目录

  • 1 课程简介
    • 1.1 教学大纲
    • 1.2 授课计划
    • 1.3 课内实训指导书
  • 2 绪论
    • 2.1 数据挖掘的概念和任务
    • 2.2 十大经典数据挖掘算法
    • 2.3 开放数据获取来源-数据挖掘常见误区
    • 2.4 数据挖掘中的隐私保护
  • 3 认识数据
    • 3.1 数据对象和数据属性
    • 3.2 数据的统计描述
    • 3.3 数据可视化
    • 3.4 数据相似性度量
    • 3.5 数据可视化案例综合应用
  • 4 数据预处理
    • 4.1 数据清洗
    • 4.2 数据集成与数据规约
    • 4.3 数据离散化与概念分层
  • 5 分类与预测
    • 5.1 分类与预测:基本概念
    • 5.2 决策树分类
    • 5.3 朴素贝叶斯分类
    • 5.4 决策树方法的分析比较
    • 5.5 KNN分类算法
    • 5.6 分类与预测算法的性能评价方法
    • 5.7 高级分类算法
  • 6 回归分析
    • 6.1 基本概念
    • 6.2 线性回归编程案例
    • 6.3 逻辑回归
    • 6.4 岭回归
    • 6.5 CART分类回归树
    • 6.6 从线性回归到神经网络
    • 6.7 神经网络训练&神经网络设计原则
    • 6.8 过拟合与正则化
  • 7 关联规则挖掘
    • 7.1 基本概念
    • 7.2 闭项集和极大频繁项
    • 7.3 Apriori算法及其应用
    • 7.4 关联挖掘的常见误区
    • 7.5 FP树及软件实践
    • 7.6 课堂实录 Apriori基础与算法
    • 7.7 课堂实录 Apriori算法分析与案例应用
  • 8 聚类分析
    • 8.1 聚类概述
    • 8.2 聚类的划分方法
    • 8.3 聚类的层次方法
    • 8.4 聚类的密度方法
    • 8.5 孤立点分析
    • 8.6 Kmeans简单实战
    • 8.7 Kmeans常见错误解析
    • 8.8 Kmeans实现数据无监督分类
  • 9 案例开发与综合应用
    • 9.1 scikitlearn安装与配置
    • 9.2 KNN预测男女
    • 9.3 KNN测试自带数据评分对比以及绘图
    • 9.4 KNN用于分类
    • 9.5 KNN用于数据回归预测
    • 9.6 KNN基于历史数据预测未来
  • 10 课程实验
    • 10.1 实验一:数据可视化实践
    • 10.2 实验二:数据规范化实践
    • 10.3 实验三:朴素贝叶斯分类与预测
    • 10.4 实验四:决策树分类及可视化
    • 10.5 实验五:关联规则挖掘
    • 10.6 实验六:Kmeans聚类
    • 10.7 实验七:密度聚类
    • 10.8 实验八:案例综合应用
  • 11 python数据挖掘编程讲解
    • 11.1 函数练习
    • 11.2 函数编程
    • 11.3 可视化编程
    • 11.4 机器学习库的基本编程
实验一:数据可视化实践

实验一 

实验名称:数据的可视化

实验目的:理解和掌握数据及数据的属性,利用python3.7能绘制常见的饼图、柱状图、层叠图等,掌握python的编程机制和语法规则。

实验内容:

1、给定函数Z=50sin(x^2+y^2),绘制x,y在区间[-2,20]上的三维曲线图。

2、为了分析家庭开销的详细情况,也为了更好地进行家庭理财,

张三对2019年全年每个月的蔬菜、水果、肉类、日用品、旅游、随礼等各项支出做了详细记录,如表所示。

编写程序,根据张三的家庭开销情况绘制各类别支出的饼状图、柱状图,以及每个类别在每个季度的堆叠柱状图。

                                                                                                                                                                                                               

 

月份

 
 

1

 
 

2

 
 

3

 
 

4

 
 

5

 
 

6

 
 

7

 
 

8

 
 

9

 
 

10

 
 

11

 
 

12

 
 

蔬菜

 
 

1350

 
 

1500

 
 

1330

 
 

1550

 
 

900

 
 

1400

 
 

980

 
 

1100

 
 

1370

 
 

1250

 
 

1000

 
 

1100

 
 

水果

 
 

400

 
 

600

 
 

580

 
 

620

 
 

700

 
 

650

 
 

860

 
 

900

 
 

880

 
 

900

 
 

600

 
 

600

 
 

肉类

 
 

480

 
 

700

 
 

370

 
 

440

 
 

500

 
 

400

 
 

360

 
 

380

 
 

480

 
 

600

 
 

600

 
 

400

 
 

日用

 
 

1100

 
 

1400

 
 

1040

 
 

1300

 
 

1200

 
 

1300

 
 

1000

 
 

1200

 
 

950

 
 

1000

 
 

900

 
 

950

 
 

衣服

 
 

650

 
 

3500

 
 

0

 
 

300

 
 

300

 
 

3000

 
 

1400

 
 

500

 
 

800

 
 

2000

 
 

0

 
 

0

 
 

旅游

 
 

4000

 
 

1800

 
 

0

 
 

0

 
 

0

 
 

0

 
 

0

 
 

4000

 
 

0

 
 

0

 
 

0

 
 

0

 
 

随礼

 
 

0

 
 

4000

 
 

0

 
 

600

 
 

0

 
 

1000

 
 

600

 
 

1800

 
 

800

 
 

0

 
 

0

 
 

1000