第一章  数据预处理	1
第一节  数据清洗	2
第二节  数据集成	3
第三节  数据变换	5
第四节  数据规约	7
第五节  Python中的数据预处理工具	8
小结	14
第二章  数据可视化	15
第一节  理解数据可视化的概念和重要性	16
第二节  使用Python的matplotlib和seaborn库绘制基本图形	17
第三节  绘制柱状图、折线图、散点图、箱线图等常见图形	21
第四节  利用图形展示数据的关系和趋势、数据的分析	24
第五节  利用交互式可视化工具进行高级数据可视化	29
小结	33
第三章  分类与预测	34
第一节  理解分类与预测的概念和应用场景	35
第二节  理解机器学习分类算法的基本原理	36
第三节  利用Python的scikit-learn库进行分类算法的实现	43
第四节  利用交叉验证、网格搜索等方法对分类算法进行优化	47
小结	51
第四章  聚类与关联规则挖掘	52
第一节  理解聚类与关联规则挖掘的概念和应用场景	53
第二节  理解聚类算法的基本原理	54
第三节  利用Python的scikit-learn库进行聚类算法的实现	55
第四节  理解关联规则挖掘的基本原理：Apriori算法	60
第五节  利用Python的mlxtend库进行关联规则挖掘的实现	64
小结	66
第五章  文本挖掘	67
第一节  理解文本挖掘的概念和应用场景	68
第二节  理解自然语言处理的基本概念及技术	69
第三节  利用Python的NLTK和jieba库进行文本预处理	71
第四节  理解文本分类的基本原理和算法	79
第五节  利用Python的scikit-learn和keras库进行文本分类的实现	83
小结	88
第六章  网络分析	89
第一节  理解网络分析的概念、应用场景和工具	90
第二节  理解网络的基本概念	93
第三节  利用Python的NetworkX库进行网络构建和分析	95
第四节  理解社交网络分析的基本原理和方法	98
第五节  利用Python的igraph库进行社交网络分析的实现	101
小结	104
第七章  时间序列分析	105
第一节  理解时间序列分析的概念和应用场景	106
第二节  理解时间序列的基本概念	106
第三节  利用Python的pandas库进行时间序列数据的处理和分析	107
第四节  理解时间序列预测的基本原理和方法	109
第五节  利用Python的statsmodels库进行时间序列预测的实现	111
小结	113
第八章  情感分析	115
第一节  理解情感分析的概念和应用场景	116
第二节  理解自然语言处理中的情感分析基本原理和方法	117
第三节  利用Python的NLTK和SnowNLP库进行情感分析的实现	118
第四节  理解深度学习在情感分析中的应用	121
第五节  利用Python的keras和tensorflow库进行深度学习情感分析
        的实现	124
小结	127
第九章  主题模型	129
第一节  理解主题模型的概念和应用场景	130
第二节  理解主题模型的基本原理和方法	131
第三节  利用Python的gensim和scikit-learn库进行主题模型的实现	133
第四节  理解主题模型在文本分析、信息检索和推荐系统中的应用	141
第五节  利用主题模型进行文本主题分析和推荐系统的 实现	142
小结	145
附录A  实验环境搭建	146
后记	148