当前位置:首页 > 电子书 > 电子书下载 > 数据库 >
数据可视化与数据挖掘:基于Tableau和SPSS Modeler图形界面 数据可视化与数据挖掘:基于Tableau和SPSS Modeler图形界面
caofeng891102

caofeng891102 提供上传

资源
25
粉丝
18
喜欢
150
评论
9

    数据可视化与数据挖掘:基于Tableau和SPSS Modeler图形界面 PDF 完整高清版

    数据可视化电子书
    • 发布时间:2019-10-14 08:37:42

    给大家带来的一篇关于数据可视化相关的电子书资源,介绍了关于数据可视化、数据挖掘、Tableau、SPSS、Modeler方面的内容,本书是由电子工业出版社出版,格式为PDF,资源大小37 MB,王国平编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.2。

  • 数据可视化与数据挖掘:基于Tableau和SPSS Modeler图形界面 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1o3KNhPD5FjE5Jz667F8hk
  • 提取码:cm18
  • 数据可视化与数据挖掘 PDF

    大数据可视化容许运用图型、图象处理、计算机视觉及其操作界面,根据表述、模型及其对立体式、表层、特性及其动漫的显示信息,对统计数据多方面数据可视化表述,大数据可视化技术性在中国销售市场长期性看中,而目前中国有关书藉相对性偏少,这书挑选这一方位开展系统软件基本科学研究,期待为这些在想此行业有一定的发展趋势的用户出示学习培训协助。在这书中,人们最先详细介绍大数据可视化的某些基础知识,接着重中之重详细介绍应用Tableau、SAS及SPSS Modeler的数据可视化页面开展数据统计分析与大数据挖掘的方式 。

