例为主线，深入浅出介绍Python数据挖掘建模过程，实践性极强。
本书共15章，分两个部分：基础篇、实战篇。基础篇介绍了数据挖掘的基本原理，实战篇介绍了一个个真实案例，通过对案例深入浅出的剖析，使读者在不知不觉中通过案例实践获得数据挖掘项目经验，同时快速领悟看似难懂的数据挖掘理论。读者在阅读过程中，应充分利用随书配套的案例建模数据，借助相关的数据挖掘建模工具，通过上机实验，以快速理解相关知识与理论。
基础篇（第1～5章），第1章的主要内容是数据挖掘概述；第2章对本书所用到的数据挖掘建模工具Python语言进行了简明扼要的说明；第3章、第4章、第5章对数据挖掘的建模过程，包括数据探索、数据预处理及挖掘建模的常用算法与原理进行了介绍。
实战篇（第6～15章），重点对数据挖掘技术在电力、航空、医疗、互联网、生产制造以及公共服务等行业的应用进行了分析。在案例结构组织上，本书是按照先介绍案例背景与挖掘目标，再阐述分析方法与过程，*后完成模型构建的顺序进行的，在建模过程的关键环节，穿插程序实现代码。*后通过上机实践，加深读者对数据挖掘技术在案例应用中的理解。

张良均
资深大数据挖掘专家和模式识别专家，高级信息项目管理师，有10多年的大数据挖掘应用、咨询和培训经验。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。此外，他精通Java EE企业级应用开发，是广东工业大学、华南师范大学、华南农业大学、贵州师范学院、韩山师范学院、广东技术师范学院兼职教授，著有《神经网络实用教程》、《数据挖掘：实用案例分析》、《MATLAB数据分析与挖掘实战》《R语言数据分析与挖掘实战》等畅销书。

前　言
基　础　篇
第1章　数据挖掘基础2
1.1　某知名连锁餐饮企业的困惑2
1.2　从餐饮服务到数据挖掘3
1.3　数据挖掘的基本任务4
1.4　数据挖掘建模过程4
1.4.1　定义挖掘目标4
1.4.2　数据取样5
1.4.3　数据探索6
1.4.4　数据预处理7
1.4.5　挖掘建模7
1.4.6　模型评价7
1.5　常用的数据挖掘建模工具7
1.6　小结9
第2章　Python数据分析简介10
2.1　搭建Python开发平台12
2.1.1　所要考虑的问题12
2.1.2　基础平台的搭建12
2.2　Python使用入门13
2.2.1　运行方式14
2.2.2　基本命令15
2.2.3　数据结构17
2.2.4　库的导入与添加20
2.3　Python数据分析工具22
2.3.1　Numpy23
2.3.2　Scipy24
2.3.3　Matplotlib24
2.3.4　Pandas26
2.3.5　StatsModels27
2.3.6　Scikit-Learn28
2.3.7　Keras29
2.3.8　Gensim30
2.4　配套资源使用设置31
2.5　小结32
第3章　数据探索33
3.1　数据质量分析33
3.1.1　缺失值分析34
3.1.2　异常值分析34
3.1.3　一致性分析37
3.2　数据特征分析37
3.2.1　分布分析37
3.2.2　对比分析40
3.2.3　统计量分析41
3.2.4　周期性分析44
3.2.5　贡献度分析45
3.2.6　相关性分析47
3.3　Python主要数据探索函数50
3.3.1　基本统计特征函数50
3.3.2　拓展统计特征函数53
3.3.3　统计作图函数54
3.4　小结59
第4章　数据预处理60
4.1　数据清洗60
4.1.1　缺失值处理60
4.1.2　异常值处理64
4.2　数据集成64
4.2.1　实体识别64
4.2.2　冗余属性识别65
4.3　数据变换65
4.3.1　简单函数变换65
4.3.2　规范化66
4.3.3　连续属性离散化68
4.3.4　属性构造70
4.3.5　小波变换71
4.4　数据规约74
4.4.1　属性规约74
4.4.2　数值规约77
4.5　Python主要数据预处理函数80
4.6　小结81
第5章　挖掘建模83
5.1　分类与预测83
