Hive大数据存储与处理

评分0.0分

本书以广电大数据案例为主线，系统介绍数据仓库Hive存储和初步处理方法的相关知识。本书条理清楚、重点突出，内容循序渐进、由浅入深。本书共8章，包括广电大数据用户画像需求分析、部署开发环境、广电用户数据存储、广电用户基本数据简单查询、广电用户账单与订单数据查询进阶、广电用户收视行为数据查询优化、广电用户数据清洗及数据导出，以及广电用户数据存储与处理的程序开发。本书大部分章包含实训和课后习题，通过练习和操作实践，帮助读者巩固所学的内容。 本书可以作为高等院校数据科学或大数据相关专业的教材，也可以作为大数据爱好者的自学用书。

Python网络爬虫技术（第2版）（微课版）

评分10.0分

本书以任务为导向，较为全面地介绍了不同场景下Python爬取网络数据的方法。全书共分为7个项目，第1个项目介绍了爬虫与反爬虫的基本概念，以及Python爬虫环境的配置，第2个项目介绍了爬取过程中涉及的网页前端基础知识，第3个项目介绍了在静态网页中爬取数据的过程，第4个项目介绍了在动态网页中爬取数据的过程，第5个项目介绍了对登录后才能访问的网页进行模拟登录的方法，第6个项目介绍了爬取PC客户端、App的数据的方法，第7个项目介绍了使用Scrapy爬虫框架爬取数据的过程。本书所有章节都包含了实训与课后习题，通过练习和操作实战，可帮助读者巩固所学的内容。 本书可以作为大数据技术爱好者的自学用书，也可作为高校大数据技术类专业的教材。

Python数据挖掘：入门、进阶与实用案例分析

评分10.0分

这是一本以项目实战案例为驱动的数据挖掘著作，它能帮助完全没有Python编程基础和数据挖掘基础的读者快速掌握Python数据挖掘的技术、流程与方法。 在写作方式上，本书与传统的“理论与实践结合”的入门书不同，它以数据挖掘领域的知名赛事“泰迪杯”数据挖掘挑战赛（已举办10届）和“泰迪杯”数据分析技能赛（已举办5届）（累计1500余所高校的10余万师生参赛）为依托，精选了11个经典赛题，将Python编程知识、数据挖掘知识和行业知识三者融合，让读者在实践中快速掌握电商、教育、交通、传媒、电力、旅游、制造等7大行业的数据挖掘方法。 本书不仅适用于零基础的读者自学，还适用于教师教学，为了帮助读者更加高效地掌握本书的内容，本书提供了以下10项附加价值： （1）建模平台：提供一站式大数据挖掘建模平台，免配置，包含大量案例工程，边练边学，告别纸上谈兵； （2）视频讲解：提供不少于600分钟Python编程和数据挖掘相关教学视频，边看边学，快速收获经验值； （3）精选习题：精心挑选不少于60道数据挖掘练习题，并提供详细解答，边学边练，检查知识盲区； （4）作者答疑：学习过程中有任何问题，通过“树洞”小

Excel数据分析实务

评分10.0分

本书由一个实际项目贯穿，以项目为导向，由浅入深地介绍Excel 2016在数据分析中的应用。全书分为4篇，分别为概述、数据获取、数据处理，以及数据分析与可视化。全书共包括11个项目，分别为学生校园消费行为现状，获取数据，处理异常值、缺失值和重复值，合并数据，分析食堂就餐情况、学生消费行为，撰写数据分析报告等。项目2～项目11都包含技能拓展，可以补充Excel 2016在数据分析中的应用。此外，项目2～项目10包含技能训练，可以达到练习和操作实践的效果，帮助读者巩固所学的内容。 本书可以作为中等职业教育学校及高等职业教育学校数据分析类专业教材，也可以作为数据分析爱好者自学用书。希望读者通过学习本书，可以养成敬业、精益、专注、创新的工匠精神，树立正确的消费观，发扬艰苦奋斗、勤俭节约的精神。

Hadoop与大数据挖掘（第2版）

评分7.5分

这是一本讲解如何基于Hadoop技术栈进行大数据挖掘和分析的著作。它能带领你零基础快速掌握Hadoop技术栈，以及基于它的大数据挖掘与分析的流程和方法。 　　　　 全书核心内容分为两部分。 　　　　 1）Hadoop技术栈：详细讲解了Hadoop、Hive、HBase、Spark、Flume、Kafka等大数据技术的基础、原理、应用，通过这部分内容读者能对Hadoop技术栈有从宏观到微观的了解。 　　　　 2）Hadoop大数据挖掘：通过3个综合案例，逐步展示了基于Hadoop的大数据挖掘的完整流程和方法。 　　　　 几位作者在大数据项目研发、教育、咨询等领域有10余年的丰富经验，对教育界和企业界供需两端的了解非常深入，全书的结构和内容围绕这两端的需求尽心设计，能让Hadoop大数据挖掘与分析的教育和学习事半功倍。 　　　　 本书第1版出版后，获得了教育界和企业界的良好反馈，其中数十家高等院校采用本书作为教材或参考书。第2版在第1版的基础上，在技术适应性、案例实用性等方面做了大量更新，与时俱进，更有竞争力！ 　　　　 为了便于学习和教学，本书配套数据文件、实现代码、课后习题

