Python数据预处理技术与实践

本书基础理论和工程应用相结合，循序渐进地介绍了数据预处理的基本概念、基础知识、工具应用和相关案例，包括网络爬虫、数据抽取、数据清洗、数据集成、数据变换、数据向量化、数据规约等知识，书中针对每个知识点，都给出了丰富的教学实例和实现代码，最后，通过一个新闻文本分类的实际项目讲解了数据预处理技术在实际中的应用。
本书的特点是几乎涵盖了数据预处理的各种常用技术及主流工具应用，示例代码很丰富，适合于大数据从业者、AI技术开发人员以及高校大数据专业的学生使用。

第1章 概述
1.1 Python数据预处理
1.1.1 什么是数据预处理
1.1.2 为什么要做数据预处理
1.1.3 数据预处理的工作流程
1.1.4 数据预处理的应用场景
1.2 开发工具与环境
1.2.1 Anaconda介绍与安装
1.2.2 Sublime Text
1.3 实战案例：第一个中文分词程序
1.3.1 中文分词
1.3.2 实例介绍
1.3.3 结巴实现中文分词
1.4 本章小结
第2章 Python科学计算工具
2.1 NumPy
2.1.1 NumPy的安装和特点
2.1.2 NumPy数组
2.1.3 Numpy的数学函数
2.1.4 NumPy线性代数运算
2.1.5 NumPy IO操作
2.2 SciPy
2.2.1 SciPy的安装和特点
2.2.2 SciPy Linalg
2.2.3 SciPy文件操作
2.2.4 SciPy 插值
2.2.5 SciPy Ndimage
2.2.6 SciPy优化算法
2.3 Pandas
2.3.1 Pandas的安装和特点
2.3.2 Pandas的数据结构
2.3.3 Pandas的数据统计
2.3.4 Pandas处理丢失值
2.3.5 Pandas处理稀疏数据
2.3.6 Pandas的文件操作
2.3.7 Pandas 可视化
2.4 本章小结
第3章 数据采集与存储
3.1 数据与数据采集
3.2 数据类型与采集方法
3.2.1 结构化数据
3.2.2 半结构化数据
3.2.3 非结构化数据
3.3 网络爬虫技术
3.3.1 前置条件
3.3.2 Scrapy 技术原理
3.3.3 Scrapy新建爬虫项目
3.3.4 爬取网站内容
3.4 爬取数据以JSON格式进行存储
3.5 爬取数据的MySQL存储
3.5.1 MySQL与Navicat部署
3.5.2 MySQL存储爬虫数据
3.6 网络爬虫技术扩展
3.7 本章小结
第4章 文本信息抽取
4.1 文本抽取概述
4.2 文本抽取问题
4.3 Pywin32抽取文本信息
4.3.1 Pywin32介绍
4.3.2 抽取Word文档文本信息
4.3.3 抽取PDF文档文本信息
4.3.4 打造灵活的文本抽取工具
4.4 文本批量编码
4.5 实战案例：遍历文件批量抽取新闻文本内容
4.5.1 递归读取文件
4.5.2 遍历抽取新闻文本
4.6 本章小结
第5章 文本数据清洗
5.1 新闻语料的准备
5.2 高效读取文件
5.2.1 递归遍历读取新闻
5.2.2 yield生成器
5.2.3 高效遍历读取新闻
5.3 通过正则表达式来清洗文本数据
5.3.1 正则表达式
5.3.2 清洗文本数据
5.4 清洗HTML网页数据
5.5 简繁字体转换
5.6 实战案例：批量新闻文本数据清洗
5.6.1 高效读取文件内容
5.6.2 抽样处理文件
5.6.3 通过正则表达式批量清洗文件
5.7 本章小结
第6章 中文分词技术
6.1 中文分词简介
6.1.1 中文分词概述
6.1.2 常见中文分词方法
6.2 结巴分词精讲
6.2.1 结巴分词的特点
6.2.2 结巴分词的安装
6.2.3 结巴分词核心方法
6.2.4 结巴中文分词的基本操作
6.2.5 自定义分词词典
6.2.6 关键词提取
6.2.7 词性标注
6.3 HanLP分词精讲
6.3.1 JPype1的安装
6.3.2 调用HanLP的Java包
6.3.3 HanLP分词
6.3.4 HanLP实现自定义分词
6.3.5 命名实体识别与词性标注
6.3.6 HanLP实现关键词抽取
