　　《大数据技术丛书：实用数据分析》共14章：第1章探讨数据分析的基本原理和数据分析步骤；第2章解释如何清洗并准备好数据；第3章展示了在JavaScript可视化框架下应用D3.js来实现各类数据的可视化方法；第4章介绍如何应用朴素贝叶斯算法来区分垃圾邮件；第5章讲解应用动态时间规整方法寻找图像间的相似性；第6章介绍使用随机游走算法和可视化的D3.js动画技术模拟股票价格；第7章介绍核岭回归（KRR）的原理以及应用；第8章描述如何使用支持向量机方法进行分类分析；第9章介绍应用细胞自动机方法对传染病进行建模；第10章解释如何应用Gephi从Facebook获取社会化媒体图谱并使之实现可视化；第11章介绍如何应用Twitter数据进行情感分析；第12章介绍如何使用MongoDB进行数据处理和聚合；第13章详细介绍如何在MongoDB数据库中应用MapReduce编程模型；第14章介绍如何应用IPython和Wakari开展线上数据分析。
　　通过阅读本书，你将学到：
　　从数据分析项目中得到有意义的结果；
　　可视化你的数据，找出趋势和相关性；
　　建立你自己的图像相似性搜索引擎；
　　了解如何从时间序列数据中预测数值；
　　在MongoDB中探索MapReduce框架；
　　创建D3.js互动式模拟。
　　

作者简介

　　Hector Cuesta，资深数据分析咨询师，为金融服务、社会化网络、在线学习和人力资源等多个行业提供软件工程与数据分析方面的咨询服务。他是墨西哥州自治大学计算机科学系的讲师，主要研究领域涉及计算流行病学、机器学习、计算机视觉、高性能计算、大数据、模拟和数据可视化。他是《Software Guru》杂志的专栏作家，并且在一些国际期刊和会议中发表多篇科学论文。业余时间，他是乐高机器人和树莓派的狂热爱好者。