    目录

    • 序 言 1
    • 第1部分 11
    • 数据可视化篇 11
    • 1.1 数据可视化 12
    • 1.1.1 Tableau 13
    • 1.1.2 QlikView 15
    • 1.1.3 Power BI 15
    • 1.2 可视化数据挖掘 16
    • 1.2.1 IBM SPSS Modeler 16
    • 1.2.2 Intelligent Miner 17
    • 1.2.3 SAS Enterprise Miner 18
    • 2.1 软件页面简介 20
    • 2.1.1 开始页面 21
    • 2.1.2 数据源页面 23
    • 2.1.3 工作簿页面 24
    • 2.2 数据类型 25
    • 2.2.1 主要数据类型 25
    • 2.2.2 更改数据类型 26
    • 2.3 运算符及优先级 28
    • 2.3.1 算术运算符 28
    • 2.3.2 逻辑运算符 29
    • 2.3.3 比较运算符 29
    • 2.3.4 运算符优先级 29
    • 2.4 软件安装 30
    • 2.4.1软件下载 30
    • 2.4.2安装步骤 31
    • 2.4.3软件激活 35
    • 2.5 文件类型 37
    • 3.1连接到文件 39
    • 3.1.1 Excel文件 39
    • 3.1.2 文本文件 41
    • 3.1.3 Access 43
    • 3.1.4 JSON文件 45
    • 3.1.5 PDF文件 47
    • 3.1.6 空间文件 49
    • 3.1.7 统计文件 51
    • 3.1.8 其他文件 53
    • 3.2连接到数据库 54
    • 3.2.1Tableau Server 54
    • 3.2.2 SQL Server 55
    • 3.2.3 MySQL 56
    • 3.2.4 Oracle 58
    • 3.2.5 Amazon Redshift 59
    • 3.2.6 更多数据库 61
    • 4.1维度和度量 64
    • 4.1.1 维度 64
    • 4.1.2 度量 66
    • 4.2连续和离散 67
    • 4.2.1 连续字段 67
    • 4.2.2 离散字段 68
    • 4.3工作区操作 68
    • 4.3.1“数据”窗格 69
    • 4.3.2“分析”窗格 71
    • 4.3.3工具栏 71
    • 4.3.4状态栏 72
    • 4.3.5卡和功能区 73
    • 4.4工作表操作 74
    • 4.4.1创建工作表 75
    • 4.4.2复制工作表 75
    • 4.4.3导出工作表 77
    • 4.4.4删除工作表 77
    • 4.5Tableau高级应用 78
    • 4.5.1表计算 78
    • 4.5.2创建字段 81
    • 4.5.3创建参数 83
    • 4.5.4聚合计算 90
    • 4.5.5缺失值处理 92
    • 5.1单变量图形 95
    • 5.1.1条形图 95
    • 5.1.2饼图 98
    • 5.1.3直方图 100
    • 5.1.4折线图 101
    • 5.2 多变量图形 103
    • 5.2.1散点图 103
    • 5.2.2甘特图 105
    • 5.3 地图 106
    • 5.3.1设置角色 106
    • 5.3.2标记地图 108
    • 5.3.3添加字段信息 108
    • 5.3.4设置地图选项 109
    • 5.3.5创建分布图 112
    • 5.3.6自定义地图 112
    • 第2部分 114
    • 可视化数据挖掘篇 114
    • 6.1 软件简介 115
    • 6.1.1 软件历史 115
    • 6.1.2 软件界面 117
    • 6.1.3 软件特点 123
    • 6.2 算法及功能 124
    • 6.2.1 软件算法 124
    • 6.2.2 软件功能 125
    • 6.3 软件安装及启动 127
    • 6.3.1 软件安装 127
    • 6.3.2 授权许可 131
    • 6.3.3 启动软件 134
    • 7.1 业务理解 137
    • 7.2 数据理解 138
    • 7.3 数据准备 138
    • 7.4 建立模型 140
    • 7.5 评估模型 140
    • 7.6 应用模型 141
    • 8.1 连接到文件 142
    • 8.1.1 Excel文件 142
    • 8.1.2 变量文件 143
    • 8.1.3 固定文件 145
    • 8.1.4 SAS文件 146
    • 8.1.5 Statistics文件 146
    • 8.2 连接到数据库 147
    • 9.1 数据流操作 151
    • 9.1.1 生成数据流 151
    • 9.1.2 添加和删除节点 151
    • 9.1.3 连接数据流 152
    • 9.1.4 修改连接节点 153
    • 9.1.5 执行数据流 155
    • 9.2 图形制作 155
    • 9.2.1 散点图 155
    • 9.2.2 直方图 157
    • 9.2.3 网络图 158
    • 9.2.4 评估图 160
    • 第3部分 162
    • 案例实战篇 162
    • 10.1 建模思路 164
    • 10.2 Logistic回归 165
    • 10.3 业务理解 167
    • 10.4 数据理解 168
    • 10.5 数据准备 171
    • 10.6 建立模型 173
    • 10.6.1 模型参数设置 173
    • 10.6.2 模型运行结果 183
    • 10.7 模型评估 187
    • 10.7.1 模型精确度 187
    • 10.7.2 模型拟合度 187
    • 10.8 模型应用 189
    • 10.9 小结 192
    • 11.1 建模思路 194
    • 11.2 时间序列模型 195
    • 11.3 业务理解 196
    • 11.4 数据理解 197
    • 11.5 数据准备 198
    • 11.6 建立模型 200
    • 11.6.1模型参数设置 200
    • 11.6.2 模型运行结果 216
    • 11.7 模型评估 218
    • 11.8 模型应用 220
    • 11.9 小结 221
    • 12.1 建模思路 223
    • 12.2 聚类模型 224
    • 12.3 业务理解 225
    • 12.4 数据理解 226
    • 12.5 数据准备 228
    • 12.6 建立模型 230
    • 12.6.1模型参数设置 230
    • 12.6.2 模型运行结果 233
    • 12.7 模型评估 236
    • 12.8 模型应用 239
    • 12.9 小结 241
    • 13.1 建模思路 243
    • 13.2 判别分析 244
    • 13.3 业务理解 245
    • 13.4 数据理解 246
    • 13.5 数据准备 248
    • 13.6 建立模型 249
    • 13.6.1 模型参数设置 249
    • 13.6.2模型运行结果 257
    • 13.7 模型评估 262
    • 13.8 模型应用 263
    • 13.9 小结 265
    • 14.1 建模思路 268
    • 14.2 神经网络模型 269
    • 14.2.1 神经元 270
    • 14.2.2 多层感知器 272
    • 14.2.3 径向基函数 273
    • 14.3 业务理解 275
    • 14.4 数据理解 276
    • 14.5 数据准备 278
    • 14.6 建立模型 280
    • 14.6.1 模型参数设置 280
    • 14.6.2模型运行结果 287
    • 14.7 模型评估 291
    • 14.8 模型应用 292
    • 14.9 小结 294
    • 15.1 建模思路 296
    • 15.2 决策树模型 297
    • 15.3 业务理解 299
    • 15.4 数据理解 300
    • 15.5 数据准备 303
    • 15.6 建立模型 306
    • 15.6.1 模型参数设置 306
    • 15.6.2 模型运行结果 316
    • 15.7 模型评估 318
    • 15.7.1 模型精确度 318
    • 15.7.2 模型拟合度 318
    • 15.8 模型应用 320
    • 15.9 小结 323
    • 附录A 324
    • 配置MySQL ODBC数据源 324
    • A1 添加数据源管理器 324
    • A2 选择相应的驱动程序 324
    • A3 连接数据库服务器 325
    • 附录B 327
    • Tableau重要函数 327
    • B1 数字函数 327
    • B2 字符串函数 329
    • B3 日期函数 331
    • B4 类型转换 334
    • B5 逻辑函数 335
    • B6 聚合函数 337
    • B7 直通函数 338
    • B8 用户函数 340
    • B9 表计算函数 341
    • B10 其他函数 346
    • 附录C 349
    • SPSS Modele函数 349
    • C1 信息函数 349
    • C2 转换函数 350
    • C3 比较函数 351
    • C4 逻辑函数 352
    • C5 数值函数 352
    • C6 三角函数 353
    • C7 概率函数 354
    • C8 位元整数运算 354
    • C9 随机函数 355
    • C10 字符串函数 356
    • C11 日期和时间函数 359
    • C12 序列函数 362
    • C13 全局函数 365
    • C14 空值和Null值处理函数 366
    • C15 特殊函数 366

