标签分类 热门分类
当前位置:首页 > 程序设计电子书 > R语言电子书网盘下载
R语言数据分析项目精解:理论、方法、实战 R语言数据分析项目精解:理论、方法、实战
码小辫

码小辫 提供上传

资源
23
粉丝
27
喜欢
115
评论
5

    R语言数据分析项目精解:理论、方法、实战 PDF 完整超清版

    R语言电子书
    • 发布时间:

    给大家带来的一篇关于R语言相关的电子书资源,介绍了关于R语言、数据分析、理论、方法、实战方面的内容,本书是由电子工业出版社出版,格式为PDF,资源大小43.1 MB,罗荣锦编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:8.6,更多相关的学习资源可以参阅 程序设计电子书、等栏目。

    R语言数据分析项目精解:理论、方法、实战 PDF 下载

    下载地址:https://pan.baidu.com/s/183Ou2Fu_pKLtzPgN3qnu5

    分享码:up62

    R语言数据分析项目精解:理论、方法、实战 PDF

    it行业数据统计分析工作人员:根据阅读文章这书,能够把学得的专业知识立即应用到生活实践中。
    互联网技术商品策划工作人员:根据阅读文章这书,能够掌握数据统计分析精英团队通常是怎样适用商品策划工作人员的,及其数据统计分析精英团队能协助商品策划工作人员做什么,商品策划工作人员未来能够尽快给数据统计分析精英团队明确提出剖析要求。
    统计分析技术专业高等院校生:这书能够做为制造行业实践活动实例教材内容,在学习培训学习知识的另外尽快掌握具体情况,与众不同的事开展实践活动,提升实战演练工作能力。
    别的行业数据统计分析工作人员:能够掌握it行业是怎样开展数据统计分析和实体模型开发设计的,互相沟通交流和学习培训。
    着眼于数据统计分析工作中的发烧友:这书能够做为数据统计分析从业者互相沟通交流、沟通交流的公路桥梁。

    R語言发烧友:R語言的运用渗入生活实践的各个方面,这书既解读互联网技术电子商务具体新项目,也是R語言沟通交流的服务平台。

    这书以互联网技术电子商务公司为背景图,抽象性出工作上普遍的数据统计分析难题,运用 R 語言和生物学列举了详尽的解决方法和全过程。这书共 9 章,前两章各自为总论和 R 語言新手入门专业知识,以后各章各自详细介绍了经营指标值的创建、指标值视频监控系统、假设检验及 AB 检测、自变量挑选技术性、客户画像系统软件、找寻高品质客户和文本挖掘等內容。这书涉及的统计方法有:指标值增长率量化分析方式、层次分析法、时间序列模型、根据正态分布的1元离群点检测、傅里叶谱分析、假设检验、主成分分析、因子分析、模糊不清聚类算法、无监管下连续型自变量离开化、逻辑回归模型和文本挖掘等。另一个,这书出示了全部案例的 R 語言保持编码,累计 33 个自定涵数和千余行编码。这书合适数据统计分析从业者、商品策划工作人员、统计分析技术专业大学生和 R 語言发烧友阅读文章。