译者序
序
前言
评审者简介
致谢
第1章　开始
1.1　计算机科学
1.2　人工智能
1.3　机器学习
1.4　统计学
1.5　数学
1.6　专业领域知识
1.7　数据、信息和知识
1.8　数据的本质
1.9　数据分析过程
1.9.1　问题
1.9.2　数据准备
1.9.3　数据探索
1.9.4　预测建模
1.9.5　结果可视化
1.10　定量与定性数据分析
1.11　数据可视化的重要性
1.12　大数据
1.12.1　传感器和摄像头
1.12.2　社会化网络分析
1.12.3　本书的工具和练习
1.12.4　为什么使用Python
1.12.5　为什么使用mlpy
1.12.6　为什么使用D3.js
1.12.7　为什么使用MongoDB
1.13　小结
第2章　数据准备与处理
2.1　数据源
2.1.1　开源数据
2.1.2　文本文件
2.1.3　Excel文件
2.1.4　SQL数据库
2.1.5　NoSQL数据库
2.1.6　多媒体
2.1.7　网页检索
2.2　数据清洗
2.2.1　统计方法
2.2.2　文本解析
2.2.3　数据转化
2.3　数据格式
2.3.1　CSV
2.3.2　JSON
2.3.3　XML
2.3.4　YAML
2.4　开始使用OpenRefine工具
2.4.1　Text facet
2.4.2　聚类
2.4.3　文件过滤器
2.4.4　numeric facet
2.4.5　数据转化
2.4.6　数据输出
2.4.7　处理历史
2.5　小结
第3章　数据可视化
3.1　数据导向文件
3.1.1　HTML
3.1.2　DOM
3.1.3　CSS
3.1.4　JavaScript
3.1.5　SVG
3.2　开始使用D3.js
3.2.1　柱状图
3.2.2　饼图
3.2.3　散点图
3.2.4　单线图
3.2.5　多线图
3.3　交互与动画
3.4　小结
第4章　文本分类
4.1　学习和分类
4.2　贝叶斯分类
4.3　E-mail主题测试器
4.4　数据
4.5　算法
4.6　分类器的准确性
4.7　小结
第5章　基于相似性的图像检索
5.1　图像相似性搜索
5.2　动态时间规整
5.3　处理图像数据集
5.4　执行DTW
5.5　结果分析
5.6　小结
第6章　模拟股票价格
6.1　金融时间序列
6.2　随机游走模拟
6.3　蒙特?卡罗方法
6.4　生成随机数
6.5　用D3.js实现
6.6　小结
第7章　预测黄金价格
7.1　处理时间序列数据
7.2　平滑时间序列
7.3　数据--历史黄金价格
7.4　非线性回归
7.4.1　核岭回归
7.4.2　平滑黄金价格时间序列
7.4.3　平滑时间序列的预测
7.4.4　对比预测值
7.5　小结
第8章　使用支持向量机的方法进行分析
8.1　理解多变量数据集
8.2　降维
8.2.1　线性无差别分析
8.2.2　主成分分析
8.3　使用支持向量机
8.3.1　核函数
8.3.2　双螺旋问题
8.3.3　在mlpy中执行SVM
8.4　小结
第9章　应用细胞自动机的方法对传染病进行建模
9.1　流行病学简介
9.2　流行病模型
9.2.1　SIR模型
9.2.2　使用SciPy来解决SIR模型的常微分方程
9.2.3　SIRS模型
9.3　对细胞自动机进行建模
9.3.1　细胞、状态、网格和邻域
9.3.2　整体随机访问模型
9.4　通过D3.js模拟CA中的SIRS模型
9.5　小结
第10章　应用社会化图谱
10.1　图谱的结构
10.1.1　间接图谱
10.1.2　直接图谱
10.2　社会化网络分析
10.3　捕获Facebook图谱
10.4　使用Gephi对图谱进行再现
10.5　统计分析
10.6　度的分布
10.6.1　图谱直方图
10.6.2　集中度
10.7　将GDF转化为JSON
10.8　在D3.js环境下进行图谱可视化
10.9　小结
第11章　对Twitter数据进行情感分析
11.1　解析Twitter数据
11.1.1　tweet
11.1.2　粉丝
11.1.3　热门话题
11.2　使用OAuth访问API
11.3　开始使用Twython
11.3.1　简单查询
11.3.2　处理时间表
11.3.3　处理粉丝
11.3.4　处理地点和趋势信息
11.4　情感分类
11.4.1　ANEW
11.4.2　语料库
11.5　使用NLTK
11.5.1　单词包
11.5.2　朴素贝叶斯
11.5.3　tweet的情感分析
11.6　小结
第12章　使用MongoDB进行数据处理和聚合
12.1　开始使用MongoDB
12.1.1　数据库
12.1.2　集合
12.1.3　文件
12.1.4　Mongo shell
12.1.5　Insert/Update/Delete
12.1.6　Queries查询
12.2　数据准备
12.2.1　使用OpenRefine进行数据转换
12.2.2　通过PyMongo来插入文件
12.3　分组
12.4　聚合框架
12.4.1　流水线
12.4.2　表达式
12.5　小结
第13章　使用MapReduce方法
13.1　MapReduce概述
13.2　编程模型
13.3　在MongoDB中使用MapReduce
13.3.1　map函数
13.3.2　reduce函数
13.3.3　使用Mongo shell
13.3.4　使用UMongo
13.3.5　使用PyMongo
13.4　过滤输入集合
13.5　分组和聚合
13.6　文字云对tweet中最常见的积极词汇进行可视化
13.7　小结
第14章　使用IPython和Wakari进行在线数据分析
14.1　开始使用Wakari
14.2　开始使用IPython记事本
14.3　通过PIL进行图像处理简介
14.3.1　打开一个图像
14.3.2　图像直方图
14.3.3　过滤
14.3.4　操作
14.3.5　转化
14.4　使用Pandas
14.4.1　处理时间序列
14.4.2　通过数据框架来操作多变量数据集
14.4.3　分组、聚合和相关
14.5　使用IPython进行多机处理
14.6　分享你的记事本
14.7　小结
附录　环境搭建

