1．知识体系科学完备，循序渐进助力自学 本书从数据分析与可视化的基本概念入手，围绕分类、回归、聚类、关联规则、时序数据、文本数据、社交网络数据七大主流分析场景，结合真实案例，逐层剖析算法的原理、Python 实现与可视化呈现，形成;理论rarr;代码rarr;图形rarr;洞见的完整闭环。 2．图数结合强化理解，双向驱动创新思路 与传统教材将;分析与;可视化相割裂不同，本书创新性地将二者贯穿始终。这种;以图释数、以数验图的设计，有助于读者直观理解复杂模型，提升结果解释能力。 3．融入丰富实战案例，贴近行业实际应用 本书第4～10章每章均包含丰富的实战案例，涵盖鸢尾花分类分析、股票收盘价分析、手机评论文本情感分析等真实场景。书中代码注重可复现性。本书提供完整的数据集与参数配置说明，可以培养读者解决实际问题的全局思维。 4．紧密跟踪前沿技术，拓宽读者科技视野 本书在夯实经典方法（如线性回归、k 均值聚类等）的基础上，引入自然语言处理、BERT 模型、BiLSTM 模型等前沿技术，并通过可视化对比传统方法与新技术的性能差异，帮助读者把握领域发展趋势。

本书是一本集理论与实践于一体的新形态教材，全书共10章，内容包括基本概念与基础知识、数据分析、数据可视化、分类分析与可视化、回归分析与可视化、聚类分析与可视化、关联规则分析与可视化、时序数据分析与可视化、文本数据分析与可视化、社交网络数据分析与可视化。本书在讲解理论知识的同时，还提供大量的实用案例，突出工程应用，力求做到基本概念准确、阐述条理清晰、主体内容精练、重点难点突出、理论联系实际。本书可作为计算机科学与技术、数据科学与大数据技术、人工智能等专业大数据技术类课程的教材，也可供相关领域的科技人员参考使用，还可作为数据分析与应用类认证培训课程的教材。葛继科，重庆科技大学计算机科学与工程学院（人工智能学院）院长助理，教授。主要从事人工智能、大数据应用、网络安全等方面的教学及研究工作。主讲课程包括“大数据平台与应用”“大数据分析与挖掘”“大数据采集与优化”“人工智能”“计算机网络”“网络安全技术”等。主持省部级教学质量工程项目1项，省部级教改重点项目2项、一般项目1项，*产学合作育人项目10项，校级教改项目4项，发表教改论文8篇。获省部级教学成果二等奖1项、校级教学成果二等奖2项。主持省部级科研项目10余项，参与国家级科研项目3项、省部级7项；发表学术论文50余篇，其中SCI收录7篇、EI收录20余篇、中文核心6篇，授权发明专利6项。主编《油田大数据应用技术》《量子人工智能引论》《大数据采集、预处理与可视化》《漫话深度学习》等著作。【章名目录】第　1章 基本概念与基础知识第　2章 数据分析第3章　数据可视化第4章　分类分析与可视化第5章　回归分析与可视化第6章　聚类分析与可视化第7章　关联规则分析与可视化第8章　时序数据分析与可视化第9章　文本数据分析与可视化第　10章 社交网络数据分析与可视化【详细目录】第　1章 基本概念与基础知识1.1　数据要素　21.1.1　数据要素的定义及特点　21.1.2　数据要素的价值　31.1.3　数据作为“新资源”的价值　41.1.4　数据作为“新资产”的价值　51.1.5　数据作为“新资本”的价值　51.2　大数据概述　51.2.1　大数据的概念　61.2.2　大数据的特征　71.2.3　大数据思维　81.2.4　大数据伦理　91.3　Python数据分析与可视化　121.3.1　选用Python进行数据分析与可视化的原因　121.3.2　Python数据分析与可视化常用库　131.3.3　安装Anaconda开发环境　131.3.4　Jupyter Notebook开发工具的使用　161.3.5　Markdown的使用　18本章小结　19习题　20第　2章 数据分析2.1　数据分析概述　222.1.1　数据分析的概念　222.1.2　数据分析与机器学习的关系　222.1.3　数据分析的目的和作用　232.1.4　数据分析流程　242.2　数据分析指标体系　252.2.1　数据指标的定义　252.2.2　数据分析指标体系的建立　252.2.3　数据分析指标体系的应用　272.3　数据分析方法　282.3.1　比较分析法　282.3.2　分组分析法　292.3.3　结构分析法　292.3.4　矩阵分析法　292.3.5　漏斗图分析法　292.3.6　综合评价分析法　302.4　数据分析报告　302.4.1　数据分析报告的类型　312.4.2　数据分析报告的基本组成　312.4.3　完成数据分析报告的建议　312.4.4　数据分析报告示例　322.5　数据对象的相似性度量　332.5.1　数据对象之间的相异性　342.5.2　数值属性对象的相似性度量　342.5.3　二元属性的相似性度量　362.5.4　余弦相似度　37本章小结　38习题　38第3章　数据可视化3.1　数据可视化概述　403.1.1　数据可视化的概念　403.1.2　数据可视化的目的和作用　403.1.3　数据可视化的分类　403.2　数据可视化流程与基础图表　413.2.1　数据可视化的流程　413.2.2　数据可视化的基础图表　433.2.3　数据可视化图表类型的选择　483.3　Python数据可视化方法　493.3.1　Matplotlib绘制图表　493.3.2　Seaborn绘制图表　503.3.3　Plotly绘制交互式图表　513.3.4　Bokeh绘制交互式网页图表　523.3.5　Pygal绘制矢量图　523.3.6　NetworkX绘制网络图　533.3.7　wordcloud绘制词云　54本章小结　55习题　55第4章　分类分析与可视化4.1　分类概述　574.1.1　分类的基本概念　574.1.2　分类的一般流程　574.1.3　常用分类方法　584.2　决策树分类　594.2.1　决策树简介　