    上一篇:Windows游戏编程大师技巧

    下一篇:Java核心技术及面试指南

    展开 +

    收起 -

     
    数据可视化 相关内容
    数据挖掘与预测分析
    数据挖掘与预测分析 中文扫描版

    提供了从数据准备到探索新数据分析、数据建模及模型评估等整个数据分析过程的内容,提供了能够使读者利用现实世界数据集开展数据挖掘与预测分析的应用方法,欢迎下载

    立即下载
    大数据:互联网大规模数据挖掘与分布式处理
    大数据:互联网大规模数据挖掘与分布式处理 第2版

    大数据-互联网大规模数据挖掘与分布式处理(第2版) 由斯坦福大学Web 挖掘课程的内容总结而成,主要关注极大规模数据的挖掘。主要内容包括分布式文件系统、相似性搜索、搜索引擎技术、频

    立即下载
    数据挖掘:概念与技术
    数据挖掘:概念与技术 影印第3版

    这书详细全方位地叙述大数据挖掘的定义、方式 、技术性和*研究进展。这书对前两版干了全方位修定,提升和再次机构了全书的技术性內容,重中之重阐述了数据预处理、经常方式发掘、归类

    立即下载
    HAWQ数据仓库与数据挖掘实战
    HAWQ数据仓库与数据挖掘实战 清晰完整版

    Apache HAWQ是一个SQL-on-Hadoop产品,适合用于Hadoop平台上快速构建数据仓库系统,本书从技术解析、实战演练与数据挖掘三个方面讲解,欢迎下载

    立即下载
    数据挖掘:R语言实战
    数据挖掘:R语言实战 影印版

    本书侧重使用R 进行数据挖掘,重点讲述了R 的数据挖掘流程、算法包的使用及相关工具的应用,同时结合大量精选的数据挖掘实例对R 软件进行深入潜出和全面的介绍,以便读者能深刻理解R 的

    立即下载
    数据挖掘与机器学习:WEKA应用技术与实践
    数据挖掘与机器学习:WEKA应用技术与实践 原书第二版

    本书过大量的实践操作,使读者了解并掌握数据挖掘和机器学习的相关技能,系统讲解Weka 3.7.13的操作、理论和应用,适合数据挖掘和机器学习相关人员作为技术参考书使用