5.1.1　实现过程83
5.1.2　常用的分类与预测算法84
5.1.3　回归分析85
5.1.4　决策树89
5.1.5　人工神经网络95
5.1.6　分类与预测算法评价100
5.1.7　Python分类预测模型特点103
5.2　聚类分析104
5.2.1　常用聚类分析算法104
5.2.2　K-Means聚类算法105
5.2.3　聚类分析算法评价111
5.2.4　Python主要聚类分析算法111
5.3　关联规则113
5.3.1　常用关联规则算法114
5.3.2　Apriori算法114
5.4　时序模式119
5.4.1　时间序列算法120
5.4.2　时间序列的预处理120
5.4.3　平稳时间序列分析122
5.4.4　非平稳时间序列分析124
5.4.5　Python主要时序模式算法132
5.5　离群点检测134
5.5.1　离群点检测方法135
5.5.2　基于模型的离群点检测方法136
5.5.3　基于聚类的离群点检测方法138
5.6　小结141
实　战　篇
第6章　电力窃漏电用户自动识别144
6.1　背景与挖掘目标144
6.2　分析方法与过程147
6.2.1　数据抽取148
6.2.2　数据探索分析148
6.2.3　数据预处理151
6.2.4　构建专家样本156
6.2.5　模型构建157
6.3　上机实验161
6.4　拓展思考162
6.5　小结163
第7章　航空公司客户价值分析164
7.1　背景与挖掘目标164
7.2　分析方法与过程166
7.2.1　数据抽取168
7.2.2　数据探索分析168
7.2.3　数据预处理169
7.2.4　模型构建173
7.3　上机实验177
7.4　拓展思考178
7.5　小结179
第8章　中医证型关联规则挖掘180
8.1　背景与挖掘目标180
8.2　分析方法与过程181
8.2.1　数据获取183
8.2.2　数据预处理186
8.2.3　模型构建190
8.3　上机实验193
8.4　拓展思考194
8.5　小结194
第9章　基于水色图像的水质评价195
9.1　背景与挖掘目标195
9.2　分析方法与过程195
9.2.1　数据预处理197
9.2.2　模型构建199
9.2.3　水质评价201
9.3　上机实验202
9.4　拓展思考202
9.5　小结203
第10章　家用电器用户行为分析与事件识别204
10.1　背景与挖掘目标204
10.2　分析方法与过程205
10.2.1　数据抽取206
10.2.2　数据探索分析207
10.2.3　数据预处理207
10.2.4　模型构建217
10.2.5　模型检验219
10.3　上机实验220
10.4　拓展思考221
10.5　小结222
第11章　应用系统负载分析与磁盘容量预测223
11.1　背景与挖掘目标223
11.2　分析方法与过程225
11.2.1　数据抽取226
11.2.2　数据探索分析226
11.2.3　数据预处理227
11.2.4　模型构建229
11.3　上机实验235
11.4　拓展思考236
11.5　小结237
第12章　电子商务网站用户行为分析及服务推荐238
12.1　背景与挖掘目标238
12.2　分析方法与过程240
12.2.1　数据抽取242
12.2.2　数据探索分析244
12.2.3　数据预处理251
12.2.4　模型构建256
12.3　上机实验266
12.4　拓展思考267
12.5　小结269
第13章　财政收入影响因素分析及预测模型270
13.1　背景与挖掘目标270
13.2　分析方法与过程272
13.2.1　灰色预测与神经网络的组合模型273
13.2.2　数据探索分析274
13.2.3　模型构建277
13.3　上机实验294
13.4　拓展思考295
13.5　小结296
第14章　基于基站定位数据的商圈分析297
14.1　背景与挖掘目标297
14.2　分析方法与过程299
14.2.1　数据抽取299
14.2.2　数据探索分析299