594.2.2　决策树的构建　594.2.3　特征选择标准　604.2.4　ID3算法　614.2.5　ID3算法的实现　624.2.6　C4.5算法　654.2.7　CART算法　664.2.8　决策树模型及其可视化　674.3　逻辑斯谛回归　704.3.1　逻辑斯谛回归的原理　704.3.2　逻辑斯谛回归的代码实现　714.3.3　逻辑斯谛回归实现乳腺癌预测　734.4　k近邻算法　744.4.1　k近邻算法的原理　744.4.2　k近邻算法的实现　754.4.3　k近邻实现手写数字识别　764.5　综合案例：鸢尾花分类分析与可视化　774.5.1　案例需求　774.5.2　数据准备　784.5.3　分类分析与可视化　81本章小结　82习题　83第5章　回归分析与可视化5.1　回归分析概述　855.1.1　回归分析的定义与分类　855.1.2　回归分析的流程　855.2　线性回归　865.2.1　一元线性回归　865.2.2　多元线性回归　885.2.3　线性回归的Python实现　905.3　非线性回归　925.3.1　非线性回归简介　925.3.2　多项式回归的原理　945.3.3　多项式回归的实现　955.3.4　应用举例　965.4　支持向量回归　975.4.1　支持向量回归简介　985.4.2　支持向量回归的原理　985.4.3　支持向量回归的实现　995.4.4　应用举例　1015.5　综合案例：波士顿房价预测分析与可视化　1025.5.1　案例需求　1025.5.2　数据准备　1035.5.3　回归分析与可视化　106本章小结　110习题　110第6章　聚类分析与可视化6.1　聚类概述　1136.1.1　聚类的基本概念　1136.1.2　聚类与分类的区别　1136.1.3　聚类的一般流程　1146.1.4　常用聚类方法　1156.2　k均值聚类算法　1176.2.1　k均值聚类算法简介　1176.2.2　k均值聚类算法的原理　1176.2.3　k均值聚类算法的实现　1186.3　BIRCH算法　1206.3.1　BIRCH算法简介　1206.3.2　BIRCH算法的原理　1206.3.3　BIRCH算法的实现　1216.4　DBSCAN算法　1246.4.1　DBSCAN算法简介　1246.4.2　DBSCAN算法的原理　1256.4.3　DBSCAN算法的实现　1266.5　综合案例：信用评分数据分析与可视化　1296.5.1　案例需求　1296.5.2　数据准备　1306.5.3　聚类分析与可视化　133本章小结　137习题　137第7章　关联规则分析与可视化7.1　关联规则分析概述　1417.1.1　关联规则分析的相关概念　1417.1.2　关联规则分析的应用领域　1447.2　Apriori算法　1457.2.1　Apriori算法简介　1457.2.2　Apriori算法的原理　1457.2.3　Apriori算法的实现　1477.3　FP_Growth算法　1517.3.1　FP_Growth算法简介　1527.3.2　FP_Growth算法的原理　1527.3.3　FP_Growth算法的实现　1567.4　综合案例：购物篮数据集关联规则分析与可视化　1607.4.1　案例需求　1607.4.2　数据准备　1607.4.3　关联规则分析与可视化　161本章小结　166习题　166第8章　时序数据分析与可视化8.1　时序数据概述　1698.1.1　时序数据的基本概念　1698.1.2　时序数据分析的一般流程　1698.1.3　时序数据分析的常用方法　1708.2　AR模型、MA模型和ARMA模型　1728.2.1　AR模型　1728.2.2　MA模型　1738.2.3　ARMA模型　1738.2.4　应用举例　1748.3　ARIMA模型　1788.3.1　ARIMA模型简介　1788.3.2　ARIMA模型的原理　1788.3.3　ARIMA模型的实现　1798.4　综合案例：股票收盘价分析与可视化　1828.4.1　案例需求　1828.4.2　数据准备　1838.4.3　时序数据分析与可视化　185本章小结　188习题　188第9章　文本数据分析与可视化9.1　文本数据概述　1919.1.1　文本数据的来源　1919.1.2　文本数据的特点　1929.1.3　文本数据的获取与处理　1939.2　文本情感分析　1939.2.1　文本情感分析方法简介　1949.2.2　文本情感分析的基本原理　1949.2.3　文本情感分析的代码实现　1979.2.4　应用举例　2009.3　文本相似度分析　2029.3.1　文本相似度分析方法简介　2039.3.2　文本相似度分析的基本原理　2039.3.3　文本相似度分析的代码实现　2049.3.4　应用举例　2079.4　综合案例：商品评价分析与可视化　2109.4.1　案例需求　2109.4.2　数据准备　2109.4.3　文本数据分析与可视化　211本章小结　215习题　215第　10章 社交网络数据分析与可视化10.1　社交网络数据分析概述　21810.1.1　社交网络数据简介　21810.1.2　社交网络数据分析的一般流程　21910.1.3　常用社交网络数据分析方法　22010.2　BERT模型　22310.2.1　BERT模型简介　22310.2.2　BERT模型的原理　22410.2.3　BERT模型的实现　22410.3　BiLSTM模型　22510.3.1　BiLSTM模型简介　22610.3.2　BiLSTM模型的原理　22610.3.3　BiLSTM模型的实现　22710.4　综合案例：手机评论文本情感分析与可视化　22810.4.1　案例需求　22910.4.2　数据准备　22910.4.3　评论文本情感分析与可视化　233本章小结　240习题　240参考文献　242