華南理工大學排名的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

城市政治：社會學角度之闡釋

為了解決華南理工大學排名的問題，作者（英）彼得·桑德斯 這樣論述：

本書主要從社會學的視角，對城市權力、住房和階級利益、城市政治行動等進行了全面分析，並對新城市政治學、城市政策、市民參與，商業利益與地方政治，城市政治學與社會學的關係等做了深入分析。   全書分為理論研究與實證運用兩部分，在第一部分中，作者主要關注當時英國城市社會學的論辯中心，針對其中的一些問題，對其中涉及的理論進行細緻的梳理；在第二部分中，作者試圖將這些理論放到克羅伊登案例研究的實證材料的環境中進行分析。

Python數據分析與挖掘實戰（第2版）

為了解決華南理工大學排名的問題，作者張良均 這樣論述：

本書是Python資料分析與挖掘領域的公認的事實標準，第1版銷售超過10萬冊，銷售勢頭依然強勁，被國內100餘所高等院校採用為教材，同時也被廣大資料科學工作者奉為經典。 作者在大資料採擷與分析等領域有10餘年的工程實踐、教學和創辦企業的經驗，不僅掌握行業的最新技術和實踐方法，而且洞悉學生和老師的需求與痛點，這為本書的內容和形式提供了強有力的保障，這是本書第1版能大獲成功的關鍵因素。 全書共13章，分為三個部分，從技術理論、工程實踐和進階提升三個維度對資料分析與挖掘進行了詳細的講解。 第一部分基礎篇（第1～5章） 主要講解了Python資料分析與挖掘的工具和技術理論，包括資料採擷的基礎知識

、Python資料採擷與建模工具、資料採擷的建模過程，以及挖掘建模的常用演算法和原理等內容。 第二部分實戰篇（第6～12章） 通過工程實踐案例講解了資料採擷技術在金融、航空、零售、能源、製造、電商等行業的應用。在案例組織結構上，本書按照“介紹案例背景與挖掘目標→闡述分析方法與過程→完成模型構建”的順序進行，在建模過程關鍵環節，穿插程式實現代碼。最後，通過上機實踐加深對案例應用中的資料採擷技術的理解。 第三部分提高篇（第13章） 重點講解了基於Python引擎的開來源資料挖掘建模平臺（TipDM）的功能和使用方法，以航空公司客戶價值分析為案例，介紹了如何使用該平臺快速搭建資料分析與挖掘工程。

本書不僅提供TipDM這樣的上機實踐環境，而且還提供配套的案例建模資料、Python原始程式碼、教學PPT。 張良均 資深大資料採擷與分析專家、模式識別專家、AI技術專家。有10餘年大資料採擷與分析經驗，擅長Python、R、Hadoop、Matlab等技術實現的資料採擷與分析，對機器學習等AI技術驅動的資料分析也有深入研究。 為電信、電力、政府、互聯網、生產製造、零售、銀行、生物、化工、醫藥等多個行業上百家大型企業提供過資料採擷應用與諮詢服務，實踐經驗非常豐富。 華南師範大學、中南財經政法大學、廣東工業大學、西安理工大學、廣西科技大學、重慶交通大學、桂林電子科技大

學等校外碩導或兼職教授。 撰寫了《R語言資料分析與挖掘實戰》《資料採擷：實用案例分析》《Hadoop大資料分析與挖掘實戰》等10餘部暢銷書，累計銷售超過30萬冊。   前言 基礎篇 第1章　資料採擷基礎  2 1.1　某知名連鎖餐飲企業的困惑  2 1.2　從餐飲服務到資料採擷  4 1.3　資料採擷的基本任務  5 1.4　資料採擷建模過程  5 1.4.1　定義挖掘目標  6 1.4.2　數據取樣  6 1.4.3　資料探索  7 1.4.4　數據預處理  8 1.4.5　挖掘建模  8 1.4.6　模型評價  8 1.5　常用資料採擷建模工具  9 1.6　小結  

