在大数据、人工智能时代，数据分析必不可少。本书以数据分析中至关重要的数据预处理为主题，通过54道例题具体介绍了基于SQL、R、Python的处理方法和相关技巧。全书共4个部分：第1部分介绍预处理的基础知识；第2部分介绍以数据结构为对象的预处理，包括数据提取、数据聚合、数据连接、数据拆分、数据生成和数据扩展；第3部分介绍以数据内容为对象的预处理，涉及数值型、分类型、日期时间型、字符型和位置信息型；第4部分为预处理实战，介绍与实际业务相同的预处理流程。
本书适合新手数据科学家、系统工程师、具备编程及数理基础的技术人才，以及对数据挖掘和数据分析等感兴趣的人阅读。

本桥智光（作者）
先后在系统开发公司担任研究员，在互联网企业担任数据科学家，目前在数字医疗初创公司SUSMED株式会社担任CTO，同时就职于HOXO-M株式会社，并以自由职业者的身份从事量子退火计算机的验证工作，拥有制造业、零售业、金融业、运输业、休闲业和互联网等多个行业的数据分析经验。曾在KDD CUP 2015中赢得亚军。爱好是开发马里奥AI。
Twitter：@tomomoto_LV3
陈涛（译者）
运筹学硕士毕业，主要从事数据库、数据分析工作，对机器学习、深度学习领域相关的理论和技术较为熟悉。因兴趣自学日语，一直致力于追求兴趣和工作的完美结合。
邮箱：victory123_456@163.com

第 1部分　预处理入门 1
第　1章 什么是预处理　2
1-1　数据　2
记录数据　2
数据类型　3
1-2　预处理的作用　3
机器学习　4
无监督学习和有监督学习　4
用于数据分析的3种预处理　5
1-3　预处理的流程　6
对数据结构的预处理　7
对数据内容的预处理　7
预处理的步骤　7
1-4　3种编程语言　9
正确使用编程语言　9
1-5　包和库　10
用于数据分析的包和库　10
1-6　数据集　11
酒店预订记录　12
工厂产品记录　13
月度指标记录　14
文本数据集　14
1-7　读取数据　14
第　2部分 对数据结构的预处理　19
第　2章 数据提取　20
2-1　提取指定的列　20
Q　提取列　21
2-2　按指定条件提取　26
Q　按条件提取数据行　28
Q　间接利用索引提取数据行　33
2-3　不基于数据值的采样　35
Q　随机采样　35
2-4　基于聚合ID的采样　38
Q　按ID采样　39
第3章　数据聚合　43
3-1　计算数据条数和类型数　43
Q　计数和唯一值计数　44
3-2　计算合计值　48
Q　合计值　48
3-3　计算最值、代表值　50
Q　代表值　51
3-4　计算离散程度　54
Q　方差和标准差　54
3-5　计算众数　57
Q　众数　58
3-6　排序　61
排序函数　61
Q　为时序数据添加编号　62
Q　排序　66
第4章　数据连接　69
4-1　主表的连接　69
Q　主表的连接　70
4-2　切换按条件连接的表　77
Q　切换按条件连接的主表　77
4-3　连接历史数据　84
Q　获取往前数第n条记录的数据　85
Q　前n条记录的合计值　88
Q　前n条记录的平均值　92
Q　过去n天的合计值　95
4-4　交叉连接　99
Q　交叉连接处理　99
第5章　数据拆分　105
5-1　记录数据中模型验证数据的拆分　105
Q　交叉验证　107
5-2　时序数据中模型验证数据的拆分　111
Q　准备时序数据中的训练数据和验证数据　113
第6章　数据生成　117
6-1　通过欠采样调整不平衡数据　118
6-2　通过过采样调整不平衡数据　119
Q　过采样　120
第7章　数据扩展　124
7-1　转换为横向显示　124
Q　转换为横向显示　125
7-2　转换为稀疏矩阵　128
Q　稀疏矩阵　128
第3部分　对数据内容的预处理　131
第8章　数值型　132
8-1　转换为数值型　132
Q　各种数据类型的转换　132
8-2　通过对数化实现非线性变换　135
Q　对数化　137
8-3　通过分类化实现非线性变换　139
Q　数值型的分类化　140
8-4　归一化　142
Q　归一化　143
8-5　删除异常值　146
Q　根据标准差删除异常值　146
8-6　用主成分分析实现降维　148
Q　用主成分分析实现降维　149
8-7　数值填充　152
Q　删除缺失记录　153
Q　用常数填充　155
Q　均值填充　157
Q　用PMM实现多重插补　160
第9章　分类型　164
9-1　转换为分类型　164
Q　分类型的转换　165
9-2　哑变量化　168
Q　哑变量化　169
9-3　分类值的聚合　171
Q　分类值的聚合　172
9-4　分类值的组合　175
Q　分类值的组合　175
9-5　分类型的数值化　177
Q　分类型的数值化　178
9-6　分类型的填充　181
Q　用KNN填充　182
第　10章 日期时间型　185
10-1　转换为日期时间型、日期型　185
Q　日期时间型、日期型的转换　185
10-2　转换为年、月、日、时、分、秒、星期　189
Q　获取各日期时间元素　190
10-3　转换为日期时间差　194
Q　计算日期时间差　195
10-4　日期时间型的增减　200
Q　日期时间的增减处理　200
10-5　转换为季节　203
Q　转换为季节　204
10-6　转换为时间段　208
10-7　转换为工作日、休息日　209
Q　添加休息日标志　209
第　11章 字符型　212
11-1　通过形态分析进行分解　213
Q　提取名词和动词　213
11-2　转换为单词的集合数据　215
Q　创建词袋　216
11-3　用TF-IDF调整单词权重　220
Q　创建使用TF-IDF的词袋　221
第　12章 位置信息型　224
12-1　从日本坐标系到世界坐标系的转换以及从度、分、秒到度的转换　224
Q　从日本坐标系转换为世界坐标系　224
12-2　两点间距离、方向的计算　228
Q　计算距离　228
第4部分　预处理实战　233
第　13章 实战练习　234
13-1　聚合分析的预处理　234
Q　聚合分析的准备工作　234
13-2　用于推荐的预处理　238
Q　生成推荐矩阵　238
13-3　预测建模的预处理　243
Q　用于预测建模的预处理　243
结语　254
参考文献　255

一本书掌握大数据、人工智能时代需要的数据预处理技术
·KDD CUP 2015亚军得主多行业实战经验总结；
·54道例题，涵盖常见数据预处理技术；
·3个实战案例，快速提升应用能力；
·3种语言实现对比，代码优化关键点一目了然；
·配套数据+源码可下载；
·SQL的版本为Redshift，Pyhton的版本为3.6，R的版本的3.4；
·双色印刷。
数据提取/数据聚合/数据连接/数据拆分/数据生成/数据扩展
数值型/分类型/日期时间型/字符型/位置信息型
1.习题式结构，带着问题思考、学习，效果更好
本书采用问题驱动式，先抛出常见预处理任务，引导读者思考如何实现。像这样带着问题学习，可以大大提高学习效果，让理解更深入。
2.对比3种不同语言的实现，把握每种语言的特长
用SQL、R、Python对比解决相同的案例问题，可以让读者了解各语言在处理各种预处理问题时有哪些优缺点，从而根据情况选择合适的语言，提升预处理效率。
3.同时给出一般代码与理想代码，优化处理的关键一目了然
对于每道例题，都同时给出一般代码与理想代码，读者不仅可以边阅读边思考如何修改一般代码，还可以通过与理想代码的对比明白如何优化代码。

数据分析//数据科学//大数据//人工智能//SQL//R//Python