Excel数据分析与可视化

评分8.4分

本书以项目为导向，由浅入深地介绍Excel在数据分析与可视化方面的应用。全书以“自动售货机”产品销售为主线，共分7个项目。项目1介绍了某企业“自动售货机”的经营困惑，以及“自动售货机”数据分析的流程；项目2为商品的整体销售情况分析；项目3为区域销售情况分析；项目4为商品库存的分析；项目5为用户行为的分析；项目6为商品销售量的预测；项目7介绍了“自动售货机”周报的撰写。项目2～项目7都包含了技能拓展和技能训练，可以帮助读者巩固所学的内容。 本书可作为高校数据分析类课程的教材，也可作为数据分析爱好者的自学用书。

大数据数学基础（Python语言描述）

评分9.5分

本书全面地讲解了在科学领域广泛运用的微积分、概率论与数理统计、线性代数、数值计算、多元统计分析等数学基础知识。全书共6章：第1章介绍了大数据与数学、数学与Python的关系；第2章介绍了微积分的基础知识，包括极限、导数、微分、不定积分与定积分等；第3章介绍了概率论与数理统计的基础知识，包括数据分布特征、概率与概率分布、参数估计、假设检验等；第4章介绍了线性代数的基础知识，包括行列式、矩阵的运算和特征分解、奇异值分解；第5章介绍了数值计算的基础知识，包括插值法、函数逼近与拟合、非线性方程（组）求根；第6章介绍了常用的多元统计分析方法，包括回归分析、判别分析、聚类分析、主成分分析、因子分析和典型相关分析。本书示例大都结合Python进行求解分析，且每章都有课后习题，可以帮助读者巩固所学的内容。

Excel数据获取与处理

评分9.2分

本书以项目为导向，由浅入深地介绍Excel 2016在数据获取与处理中的应用。全书共14个项目，项目1简单介绍Excel 2016的界面，以及工作簿、工作表、单元格的概念；项目2介绍各种类型数据的输入；项目3介绍如何美化工作表；项目4介绍如何使用Excel获取文本数据；项目5介绍如何使用Excel获取网站数据；项目6介绍如何使用Excel获取MySQL数据库中的数据；项目7介绍如何对数据进行排序；项目8介绍如何筛选数据中的关键信息；项目9介绍如何对数据进行分类汇总；项目10介绍如何制作透视表；项目11～项目13分别介绍日期和时间函数、数学函数、统计函数的应用；项目14介绍宏的应用。每一个项目都包含了技能拓展，以补充Excel在数据获取与处理方面的应用。此外，项目2～项目14包含了技能训练，可以帮助读者巩固所学的内容。 本书可作为高校数据分析类课程的教材，也可作为数据分析爱好者的自学用书。

Python3智能数据分析快速入门

评分8.9分

本书作者从实践出发，总结了智能数据分析常用的方法，深入浅出地介绍了智能数据分析编程过程中的相关知识。书中涵盖Python环境搭建、Python基础语法、控制语句、函数、面向对象编程、数值计算、数据处理、绘图、模型构建等内容，还配套提供了程序代码及数据。此外，每章的最后均提供课后习题，帮助读者快速掌握Python的使用方法。

Python网络爬虫技术

评分8.5分

本书以任务为导向，较为全面地介绍了不同场景下Python爬取网络数据的方法，包括静态网页、动态网页、登录后才能访问的网页、PC客户端、App等场景。全书共7章，第1章介绍了爬虫与反爬虫的基本概念，以及Python爬虫环境的配置，第2章介绍了爬取过程中涉及的网页前端基础，第3章介绍了在静态网页中爬取数据的过程，第4章介绍了在动态网页中爬取数据的过程，第5章介绍了对登录后才能访问的网页进行模拟登录的方法，第6章介绍了爬取PC客户端、App的数据的方法，第7章介绍了使用Scrapy爬虫框架爬取数据的过程。本书所有章节都包含了实训与课后习题，通过练习和操作实战，可帮助读者巩固所学的内容。