14.2.3　数据预处理301
14.2.4　模型构建304
14.3　上机实验308
14.4　拓展思考309
14.5　小结309
第15章　电商产品评论数据情感分析310
15.1　背景与挖掘目标310
15.2　分析方法与过程310
15.2.1　评论数据采集311
15.2.2　评论预处理314
15.2.3　文本评论分词320
15.2.4　模型构建320
15.3　上机实验333
15.4　拓展思考334
15.5　小结335
参考文献336

Preface  前　　言
为什么要写这本书
LinkedIn对全球超过3.3亿用户的工作经历和技能进行分析后得出，目前炙手可热的25项技能中，数据挖掘排名。那么数据挖掘是什么？
数据挖掘是从大量数据（包括文本）中挖掘出隐含的、先前未知的、对决策有潜在价值的关系、模式和趋势，并用这些知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。数据挖掘有助于企业发现业务的趋势，揭示已知的事实，预测未知的结果，因此“数据挖掘”已成为企业保持竞争力的必要方法。 
但跟国外相比，由于我国信息化程度不太高，企业内部信息不完整，零售业、银行、保险和证券等对数据挖掘的应用并不理想。但随着市场竞争的加剧，各行业对数据挖掘技术的需求越来越强烈，可以预计，未来几年各行业的数据分析应用一定会从传统的统计分析发展到大规模数据挖掘应用。在大数据时代，数据过剩、人才短缺，数据挖掘专业人才的培养又需要专业知识和职业经验积累。本书注重数据挖掘理论与项目案例实践相结合，可以让读者获得真实的数据挖掘学习与实践环境，更快、更好地学习数据挖掘知识与积累职业经验。
总的来说，随着云时代的来临，大数据技术将具有越来越重要的战略意义。大数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产要素，人们对于海量数据的运用预示着新一轮生产率增长和消费者盈余浪潮的到来。大数据分析技术将帮助企业用户在合理时间内攫取、管理、处理、整理海量数据，为企业经营决策提供帮助。大数据分析作为数据存储和挖掘分析的前沿技术，广泛应用于物联网、云计算和移动互联网等战略性新兴产业。虽然大数据目前在国内还处于初级阶段，但是其商业价值已经显现出来，特别是有实践经验的大数据分析人才更是各企业争夺的热门。为了满足日益增长的大数据分析人才需求，很多大学开始尝试开设不同程度的大数据分析课程。“大数据分析”作为大数据时代的核心技术，必将成为高校数学与统计学专业的重要课程之一。
本书特色
本书从实践出发，结合大量数据挖掘工程案例及教学经验，以真实案例为主线，深入浅出地介绍数据挖掘建模过程中的有关任务：数据探索、数据预处理、分类与预测、聚类分析、时序预测、关联规则挖掘、智能推荐和偏差检测等。因此，图书的编排以解决某个应用的挖掘目标为前提，先介绍案例背景提出挖掘目标，再阐述分析方法与过程，后完成模型构建。在介绍建模过程的同时穿插操作训练，把相关的知识点嵌入相应的操作过程中。为方便读者轻松地获取真实的实验环境，本书使用目前在数据科学领域非常热门的Python语言对样本数据进行处理以进行挖掘建模。
根据读者对案例的理解，本书配套提供真实的原始样本数据文件，读者可以从“泰迪杯”全国大学生数据挖掘竞赛网站免费下载。另外，为方便教师授课，本书还特意提供了建模阶段的过程数据文件、Python语言代码程序和PPT课件，以及基于Python、SAS、SPSS Modeler等上机实验环境下的数据挖掘各阶段程序/模型及相关代码，读者可通过本书“勘误和支持”中提供的联系方式咨询获取。
本书适用对象
（1）开设数据挖掘课程的高校教师和学生
目前，国内不少高校将数据挖掘引入本科教学中，在数学、计算机、自动化、电子信息和金融等专业开设了数据挖掘技术相关课程，但目前这一课程的教学仍然主要限于理论介绍。单纯的理论教学过于抽象，学生理解起来往往比较困难，教学效果也不甚理想。本书提供的基于实战案例和建模实践的教学，能够使教师充分发挥互动性和创造性，理论联系实际，使教师获得的教学效果。