11 第2章　Python資料分析簡介  12 2.1　搭建Python開發平臺  14 2.1.1　所要考慮的問題  14 2.1.2　基礎平臺的搭建  14 2.2　Python使用入門  16 2.2.1　運行方式  16 2.2.2　基本命令  17 2.2.3　資料結構  19 2.2.4　庫的導入與添加  24 2.3　Python資料分析工具  26 2.3.1　NumPy  27 2.3.2　SciPy  28 2.3.3　Matplotlib  29 2.3.4　pandas  31 2.3.5　StatsModels  33 2.3.6　scikit-learn  33

2.3.7　Keras  34 2.3.8　Gensim  36 2.4　配套附件使用設置  37 2.5　小結  38 第3章　資料探索  39 3.1　資料品質分析  39 3.1.1　缺失值分析  40 3.1.2　異常值分析  40 3.1.3　一致性分析  44 3.2　資料特徵分析  44 3.2.1　分佈分析  44 3.2.2　對比分析  48 3.2.3　統計量分析  51 3.2.4　週期性分析  54 3.2.5　貢獻度分析  55 3.2.6　相關性分析  58 3.3　Python主要資料探索函數  62 3.3.1　基本統計特徵函數  62 3.3.2　拓展統計特

徵函數  66 3.3.3　統計繪圖函數  67 3.4　小結  74 第4章　數據預處理  75 4.1　數據清洗  75 4.1.1　缺失值處理  75 4.1.2　異常值處理  80 4.2　資料集成  80 4.2.1　實體識別  81 4.2.2　冗餘屬性識別  81 4.2.3　數據變換  81 4.2.4　簡單函數變換  81 4.2.5　規範化  82 4.2.6　連續屬性離散化  84 4.2.7　屬性構造  87 4.2.8　小波變換  88 4.3　數據歸約  91 4.3.1　屬性歸約  91 4.3.2　數值歸約  95 4.4　Python主要資料預處理函數  9

8 4.5　小結  101 第5章　挖掘建模  102 5.1　分類與預測  102 5.1.1　實現過程  103 5.1.2　常用的分類與預測演算法  103 5.1.3　回歸分析  104 5.1.4　決策樹  108 5.1.5　人工神經網路  115 5.1.6　分類與預測演算法評價  120 5.1.7　Python分類預測模型特點  125 5.2　聚類分析  125 5.2.1　常用聚類分析演算法  126 5.2.2　K-Means聚類演算法  127 5.2.3　聚類分析演算法評價  132 5.2.4　Python主要聚類分析演算法  133 5.3　關聯規則  135

5.3.1　常用關聯規則演算法  136 5.3.2　Apriori演算法  136 5.4　時序模式  142 5.4.1　時間序列演算法  142 5.4.2　時間序列的預處理  143 5.4.3　平穩時間序列分析  145 5.4.4　非平穩時間序列分析  148 5.4.5　Python主要時序模式演算法  156 5.5　離群點檢測  159 5.5.1　離群點的成因及類型  160 5.5.2　離群點檢測方法  160 5.5.3　基於模型的離群點檢測方法  161 5.5.4　基於聚類的離群點檢測方法  164 5.6　小結  167 實戰篇 第6章　財政收入影響因素分析及

預測  170 6.1　背景與挖掘目標  170 6.2　分析方法與過程  171 6.2.1　分析步驟與流程  172 6.2.2　資料探索分析  172 6.2.3　數據預處理  176 6.2.4　模型構建  178 6.3　上機實驗  184 6.4　拓展思考  185 6.5　小結  186 第7章　航空公司客戶價值分析  187 7.1　背景與挖掘目標  187 7.2　分析方法與過程  188 7.2.1　分析步驟與流程  189 7.2.2　資料探索分析  189 7.2.3　數據預處理  200 7.2.4　模型構建  207 7.2.5　模型應用  212 7.3　上機實