    目录

    • 第 1 章 互联网 统计学 R 语言1
    • 1.1 互联网中的统计学1
    • 1.1.1 “互联网 ”的发展1
    • 1.1.2 统计学的发展2
    • 1.1.3 大数据时代的统计学2
    • 1.2 R 语言——互联网与统计学的桥梁3
    • 1.3 本书结构 5
    • 第 2 章 R 语言基础 7
    • 2.1 安装 R 语言 7
    • 2.1.1 获取和安装 R 语言 7
    • 2.1.2 安装 RStudio 9
    • 2.1.3 R 包 10
    • 2.1.4 帮助12
    • 2.2 R 语言基本对象12
    • 2.2.1 数据类型12
    • 2.2.2 向量12
    • 2.2.3 矩阵和数组19
    • 2.2.4 列表27
    • 2.2.5 数据框29
    • 2.2.6 因子32
    • 2.2.7 数据类型的辨别和转换39
    • 2.2.8 数据类型和对象关系 39
    • 2.3 工作空间和查看对象 40
    • 2.3.1 工作空间和工作目录 40
    • 2.3.2 遍历、创建、删除文件夹 41
    • 2.3.3 查看对象的方法 42
    • 2.4 数据导入和导出43
    • 2.4.1 数据导入43
    • 2.4.2 数据导出49
    • 2.5 操作符和函数51
    • 2.5.1 操作符51
    • 2.5.2 函数54
    • 2.6 数据集操作59
    • 2.6.1 变量操作60
    • 2.6.2 数据集操作63
    • 2.6.3 数据集连接67
    • 2.6.4 数据汇总68
    • 2.7 控制流71
    • 2.7.1 重复和循环71
    • 2.7.2 条件执行73
    • 2.7.3 next 和 break 74
    • 2.8 自定义函数75
    • 第 3 章 互联网运营指标的建立77
    • 3.1 项目背景、目标及方案78
    • 3.1.1 项目背景78
    • 3.1.2 项目目标78
    • 3.1.3 项目方案78
    • 3.2 项目技术理论简介78
    • 3.2.1 骨灰级流量指标 78
    • 3.2.2 登录和激活80
    • 2.2.3 访问深度和吸引力 81
    • 3.2.4 订单指标85
    • 3.2.5 网站或 APP 性能指标86
    • 3.2.6 转化率87
    • 3.2.7 层次分析法87
    • 3.3 项目实践 92
    • 3.3.1 搭建运营指标系统 92
    • 3.3.2 制作对比型指标及趋势线 97
    • 3.3.3 创建用户价值和活跃度指标 101
    • 第 4 章 指标监控系统111
    • 4.1 项目背景、目标及方案 111
    • 4.1.1 项目背景111
    • 4.1.2 项目目标111
    • 4.1.3 项目方案112
    • 4.2 项目技术理论简介112
    • 4.2.1 时间序列基本统计量 112
    • 4.2.2 数据观测与描述性统计 113
    • 4.2.3 随机性115
    • 4.2.4 周期性115
    • 4.2.5 节假日模式识别 115
    • 4.2.6 建模数据集的建立 118
    • 4.2.7 指标监控方法(不含节假日)125
    • 4.2.8 节假日指标监控方法 134
    • 4.2.9 R 语言实例代码 135
    • 4.3 项目实践 141
    • 4.3.1 数据概览142
    • 4.3.2 节假日模式识别 145
    • 4.3.3 模型数据集的建立 155
    • 4.3.4 指标监控(非节假日)160
    • 4.3.5 节假日指标监控 176
    • 4.3.6 总结181
    • 第 5 章 用数据驱动业务——AB 测试 182
    • 5.1 项目背景、目标和方案 182
    • 5.1.1 项目背景182
    • 5.1.2 项目目标183
    • 5.1.3 项目方案183
    • 5.2 项目技术理论简介183
    • 5.2.1 自动化分流策略 183
    • 5.2.2 整体评估指标185
    • 5.2.3 概率论预备知识 186
    • 5.2.4 假设检验191
    • 5.2.5 三个问题197
    • 5.3 项目实践 197
    • 第 6 章 变量筛选技术204
    • 6.1 项目背景、目标和方案 204
    • 6.1.1 项目背景204
    • 6.1.2 项目目标205
    • 6.1.3 项目方案205
    • 6.2 项目技术理论简介205
    • 6.2.1 变量相关性206
    • 6.2.2 变量筛选209
    • 6.2.3 变量降维215
    • 6.2.4 R 语言实例代码 225
    • 6.3 项目实践 237
    • 6.3.1 变量筛选238
    • 6.3.2 变量降维243
    • 第 7 章 构建用户画像系统 247
    • 7.1 项目背景、目标和方案 247
    • 7.1.1 项目背景247
    • 7.1.2 项目目标248
    • 7.1.3 项目方案248
    • 7.2 项目技术理论简介248
    • 7.2.1 用户画像的基本概念 248
    • 7.2.2 用户画像应用领域 249
    • 7.2.3 用户画像分类250
    • 7.2.4 用户画像构建250
    • 7.2.5 用户画像标签的数值处理方法 254
    • 7.3 项目实践 256
    • 第 8 章 从数据中寻找优质用户 261
    • 8.1 项目背景、目标和方案 261
    • 8.1.1 项目背景261
    • 8.1.2 项目目标262
    • 8.1.3 项目方案262
    • 8.2 项目技术理论简介262
    • 8.2.1 逻辑回归的基本概念 262
    • 8.2.2 建模流程266
    • 8.2.3 模型开发阶段269
    • 8.2.4 模型验证阶段279
    • 8.2.5 模型测试阶段285
    • 8.2.6 商业应用流程288
    • 8.2.7 R 语言实例代码 288
    • 8.3 项目实践 295
    • 8.3.1 数据探索295
    • 8.3.2 数据处理297
    • 8.3.3 建立模型302
    • 8.3.4 模型验证304
    • 8.3.5 总结308
    • 第 9 章 文本挖掘——点评数据展示策略 309
    • 9.1 项目背景、目标和方案 310
    • 9.1.1 项目背景310
    • 9.1.2 项目目标311
    • 9.1.3 项目方案311
    • 9.2 项目技术理论简介312
    • 9.2.1 评论文本质量量化指标模型 312
    • 9.2.2 用户相似度模型 313
    • 9.2.3 情感性分析316
    • 9.2.4 R 语言实例代码 321
    • 9.3 项目实践 326
    • 9.3.1 若干自定义函数 326
    • 9.3.2 文本质量量化指标模型 329
    • 9.3.3 用户相似度模型 334
    • 9.3.4 情感性分析335
    • 9.3.5 总结340