前言/序言

　　本书提供了一系列现实中将数据转化为洞察力的案例。书中覆盖了广泛的数据分析工具和算法，用于进行分类分析、聚类分析、数据可视化、数据模拟以及预测。本书的目标是帮助你了解数据从而找到相应的模式、趋势、相互关系以及洞察力。
　　书中所包括的实用项目充分利用了MongoDB、D3.js和Python语言并采用代码片段和详细描述的方式向读者呈现本书的核心概念。
　　本书组织结构
　　第1章探讨数据分析的基本原理和数据分析步骤。
　　第2章解释如何清洗并准备好数据来开展分析，同时介绍了数据清洗工具OpenRefine的使用方式。
　　第3章展示在JavaScript可视化框架下应用D3.js语言来实现各类数据的可视化方法。
　　第4章介绍了应用朴素贝叶斯算法（Na?ve Bayes）来区分垃圾文本的一种二元分类法。
　　第5章展示了一个应用动态时间规整方法来寻找图像间相似性的项目。
　　第6章解释了如何使用随机游走算法和可视化的D3.js动画技术来模拟股票价格的内容。
　　第7章介绍核岭回归（Kernel Ridge Regression，KRR）的原理以及如何使用此方法和时间序列数据来预测黄金价格。
　　第8章描述如何使用支持向量机的方法进行分类分析。
　　第9章介绍了对流行病进行模拟计算的基本概念并解释如何应用细胞自动机方法、D3.js和JavaScript语言来实现对流行病爆发的模拟。
　　第10章解释如何应用Gephi从Facebook获取你的社会化媒体图谱并使之实现可视化。
　　第11章解释如何应用Twitter的应用程序编程接口（API）来获取Twitter的数据。读者也将看到如何改进文本分类分析方法并将其应用于情感分析。这一过程是在自然语言工具包（Natural Language Toolkit, NLTK）中应用了朴素贝叶斯算法。
　　第12章介绍在MongoDB数据库中进行基本操作以及进行分组、过滤和聚合的方法。
　　第13章详细介绍如何在MongoDB数据库中应用MapReduce编程模型。
　　第14章解释了如何使用Wakari平台，同时介绍了IPython中运用Pandas进行数据处理和使用PIL图像处理库的方法。
　　附录提供书中所使用的软件工具的详细安装信息。
　　本书技能要求
　　使用本书的基本要求是掌握如下技术：
　　Python
　　OpenRefine
　　D3.js
　　mlpy
　　Natural Language Toolkit (NLTK)
　　Gephi
　　MongoDB
　　本书读者对象
　　本书主要面向那些希望能够实际开展数据分析和数据可视化的软件开发人员、分析人员、计算机科学家。同时，本书也希望能够为读者提供包含时间序列数据、数值型数据、多维度数据和社会化媒体数据、文本型数据等多种数据形式的、内容完备的真实项目，以帮助读者获得对数据分析的真知灼见。读者不需要具备数据分析的经验，但仍需要对统计学和Python编程有基础性的了解。
　　下载示例代码
　　通过你的账户登录，你能够在示例代码文件夹中找到你在Packt出版社网站所购买的全部书籍。如果你的书籍是在其他地方采购的，那么可以登录进行注册，我们将通过电子邮件的方式直接将示例代码文件发送给你。
　　勘误声明
　　尽管我们已经竭尽所能来确保我们的内容准确无误，但错误难免存在。如果你在我们的任何一本书中发现了任何错误，无论是正文还是代码，对于你所反馈的信息我们都将非常感激。这样能够帮助其他读者避免困惑，同时也能够帮助我们提升该书后续版本的质量。如果你找到任何勘误，请通过进行反馈，具体路径是：选择你的书籍，点击勘误提交表格的链接，然后输入勘误的详细内容。一旦你所提供的勘误被确认，你的提交将被接受，相关勘物内容将上传到我们的网站，或者增加到任何现有相关的勘误主题栏目中。任何已有的勘误结果可以在网址查到，并可以通过栏目标题进行选择。