VIP内容

本书主要内容包括:数据清洗在数据科学领域中的重要作用,文件格式、数据类型、字符编码的基本概念,组织和处理数据的电子表格与文本编辑器,各种格式数据的转换方法,解析和清洗网页上的HTML 文件的三种策略,提取和清洗PDF 文件中数据的方法,检测和清除RDBMS 中的坏数据的解决方案,以及使用书中介绍的方法清洗来自Twitter 和Stack Overflow 的数据。

本书适合任何水平的数据科学家以及对数据清理感兴趣的读者阅读。

数据清洗是数据挖掘与分析过程中不可缺少的一个环节,但因为数据类型极其复杂,传统的清洗脏数据工作单调乏味且异常辛苦。如果能利用正确的工具和方法,就可以让数据清洗工作事半功倍。

本书从文件格式、数据类型、字符编码等基本概念讲起,通过真实的示例,探讨如何提取和清洗关系型数据库、网页文件和PDF文档中的数据。最后提供了两个真实的项目,让读者将所有数据清洗技术付诸实践,完成整个数据科学过程。

如果你是一位数据科学家,或者从事数据科学工作,哪怕是位新手,只要对数据清洗有兴趣,那么本书就适合你阅读!

  • 理解数据清洗在整个数据科学过程中的作用
  • 掌握数据清洗的基础知识,包括文件清洗、数据类型、字符编码等
  • 发掘电子表格和文本编辑器中与数据组织和操作相关的重要功能
  • 学会常见数据格式的相互转换,如JSON、CSV和一些特殊用途的格式
  • 采用三种策略来解析和清洗HTML文件中的数据
  • 揭开PDF文档的秘密,提取需要的数据
  • 借助一系列解决方案来清洗存放在关系型数据库里的坏数据
  • 创建自己的干净数据集,为其打包、添加授权许可并与他人共享
  • 使用书中的工具以及Twitter和Stack Overflow数据,完成两个真实的项目
成为VIP会员查看完整内容
0
50
Top