    上一篇:PHP基础教程  下一篇:网页UI与用户体验设计5要素

    展开 +

    收起 -

    R语言 相关电子书
    关于R语言的学习笔记
    网友NO.312997

    r语言处理数据比python慢吗

    什么是R语言? R语言,一种自由软件编程语言与操作环境,主要用于统计分析、绘图、数据挖掘。R本来是由来自新西兰奥克兰大学的罗斯·伊哈卡和罗伯特·杰特曼开发(也因此称为R),现在由“R开发核心团队”负责开发。R基于S语言的一个GNU计划项目,所以也可以当作S语言的一种实现,通常用S语言编写的代码都可以不作修改的在R环境下运行。R的语法是来自Scheme。(推荐学习:Python视频教程) R的源代码可自由下载使用,亦有已编译的可执行文件版本可以下载,可在多种平台下运行,包括UNIX(也包括FreeBSD和Linux)、Windows和MacOS。R主要是以命令行操作,同时有人开发了几种图形用户界面。 R的功能能够通过由用户撰写的包增强。增加的功能有特殊的统计技术、绘图功能,以及编程接口和数据输出/输入功能。这些软件包是由R语言、LaTeX、Java及最常用C语言和Fortran撰写。下载的可执行文件版本会连同一批核心功能的软件包,而根据CRAN纪录有过千种不同的软件包。其中有几款较为常用,例如用于经济计量、财经分析、人文科学研究以及人工智能。 Python与R语言的共同特点 Python和R在数据分析和数据挖掘方面都有比较专业和全面的模块,很多常用的功能,比如矩阵运算、向量运算等都有比较高级的用法 Python和R两门语言有多平台适应性,……