    立即下载
    量化投资:数据挖掘技术与实践
    量化投资:数据挖掘技术与实践 MATLAB影印版

    全书内容分为三篇。第一篇(基础篇)主要介绍数据挖掘与量化投资的关系,以及数据挖掘的概念、实现过程、主要内容、主要工具等内容。感兴趣的可以下载学习

    立即下载
    学习笔记
    网友NO.875839

    深入分析python数据挖掘 Json结构分析

    这篇文章通过实例给大家分析总结了python数据挖掘以及Json结构分析的相关知识点,对此有兴趣的朋友参考下。 json是一种轻量级的数据交换格式,也可以说是一种配置文件的格式 这种格式的文件是我们在数据处理经常会遇到的 python提供内置的模块json,只需要在使用前导入即可 你可以通过帮助函数查看json的帮助文档 json常用的方法有load、loads、dump以及dumps,这个都属于python初级,我不做过多解释 json可以结合数据库一起使用,在这以后要处理大量数据时非常有用 下面我们正式来利用数据挖掘对json文件进行处理 现在很多网站都运用了Ajax,所以一般很多都是XHR文件 通过这里我想利用一个地图网站来演示 我们通过浏览器的调试获取了相关url https://ditu.amap.com/service/poiInfo?id=B001B0IZY1query_type=IDQ 下面我们通过requests模块中的get方法,模拟浏览器发出的http请求,并返回的到的结果对象 代码如下 # coding=utf-8__Author__ = susmoteimport requestsurl = https://ditu.amap.com/service/poiInfo?id=B001B0IZY1query_type=IDQresp = requests.get(url)print(resp.text[0:200]) 在终端中运行结果如下 数据已经获取到了,但是为了接下来能使用这些数据,我们需要利用json模块对这些数据进行分析 代码如下 import requestsimport jsonurl = https://ditu.amap.com/service/poiInfo?id=B001B0IZY1query_type=IDQresp = request……

    网友NO.802171

    python数据挖掘需要学什么

    只要能解决实际问题,用什么工具来学习数据挖掘都是无所谓,这里首推Python。 需要掌握Python中的哪些知识? (推荐学习:Python视频教程) 1、Pandas库的操作 Panda是数据分析特别重要的一个库,我们要掌握以下三点: · pandas 分组计算; · pandas 索引与多重索引; 索引比较难,但是却是非常重要的 · pandas 多表操作与数据透视表 2、numpy数值计算 numpy数据计算主要应用是在数据挖掘,对于以后的机器学习,深度学习,这也是一个必须掌握的库,我们要掌握以下内容: · Numpy array理解; · 数组索引操作; · 数组计算; · Broadcasting(线性代数里面的知识) 3、数据可视化-matplotlib与seaborn · Matplotib语法 python最基本的可视化工具就是matplotlib。咋一看Matplotlib与matlib有点像,要搞清楚二者的关系是什么,这样学习起来才会比较轻松。 · seaborn的使用 seaborn是一个非常漂亮的可视化工具。 · pandas绘图功能 前面说过pandas是做数据分析的,但它也提供了一些绘图的API。 4、数据挖掘入门 这部分是最难也是最有意思的一部分,要掌握以下几个部分: · 机器学习的定义 在这里跟数据挖掘先不做区别 · 代价函数的定义 · Train/Test/Validate · Overfitting的定义与避免方法 5、数据挖掘算法 数据挖掘发展到现在,算法已经非常多,下面只需掌握最简单的,最核……

    网友NO.568214

    python数据挖掘需要学的内容

    1、Pandas库的操作 Panda是数据分析特别重要的一个库,我们要掌握以下三点: · pandas 分组计算; · pandas 索引与多重索引; 索引比较难,但是却是非常重要的 · pandas 多表操作与数据透视表 2、numpy数值计算 numpy数据计算主要应用是在数据挖掘,对于以后的机器学习,深度学习,这也是一个必须掌握的库,我们要掌握以下内容: · Numpy array理解; · 数组索引操作; · 数组计算; · Broadcasting(线性代数里面的知识) 3、数据可视化-matplotlib与seaborn · Matplotib语法 python最基本的可视化工具就是matplotlib。咋一看Matplotlib与matlib有点像,要搞清楚二者的关系是什么,这样学习起来才会比较轻松。 · seaborn的使用 seaborn是一个非常漂亮的可视化工具。 · pandas绘图功能 前面说过pandas是做数据分析的,但它也提供了一些绘图的API。 4、数据挖掘入门 这部分是最难也是最有意思的一部分,要掌握以下几个部分: · 机器学习的定义 在这里跟数据挖掘先不做区别 · 代价函数的定义 · Train/Test/Validate · Overfitting的定义与避免方法 5、数据挖掘算法 数据挖掘发展到现在,算法已经非常多,下面只需掌握最简单的,最核心的,最常用的算法: · 最小二乘算法; · 梯度下降; · 向量化; · 极大似然估计; · Logistic Regression; · Decision Tree; · RandomForesr;……

    电子书 编程教程 文档 软件 源码 视频

    Copyright 2018-2020 xz577.com 码农之家

    本站所有电子书资源不再提供下载地址,只分享来路

    免责声明:网站所有作品均由会员网上搜集共同更新,仅供读者预览及学习交流使用,下载后请24小时内删除

    版权投诉 / 书籍推广 / 赞助:QQ:520161757