Python数据预处理技术与实践

　　《Python数据预处理技术与实践》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。
　　《Python数据预处理技术与实践》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。

　　白宁超，大数据工程师，现任职于四川省计算机研究院，研究方向包括数据分析、自然语言处理和深度学习。主持和参与国家自然基金项目和四川省科技支撑计划项目多项，出版专著1部。
　　
　　唐聃，教授，硕士生导师，成都信息工程大学软件工程学院院长，四川省学术和技术带头人后备人选。研究方向包括编码理论与人工智能，《自然语言处理理论与实战》一书作者。
　　
　　文俊，硕士，大数据算法工程师，现任职于成都广播电视台橙视传媒大数据中心。曾以技术总监身份主持研发多个商业项目，负责公司核心算法模型构建。主要研究方向包括数据挖掘、自然语言处理、深度学习及云计算。

本书结合作者的项目经验，从实际工程需求出发，循序渐进地介绍了大数据预处理相关技术、流行工具与应用案例，全书分为三部分，核心内容概要如下：

第一部分 数据预处理的基础知识。包括数据预处理的基本概念、工作流程、应用场景、开发环境、入门演练和Python科学计算工具包Numpy、SciPy、Pandas的实际应用等。

第二部分 数据预处理的实战进阶。内容包括：

数据采集与存储，主要涉及数据结构类型和采集方式，着重介绍了爬虫技术以及不同格式的文本信息抽取和文件读取。

高效读取文件、正则清洗文本信息、网页数据清洗和文本批量清洗。

中文分词精讲、封装分词工具包、NLTK词频处理、命名实体抽取和批量分词处理。

特征向量化处理，涉及数据解析、缺失值处理、归一化处理、特征词文本向量化、词频-逆词频、词集模型、词袋模型和批量文本特征向量化。

基于Gensim的文本特征向量化，涉及构建语料词典、词频统计、词频-逆词频计算、主题模型和特征降维等。

主成分分析PCA降维技术的原理和实际案例。

Matplotlib数据可视化分析案例。

第三部分 数据预处理的实际应用。主要介绍竞赛神器XGBoost的算法原理、应用、优化调参以及数据预处理在文本分类中的实际应用。

　　当前，大数据与人工智能技术炙手可热，其对应的工作岗位也逐年增加，薪资也较为诱人。我们在做大数据与人工智能处理时，不可避免地会遇到数据的问题。现实中的数据是不完整的，比如存在缺失值、干扰值等脏数据，这样就没有办法直接挖掘数据的价值，也不能将其直接应用于人工智能设备。为了提高数据的质量产生了数据预处理技术。数据预处理主要是指对原始数据进行文本抽取、数据清理、数据集成、数据变换、数据降维等处理，其目的是提高数据质量，以更好地提升算法模型的性能，其在数据挖掘、自然语言处理、机器学习、深度学习算法中应用广泛。数据预处理是一项很庞杂的工程，当你面对一堆数据手足无措的时候，当你面对数据预处理背后的坑一筹莫展的时候，当你的算法性能迟迟不能提升的时候，本书可以帮助你解决以上问题。本书从什么是数据预处理及其相关基础知识入手，分别介绍了网络爬虫、数据抽取、数据清洗、数据集成、数据变换、数据向量化、数据规约等技术，并结合实际项目和案例帮助读者将所学知识快速应用于工程实践，相信会对数据预处理感兴趣的读者和大数据从业者有所帮助。本书的主要内容
　　本书从逻辑上可分为三部分，共12章内容，各部分说明如下：
　　第一部分（第1-3章），主要介绍数据预处理的基础知识，包括数据预处理的基本概念、工作流程、应用场景、开发环境、入门演练和Python科学计算工具包Numpy、SciPy、Pandas及其实际应用。如果读者已具备一定的数据预处理基础，可以跳过此部分，从第三章开始学习。
　　第二部分（第3～10章），是数据预处理的实战进阶部分，共计8章。第3章介绍数据采集与存储，主要涉及数据类型和采集方式，其中着重介绍了爬虫技术；第4章介绍不同格式的文本信息抽取和文件读取；第5章介绍了高效读取文件、正则清洗文本信息、网页数据清洗和文本批量清洗工作；第6章介绍了中文分词、封装分词工具包、NLTK词频处理、命名实体抽取和批量分词处理工作；第7章介绍了特征向量化处理，其中涉及数据解析、缺失值处理、归一化处理、特征词文本向量化、词频一逆词频、词集模型、词袋模型和批量文本特征向量化工作；第8章介绍基于Gensim文本特征向量化，涉及构建语料词典、词频统计、词频.逆词频计算、主题模型和特征降维等。第9章介绍了主成分分析PCA降维技术的原理和实际案例；第10章介绍了Matplotlib数据可视化及案例。
　　第三部分（包括第11章和第12章），是数据预处理的实际应用部分，主要介绍竞赛神器XGBoost的算法原理、应用、优化调参以及数据预处理在文本分类中的实际应用。

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 SUblimeTeXt
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 NumPyIO操作
2．2 SCiPy
2．2．1 SciPy的安装和特点
2．2．2 SciPyLinalg
2．2．3 SciPy文件操作
2．2．4 SciPy插值
2．2．5 SCiPyNdimage
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
第5章 文本数据清洗
第6章 中文分词技术
第7章 文本特征向量化
第8章 Gensim文本向量化
第9章 PCA降维技术
第10章 数据可视化
第11章 竞赛神器XGBoost
第12章 XGBoost实现新闻文本分类
参考文献