数据科学导论——基于Python

样章

作者：

主编：陈华副主编：严晓东郭政

定价：

54.00 元

版面字数：

390.00千字

开本：

16开

装帧形式：

平装

页数：

324

最新
印次时间：

2026年06月

ISBN：

978-7-04-067099-8

物料号：

67099-00

出版时间：

2026-06-01

读者对象：

高等教育

册数：

本书是面向大数据人才培养的应用型数据科学系列教材中的一本，首先介绍了数据和数据科学的相关概念，给出数据科学的编程和数学基础。然后，根据数据处理流程的逻辑顺序，对数据预处理、探索性数据分析和数据建模进行了深入介绍。同时给出了结构化和非结构化数据库及密码算法等内容的讨论。全书以问题为驱动，结合Python实现，使抽象的数据思维具象化，加深读者对数据的感性认识，提高其数据处理过程中的实践能力。

本书可作为高等学校理工类、经管类等专业本科生学习大数据知识的基础性教材，也可供科技工作者参考。

目录
- 前辅文
- 第一章绪论
  - 1.1 数据基本概念
    - 1.1.1 数据
    - 1.1.2 大数据
    - 1.1.3 DIKW模型
    - 1.1.4 数据科学
  - 1.2 数据科学发展历史
  - 1.3 数据科学研究内容
    - 1.3.1 数据科学韦恩图
    - 1.3.2 数据科学知识体系
    - 1.3.3 数据科学流程
    - 1.3.4 本书内容体系与大作业安排
  - 1.4 数据科学应用场景与领域
  - 习题一
- 第二章数据科学编程基础
  - 2.1 Python基础知识
    - 2.1.1 帮助
    - 2.1.2 标识符
    - 2.1.3 行与缩进
    - 2.1.4 变量与对象
    - 2.1.5 数字与表达式
    - 2.1.6 字符串
    - 2.1.7 日期和时间
  - 2.2 Python中的数据类型与序列
    - 2.2.1 数据类型与组合数据类型
    - 2.2.2 列表
    - 2.2.3 元组
    - 2.2.4 字典
    - 2.2.5 集合
  - 2.3 语句与控制流
    - 2.3.1 条件语句
    - 2.3.2 循环语句
    - 2.3.3 推导式
  - 2.4 函数
    - 2.4.1 函数的参数
    - 2.4.2 全局变量和局部变量
    - 2.4.3 匿名函数
    - 2.4.4 递归和闭包
  - 2.5 类
    - 2.5.1 类与实例
    - 2.5.2 继承
  - 习题二
- 第三章数据科学数学基础
  - 3.1 微积分基础
    - 3.1.1 映射与极限
    - 3.1.2 一元函数的导数与微分
    - 3.1.3 多元函数的导数与微分
    - 3.1.4 不定积分
    - 3.1.5 定积分
    - 3.1.6 重积分
  - 3.2 数理统计基础
    - 3.2.1 随机变量及其分布
    - 3.2.2 离散随机变量及其分布
    - 3.2.3 连续随机变量及其分布
    - 3.2.4 随机变量的分布特征
    - 3.2.5 大数定律与中心极限定理
    - 3.2.6 参数估计与假设检验
  - 3.3 线性代数基础
    - 3.3.1 向量及其运算
    - 3.3.2 矩阵及其运算
- 第四章数据预处理
  - 4.1 数据获取
  - 4.2 数据清洗
    - 4.2.1 删除法
    - 4.2.2 填充法
    - 4.2.3 数据清洗实践
  - 4.3 数据转换
    - 4.3.1 One-Hot编码
    - 4.3.2 分箱法
    - 4.3.3 聚类法
    - 4.3.4 数据转换实践
  - 4.4 数据标准化
    - 4.4.1 Min-Max标准化
    - 4.4.2 Z-score标准化
    - 4.4.3 小数定标标准化
    - 4.4.4 数据标准化实践
  - 习题四
- 第五章探索性数据分析
  - 5.1 简介
    - 5.1.1 导论
    - 5.1.2 基本概念
  - 5.2 基本方法
    - 5.2.1 茎叶图
    - 5.2.2 概括值与数据批特征
    - 5.2.3 箱线图与数据批特征分析
  - 5.3 其他方法介绍
    - 5.3.1 重新表达（变换数据）
    - 5.3.2 耐抗性
  - 5.4 相关性分析与特征重要性
    - 5.4.1 相关性分析
    - 5.4.2 特征重要性
  - 5.5 可视化分析
    - 5.5.1 可视化分析的作用
    - 5.5.2 可视化分析方法
    - 5.5.3 可视化分析常用工具
  - 习题五
- 第六章数据管理、安全与技术
  - 6.1 数据管理和数据库发展史
  - 6.2 SQL与sqlite3数据库
    - 6.2.1 SQL
    - 6.2.2 SQLite3数据库
  - 6.3 NoSQL数据库
  - 6.4 数据安全
  - 6.5 大数据技术
  - 习题六
- 第七章数据建模
  - 7.1 概述
  - 7.2 回归模型
    - 7.2.1 回归模型介绍
    - 7.2.2 线性回归的实现
  - 7.3 分类模型
    - 7.3.1 逻辑回归及其实现
    - 7.3.2 KNN及其实现
    - 7.3.3 决策树及其实现
    - 7.3.4 支持向量机
  - 7.4 集成模型
    - 7.4.1 随机森林及其实现
    - 7.4.2 AdaBoost及其实现
  - 7.5 聚类模型
    - 7.5.1 K-means及其实现
    - 7.5.2 密度聚类及其实现
    - 7.5.3 层次聚类及其实现
  - 7.6 神经网络
    - 7.6.1 神经网络基本原理
    - 7.6.2 BP神经网络及其实现
    - 7.6.3 其他神经网络介绍
  - 习题七
- 第八章综合案例
  - 8.1 问题背景
  - 8.2 数据探索性分析
    - 8.2.1 结构化数据的读取与查看
    - 8.2.2 结构化数据的可视化
    - 8.2.3 描述性统计分析
    - 8.2.4 变量相关分析
  - 8.3 基于机器学习的数据建模与评估
    - 8.3.1 特征工程与特征筛选
    - 8.3.2 拆分训练集和验证集
    - 8.3.3 特征筛选
    - 8.3.4 基础模型的训练与预测
    - 8.3.5 机器学习实验流程
  - 8.4 基于XGBoost集成学习的数据建模与评估
  - 习题八
- 参考文献