（2）需求分析及系统设计人员
需求分析及系统设计人员可以在理解数据挖掘原理与建模过程的基础上，结合数据挖掘案例完成精确营销、客户分群、交叉销售、流失分析、客户信用记分、欺诈发现和智能推荐等数据挖掘应用的需求分析和设计。
（3）数据挖掘开发人员
数据挖掘开发人员可以在理解数据挖掘应用需求和设计方案的基础上，结合本书提供的基于第三方接口快速完成数据挖掘应用的编程实现。
（4）进行数据挖掘应用研究的科研人员
许多科研院所为了更好地对科研工作进行管理，纷纷开发了适应自身特点的科研业务管理系统，并在使用过程中积累了大量的科研信息数据。但是，这些科研业务管理系统一般没有对数据进行深入分析，并没有对数据所隐藏的价值进行充分挖掘和利用。科研人员需要通过数据挖掘建模工具及有关方法论来深挖科研信息的价值，从而提高科研水平。
（5）关注高级数据分析的人员
业务报告和商业智能解决方案对了解过去和现在的状况可能是非常有用的。但是，数据挖掘的预测分析解决方案还能使关注高级数据分析的人员预见未来的发展状况，使他们的机构能够先发制人，而不是处于被动。因为数据挖掘的预测分析解决方案将复杂的统计方法和机器学习技术应用到数据之中， 通过使用预测分析技术来揭示隐藏在交易系统或企业资源计划（ERP）、结构数据库和普通文件中的模式与趋势，从而为这类人员的决策提供科学依据。
如何阅读本书
本书共15章，分两篇：基础篇和实战篇。基础篇介绍了数据挖掘的基本原理，实战篇介绍了一个个真实案例，通过对案例深入浅出的剖析，使读者在不知不觉中通过案例实践获得数据挖掘项目经验，同时快速领悟看似难懂的数据挖掘理论。读者在阅读过程中，应充分利用随书配套的案例建模数据，借助相关的数据挖掘建模工具，通过上机实验快速理解相关知识与理论。
基础篇（第1～5章），第1章的主要内容是数据挖掘概述；第2章对Python以及本书所用到的数据挖掘建模库进行了简明扼要的说明；第3章、第4章和第5章对数据挖掘的建模过程，包括数据探索、数据预处理及挖掘建模的常用算法与原理进行介绍。
实战篇（第6～15章），重点对数据挖掘技术在电力、航空、医疗、互联网、生产制造以及公共服务等行业的应用进行分析。在案例结构组织上，本书是按照先介绍案例背景与挖掘目标，再阐述分析方法与过程，后完成模型构建的顺序进行的，在建模过程的关键环节穿插程序实现代码。后通过上机实践，加深对数据挖掘技术在案例应用中的理解。
勘误和支持
除封面署名外，参加本书编写工作的还有杨坦、肖刚、刘名军、樊哲、廖晓霞、周龙、焦正升等。由于笔者的水平有限，加之编写时间仓促，书中难免会出现错误或者不准确的地方，恳请读者批评指正。为此，读者可通过作者微信公众号TipDM（微信号：TipDataMining）、TipDM官网（www.tipdm.com）反馈有关问题。也可通过热线电话（40068-40020）或企业QQ（40068-40020）进行在线咨询。

读者可以将书中的错误及遇到的任何问题反馈给我们，我们将尽量在线上为读者提供满意的解答。本书的全部建模数据文件及源程序，可以从“泰迪杯”全国大学生数据挖掘竞赛网站下载，我们会将相应内容的更新及时发布出来。如果您有更多的宝贵意见，欢迎发送邮件至邮箱，期待能够得到您的真挚反馈。
致谢
在本书编写过程中，得到了广大企事业单位及科研人员的大力支持！在此谨向中国电力科学研究院、广东电力科学研究院、广西电力科学研究院、广东电信规划设计院、珠江/黄海水产研究所、轻工业环境保护研究所、华南师范大学、广东工业大学、广东技术师范学院、南京中医药大学、华南理工大学、湖南师范大学、韩山师范学院、广东石油化工学院、中山大学、广州泰迪智能科技有限公司、武汉泰迪智慧科技有限公司等单位给予支持的专家与师生致以深深的谢意。
本书得到华北科技学院“应用数学”校级重点学科建设项目资助（项目编号hkxjzd 201402），同时在本书的编辑和出版过程中还得到了参与“泰迪杯”全国大学生数据挖掘建模竞赛的众多师生，以及机械工业出版社杨福川、高婧雅等人的无私帮助与支持，在此一并表示感谢。

张良均