《數據預處理從入門到實戰：基於SQL,R,Python》是2021年人民郵電出版社出版的圖書，作者是本橋智光。
基本介紹
- 中文名：數據預處理從入門到實戰：基於SQL,R,Python
- 作者：本橋智光
- 出版社：人民郵電出版社
- 出版時間：2021年2月1日
- ISBN：9787115552327
編輯推薦,內容簡介,作者簡介,圖書目錄,
編輯推薦
一本書掌握大數據、人工智慧時代需要的數據預處理技術
·KDD CUP 2015亞軍得主多行業實戰經驗總結；
·54道例題，涵蓋常見數據預處理技術；
·3個實戰案例，快速提升套用能力；
·3種語言實現對比，代碼最佳化關鍵點一目了然；
·配套數據+源碼可下載；
·SQL的版本為Redshift，Pyhton的版本為3.6，R的版本的3.4；
·雙色印刷。
數據提取/數據聚合/數據連線/數據拆分/數據生成/數據擴展
數值型/分類型/日期時間型/字元型/位置信息型
1.習題式結構，帶著問題思考、學習，效果更好
本書採用問題驅動式，先拋出常見預處理任務，引導讀者思考如何實現。像這樣帶著問題學習，可以大大提高學習效果，讓理解更深入。
2.對比3種不同語言的實現，把握每種語言的特長
用SQL、R、Python對比解決相同的案例問題，可以讓讀者了解各語言在處理各種預處理問題時有哪些優缺點，從而根據情況選擇合適的語言，提升預處理效率。
3.同時給出一般代碼與理想代碼，最佳化處理的關鍵一目了然
對於每道例題，都同時給出一般代碼與理想代碼，讀者不僅可以邊閱讀邊思考如何修改一般代碼，還可以通過與理想代碼的對比明白如何最佳化代碼。
內容簡介
在大數據、人工智慧時代，數據分析必不可少。本書以數據分析中至關重要的數據預處理為主題，通過54道例題具體介紹了基於SQL、R、Python的處理方法和相關技巧。全書共4個部分：第1部分介紹預處理的基礎知識；第2部分介紹以數據結構為對象的預處理，包括數據提取、數據聚合、數據連線、數據拆分、數據生成和數據擴展；第3部分介紹以數據內容為對象的預處理，涉及數值型、分類型、日期時間型、字元型和位置信息型；第4部分為預處理實戰，介紹與實際業務相同的預處理流程。
本書適合新手數據科學家、系統工程師、具備編程及數理基礎的技術人才，以及對數據挖掘和數據分析等感興趣的人閱讀。
作者簡介
本橋智光（作者）
先後在系統開發公司擔任研究員，在網際網路企業擔任數據科學家，目前在數字醫療初創公司SUSMED株式會社擔任CTO，同時就職於HOXO-M株式會社，並以自由職業者的身份從事量子退火計算機的驗證工作，擁有製造業、零售業、金融業、運輸業、休閒業和網際網路等多個行業的數據分析經驗。曾在KDD CUP 2015中贏得亞軍。愛好是開發馬里奧AI。
Twitter：@tomomoto_LV3
陳濤（譯者）
運籌學碩士畢業，主要從事資料庫、數據分析工作，對機器學習、深度學習領域相關的理論和技術較為熟悉。因興趣自學日語，一直致力於追求興趣和工作的完美結合。
圖書目錄
第 1部分 預處理入門 1
第 1章 什麼是預處理 2
1-1 數據 2
記錄數據 2
數據類型 3
1-2 預處理的作用 3
機器學習 4
無監督學習和有監督學習 4
用於數據分析的3種預處理 5
1-3 預處理的流程 6
對數據結構的預處理 7
對數據內容的預處理 7
預處理的步驟 7
1-4 3種程式語言 9
正確使用程式語言 9
1-5 包和庫 10
用於數據分析的包和庫 10
1-6 數據集 11
酒店預訂記錄 12
工廠產品記錄 13
月度指標記錄 14
文本數據集 14
1-7 讀取數據 14
第 2部分 對數據結構的預處理 19
第 2章 數據提取 20
2-1 提取指定的列 20
Q 提取列 21
2-2 按指定條件提取 26
Q 按條件提取數據行 28
Q 間接利用索引提取數據行 33
2-3 不基於數據值的採樣 35
Q 隨機採樣 35
2-4 基於聚合ID的採樣 38