大数据数学基础（R语言描述）

评分9.5分

本书全面地讲解了在科学领域运用广泛的数据微积分、线性代数、统计学、数值计算、多元统计分析等数学基础知识。全书共6章：第1章介绍了大数据与数学、数学与R语言的关系；第2章介绍了微积分的基础知识，包括函数、极限、导数、微分、不定积分与定积分及其应用；第3章介绍了线性代数的基础知识，包括矩阵的运算、行列式、特征分解、奇异值分解；第4章介绍了统计学的基础知识，包括数据分布特征、概率论、随机变量的数字特征、参数估计、假设检验；第5章介绍了数值计算的基础知识，包括插值方法、函数逼近与拟合、非线性方程（组）求根；第6章介绍了常用的多元统计分析方法，包括回归分析、聚类分析、判别分析、主成分分析、因子分析和典型相关分析。本书中的几乎所有实例都结合R语言进行求解分析，所有章后都有课后习题，可以帮助读者巩固所学的内容。

R语言编程基础

评分9.8分

本书以理论结合示例操作的方式，全面介绍了R语言编程基础及其知识的应用，讲解了利用R语言解决部分实际问题的方法。全书共7章：第 1章为R语言概述，包括学习R语言的优势、R语言的编译环境、R包的获取及加载、R包的内置数据等；第 2～6章主要介绍R语言的数据对象与数据读写、数据集基本处理、函数与控制流、初级绘图、绘图；第7章主要介绍可视化数据挖掘工具Rattle。本书的每章都包含了课后习题，通过练习帮助读者巩固所学的内容。

Python数据分析与应用

评分9.0分

本书以任务为导向，全面地介绍数据分析的流程和Python数据分析库的应用，详细讲解利用Python解决企业实际问题的方法。全书共9章，1章介绍了数据分析的基本概念等相关知识；2～6章介绍了Python数据分析的常用库及其应用，涵盖NumPy数值计算、Matplotlib数据可视化、pandas统计分析、使用pandas进行数据预处理、使用scikit-learn构建模型，较为全面地阐述了Python数据分析方法；第7～9章结合之前所学的数据分析技术，进行企业综合案例数据分析。除1章外，本书各章都包含了实训与课后习题，通过练习和操作实践，帮助读者巩固所学的内容。本书可作为高校大数据技术类专业的教材，也可以作为大数据技术爱好者的自学用书。

Python编程基础

评分9.1分

本书采用以任务为导向的编写模式，全面地介绍了Python编程基础及其相关知识的应用，讲解了如何利用Python的知识解决部分实际问题。全书共7章，第1章介绍学习Python的准备工作，包括Python的由来与发展、Python环境搭建、编辑器介绍与安装等。第2～5章和第7章主要介绍Python的基础知识、数据类型、程序流程控制语句、函数和文件基础等内容。第6章讲解了Python面向对象的编程。本书每个章节都包含了实训与课后习题。通过习题和操作实践，读者可以巩固所学的内容。

Hadoop与大数据挖掘

评分9.1分

本书提供了大数据相关技术的简介、原理、实践、企业应用等，针对大数据相关技术，如Hadoop、HBase、Hive、Spark等，都有专业章节进行介绍，并且针对每一模块都有相应的动手实践，能有效加深读者对大数据相关技术原理、技术实践的理解。书中的挖掘实践篇涉及企业在大数据应用中的所有环节，如数据采集、数据预处理、数据挖掘等，通过案例对整个系统的架构进行了详细分析，对读者有一定实践指导作用。对于学习大数据相关技术的高校师生来说，本书不仅提供了大数据相关技术的基础讲解及原理、架构分析，还针对这些原理，配备有对应的动手实践章节，帮助读者加深对原理、架构的认识。同时，在每个模块结束后，书中会有一个相对独立的企业应用案例，帮助读者巩固学到的大数据技术相关知识。

Python与数据挖掘

评分8.7分

Python是一种带有动态语义的、解释性的、面向对象的高级编程语言。其高级内置数据结构，结合动态类型和动态绑定，使其对于敏捷软件开发非常具有吸引力。同时，Python作为脚本型（胶水）语言连接现有的组件也十分高效。Python语法简洁，可读性强，从而能降低程序的维护成本。不仅如此，Python支持模块和包，鼓励程序模块化和代码重用。

R语言与数据挖掘

评分9.4分

R是一种适用于统计分析计算和图像处理的语言，受S语言和Scheme语言影响发展而来。早期R是基于S语言的一个GNU项目，所以也可以当作S语言的一种实现，通常用S语言编写的代码都可以不做任何修改地在R环境下运行。R的语法来自Scheme，作为一款诞生于20世纪90年代的语言，R已经成为S统计编程语言的一类实现方式。本书从实际应用出发，结合实例及应用场景，深入浅出地介绍了R语言应用的相关知识：R语言的安装及使用、数据对象与数据读写、常用数据管理、图形探索、高级绘图工具及常用的建模算法在R语言中的实现方式。书中以R语言的函数应用为主，先介绍了函数的应用场景及使用格式，再给出函数的应用实例，最后对函数的运行结果做出了解释，将掌握函数应用的所需知识点按照实际使用的流程展示出来。