    网友NO.902276

    r语言和python的详细对比

    r语言和python的对比,两者各有千秋,究竟要学哪一个,可根据自己的实际需求来作出选择,当然,最好是两者都学。 相关推荐:《python视频》 01 开发目的 R语言 R是由统计学家开发的,它的出生就肩负着统计分析、绘图、数据挖掘的重要使命。因此在R的语言体系里,有非常多统计学的原理和知识。 如果你具备一些统计背景,R会令你使用各类model和复杂的公式时更加愉悦有爽感,因为你总能找到对应的package,并且几行代码就可以调用搞定。 Python Python的创始人初衷,是为非专业程序员设计的一种开放型的语言。优雅,明确,简单,是它的标签。因此,总有人高唱「人生苦短,我用Python」。 数据分析、网络爬虫、编程开发、人工智能等,作为一门多功能的胶水语言,Python的使用目的和学习路径更加多样化。 02 适用人群 尽管都是数据科学界的当红炸子鸡,工具的选择会因为你的领域和你想解决的问题因人而异。 R语言 起初R在学术研究和调查工作中使用比较多,逐渐延伸至企业商业界。使用人群不一定需要计算机背景,统计、金融、经济、核电、环境、医疗、物流管理,乃至人文学科,都有R语言的立足之地。 同样,鉴于R 在数据探索、统计分析上,是一种更高效的独立数据分析工具,具备良好数理统计知识背景的人使用起来……

    网友NO.876046

    简述:我为什么选择Python而不是Matlab和R语言

    做数据分析、科学计算等离不开工具、语言的使用,目前最流行的数据语言,无非是MATLAB,R语言,Python这三种语言,但今天小编简单总结了python语言的一些特点及平常使用的工具等。 为什么Python比MATLAB、R语言好呢? 其实,这三种语言都很多数据分析师在用,但更推荐python,主要是有以下几点: 1、python易学、易读、易维护,处理速度也比R语言要快,无需把数据库切割; 2、python势头猛,众多大公司需要,市场前景广阔;而MATLAB语言比较局限,专注于工程和科学计算方面,而且MATLAB价格贵,免费版或盗版都只能玩玩学习用; 3、python具有丰富的扩展库,这个是其他两个不能比的; python版本选择 初学者版本选择是很多人都会问的,我们也不会偏向某个版本,主要根据自己的所需,但建议是选择最新版本Python3.x,这样很多新功能和旧功能都会有的,但是目前很多第三方库仍然不支持Python3,因为Python2.x已经停止继续开发,不意味着不能使用。 IDE选择 Spyder 这个正是我现在在用的: Spyder界面 它具有模仿MATLAB的工作空间的功能,可以很方便地观察和修改数组的值。显示哪些窗口可以自定义,很方便。 使用中出现了一些小问题,比如说str()函数报错,cmdprompt乱码之类的,后来就没有用Spyder跑过比较长的代码了,调试起来太麻烦了,……

    网友NO.699386

    R语言 vs Python对比:数据分析哪家强?

    什么是R语言? R语言,一种自由软件编程语言与操作环境,主要用于统计分析、绘图、数据挖掘。R本来是由来自新西兰奥克兰大学的罗斯·伊哈卡和罗伯特·杰特曼开发(也因此称为R),现在由“R开发核心团队”负责开发。R基于S语言的一个GNU计划项目,所以也可以当作S语言的一种实现,通常用S语言编写的代码都可以不作修改的在R环境下运行。R的语法是来自Scheme。 R的源代码可自由下载使用,亦有已编译的可执行文件版本可以下载,可在多种平台下运行,包括UNIX(也包括FreeBSD和Linux)、Windows和MacOS。R主要是以命令行操作,同时有人开发了几种图形用户界面。 R的功能能够通过由用户撰写的包增强。增加的功能有特殊的统计技术、绘图功能,以及编程接口和数据输出/输入功能。这些软件包是由R语言、LaTeX、Java及最常用C语言和Fortran撰写。下载的可执行文件版本会连同一批核心功能的软件包,而根据CRAN纪录有过千种不同的软件包。其中有几款较为常用,例如用于经济计量、财经分析、人文科学研究以及人工智能。 Python与R语言的共同特点 Python和R在数据分析和数据挖掘方面都有比较专业和全面的模块,很多常用的功能,比如矩阵运算、向量运算等都有比较高级的用法 Python和R两门语言有多平台适应性,linux、window都可以使用,并且……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明