Q 按ID採樣 39
第3章 數據聚合 43
3-1 計算數據條數和類型數 43
Q 計數和唯一值計數 44
3-2 計算合計值 48
Q 合計值 48
3-3 計算最值、代表值 50
Q 代表值 51
3-4 計算離散程度 54
Q 方差和標準差 54
3-5 計算眾數 57
Q 眾數 58
3-6 排序 61
排序函式 61
Q 為時序數據添加編號 62
Q 排序 66
第4章 數據連線 69
4-1 主表的連線 69
Q 主表的連線 70
4-2 切換按條件連線的表 77
Q 切換按條件連線的主表 77
4-3 連線歷史數據 84
Q 獲取往前數第n條記錄的數據 85
Q 前n條記錄的合計值 88
Q 前n條記錄的平均值 92
Q 過去n天的合計值 95
4-4 交叉連線 99
Q 交叉連線處理 99
第5章 數據拆分 105
5-1 記錄數據中模型驗證數據的拆分 105
Q 交叉驗證 107
5-2 時序數據中模型驗證數據的拆分 111
Q 準備時序數據中的訓練數據和驗證數據 113
第6章 數據生成 117
6-1 通過欠採樣調整不平衡數據 118
6-2 通過過採樣調整不平衡數據 119
Q 過採樣 120
第7章 數據擴展 124
7-1 轉換為橫向顯示 124
Q 轉換為橫向顯示 125
7-2 轉換為稀疏矩陣 128
Q 稀疏矩陣 128
第3部分 對數據內容的預處理 131
第8章 數值型 132
8-1 轉換為數值型 132
Q 各種數據類型的轉換 132
8-2 通過對數化實現非線性變換 135
Q 對數化 137
8-3 通過分類化實現非線性變換 139
Q 數值型的分類化 140
8-4 歸一化 142
Q 歸一化 143
8-5 刪除異常值 146
Q 根據標準差刪除異常值 146
8-6 用主成分分析實現降維 148
Q 用主成分分析實現降維 149
8-7 數值填充 152
Q 刪除缺失記錄 153
Q 用常數填充 155
Q 均值填充 157
Q 用PMM實現多重插補 160
第9章 分類型 164
9-1 轉換為分類型 164
Q 分類型的轉換 165
9-2 啞變數化 168
Q 啞變數化 169
9-3 分類值的聚合 171
Q 分類值的聚合 172
9-4 分類值的組合 175
Q 分類值的組合 175
9-5 分類型的數值化 177
Q 分類型的數值化 178
9-6 分類型的填充 181
Q 用KNN填充 182
第 10章 日期時間型 185
10-1 轉換為日期時間型、日期型 185
Q 日期時間型、日期型的轉換 185
10-2 轉換為年、月、日、時、分、秒、星期 189
Q 獲取各日期時間元素 190
10-3 轉換為日期時間差 194
Q 計算日期時間差 195
10-4 日期時間型的增減 200
Q 日期時間的增減處理 200
10-5 轉換為季節 203
Q 轉換為季節 204
10-6 轉換為時間段 208
10-7 轉換為工作日、休息日 209
Q 添加休息日標誌 209
第 11章 字元型 212
11-1 通過形態分析進行分解 213
Q 提取名詞和動詞 213
11-2 轉換為單詞的集合數據 215
Q 創建詞袋 216
11-3 用TF-IDF調整單詞權重 220
Q 創建使用TF-IDF的詞袋 221
第 12章 位置信息型 224
12-1 從日本坐標繫到世界坐標系的轉換以及從度、分、秒到度的轉換 224
Q 從日本坐標系轉換為世界坐標系 224
12-2 兩點間距離、方向的計算 228
Q 計算距離 228
第4部分 預處理實戰 233
第 13章 實戰練習 234
13-1 聚合分析的預處理 234
Q 聚合分析的準備工作 234
13-2 用於推薦的預處理 238
Q 生成推薦矩陣 238
13-3 預測建模的預處理 243
Q 用於預測建模的預處理 243
結語 254
參考文獻 255