6.3.7 HanLP实现自动摘要
6.4 自定义去除停用词
6.4.1 以正则表达式对文本信息进行清洗
6.4.2 结巴中文分词词性解读
6.4.3 根据词性规则构建自定义停用词
6.5 词频统计
6.5.1 NLTK介绍与安装
6.5.2 统计新闻文本词频
6.5.3 统计特定词频和次数
6.5.4 特征词的频率分布表
6.5.5 频率分布图与频率累计分布图
6.5.6 基于Counter的词频统计
6.6 自定义去高低词频
6.7 自定义规则提取特征词
6.8 实战案例：新闻文本分词处理
6.9 本章小结
第7章 文本特征向量化
7.1 解析数据文件
7.2 处理缺失值
7.2.1 什么是数据缺失值
7.2.2 均值法处理数据缺失值
7.2.3 Pandas 处理缺失值
7.3 数据的归一化处理
7.3.1 不均衡数据分析
7.3.2 归一化的原理
7.3.3 归一化的优点
7.4 特征词转文本向量
7.5 词频-逆词频（TF-IDF）
7.6 词集模型与词袋模型
7.7 实战案例：新闻文本特征向量化
7.8 本章小结
第8章 Gensim文本向量化
8.1 Gensim的特性和核心概念
8.2 Gensim构建语料词典
8.3 Gensim统计词频特征
8.4 Gensim计算TF-IDF
8.5 Gensim实现主题模型
8.5.1 主题模型
8.5.2 潜在语义分析（LSA）
8.5.3 隐含狄利克雷分布（LDA）
8.5.4 LDA的模型实现
8.5.5 随机映射（RP）
8.6 实战案例：Gensim实现新闻文本特征向量化
8.6.1 参数设置
8.6.2 生成词典模型
8.6.3 生成TF-IDF模型
8.7 本章小结
第9章 PCA降维技术
9.1 什么是降维
9.2 PCA概述
9.3 PCA应用场景
9.4 PCA的算法实现
9.4.1 准备数据
9.4.2 PCA数据降维
9.4.3 高维向低维数据映射
9.5 实战案例：PCA技术实现新闻文本特征降维
9.5.1 加载新闻数据
9.5.2 前N个主成分特征
9.5.3 PCA新闻特征降维可视化
9.6 本章小结
第10章 数据可视化
10.1 Matplotlib概述
10.1.1 认识 Matplotlib
10.1.2 Matplotlib的架构
10.2 Matplotlib绘制折线图
10.2.1 折线图的应用场景
10.2.2 折线图的绘制示例
10.3 Matplotlib绘制散点图
10.3.1 散点图的应用场景
10.3.2 散点图的绘制示例
10.4 Matplotlib绘制直方图
10.4.1 直方图的应用场景
10.4.2 直方图的绘制示例
10.5 练习：Matplotlib绘制气温图
10.6 练习：Matplotlib绘制三维图
10.6.1 练习1：绘制三维梯度下降图
10.6.2 练习2：绘制三维散点图
10.7 本章小结
第11章 竞赛利器XGBoost
11.1 XGBoost概述
11.1.1 认识XGBoost
11.1.2 XGBoost的应用场景
11.2 XGBoost的优点
11.3 使用XGBoost预测毒蘑菇
11.3.1 XGBoost的开发环境及安装
11.3.2 数据准备
11.3.3 参数设置
11.3.4 模型训练
11.3.5 可视化特征排名
11.4 XGBoost优化调参
11.4.1 参数解读
11.4.2 调参原则
11.4.3 调参技巧
11.5 预测糖尿病患者
11.5.1 数据准备
11.5.2 预测器模型构建
11.5.3 调参提高预测器的性能
11.6 本章小结
第12章 XGBoost实现新闻文本分类
12.1 文本分类概述
12.2 文本分类的原理
12.2.1 文本分类的数学描述
12.2.2 文本分类的形式化描述
12.3 分类模型评估
12.4 数据预处理
12.4.1 通用的类库
12.4.2 阶段1：生成词典
12.4.3 阶段2：词典向量化TF-IDF
12.4.4 阶段3：生成主题模型
12.5 XGBoost分类器
12.6 新闻文本分类应用
12.7 本章小结
参考文献