驗  214 7.4　拓展思考  215 7.5　小結  216 第8章　商品零售購物籃分析  217 8.1　背景與挖掘目標  217 8.2　分析方法與過程  218 8.2.1　資料探索分析  219 8.2.2　數據預處理  224 8.2.3　模型構建  226 8.3　上機實驗  232 8.4　拓展思考  233 8.5　小結  233 第9章　基於水色圖像的水質評價  234 9.1　背景與挖掘目標  234 9.2　分析方法與過程  235 9.2.1　分析步驟與流程  236 9.2.2　數據預處理  236 9.2.3　模型構建  240 9.2.4　水質評價  24

1 9.3　上機實驗  242 9.4　拓展思考  242 9.5　小結  243 第10章　家用熱水器用戶行為分析與事件識別  244 10.1　背景與挖掘目標  244 10.2　分析方法與過程  245 10.2.1　資料探索分析  246 10.2.2　數據預處理  249 10.2.3　模型構建  260 10.2.4　模型檢驗  261 10.3　上機實驗  262 10.4　拓展思考  264 10.5　小結  265 第11章　電子商務網站使用者行為分析及服務推薦  266 11.1　背景與挖掘目標  266 11.2　分析方法與過程  267 11.2.1　分析步驟與流程

 267 11.2.2　數據抽取  269 11.2.3　資料探索分析  270 11.2.4　數據預處理  279 11.2.5　構建智慧推薦模型  283 11.3　上機實驗  291 11.4　拓展思考  293 11.5　小結  293 第12章　電商產品評論資料情感分析  294 12.1　背景與挖掘目標  294 12.2　分析方法與過程  295 12.2.1　評論預處理  296 12.2.2　評論分詞  297 12.2.3　構建模型  303 12.3　上機實驗  315 12.4　拓展思考  316 12.5　小結  318 提高篇 第13章　基於Python引擎的

開來源資料挖掘建模平臺（TipDM）  320 13.1　平臺簡介  321 13.1.1　範本  321 13.1.2　資料來源  322 13.1.3　工程  323 13.1.4　系統元件  324 13.1.5　TipDM資料採擷建模平臺的當地語系化部署  326 13.2　快速構建資料採擷工程  327 13.2.1　導入數據  329 13.2.2　配置輸入源元件  331 13.2.3　配置缺失值處理元件  332 13.2.4　配置記錄選擇元件  334 13.2.5　配置資料標準化元件  334 13.2.6　配置K-Means元件  336 13.3　小結  339

為什麼要寫這本書 LinkedIn通過對全球超過3.3億用戶的工作經歷和技能進行分析後得出，在目前炙手可熱的25項技能中，資料採擷人才需求排名第一。那麼資料採擷是什麼呢？ 數據挖掘是從大量資料（包括文本）中挖掘出隱含的、先前未知的、對決策有潛在價值的關係、模式和趨勢，並用這些知識和規則建立用於決策支援的模型，提供預測性決策支援的方法、工具和過程。資料採擷有助於企業發現業務的趨勢，揭示已知的事實，預測未知的結果，因此，資料採擷已成為企業保持競爭力的必要方法。 與國外相比，我國資訊化程度仍不算高，企業內部資訊也不完整，零售、銀行、保險、證券等行業對資料採擷的應用還不太理想。但隨

著市場競爭的加劇，各行業對數據挖掘技術的需求越來越強烈，可以預計，未來幾年各行業的資料分析應用一定會從傳統的統計分析發展到大規模的資料採擷應用。在大資料時代，資料過剩、人才短缺，資料採擷專業人才的培養將離不開專業知識和職業經驗積累。所以，本書注重資料採擷理論與項目案例實踐相結合，讓讀者獲得真實的資料採擷學習與實踐環境，更快、更好地學習資料採擷知識並積累職業經驗。 總的來說，隨著雲時代的來臨，大資料技術將具有越來越重要的戰略意義。大資料已經滲透到每一個行業和業務職能領域，逐漸成為重要的生產要素，人們對於海量資料的運用將預示著新一輪生產率增長和消費者盈餘浪潮的到來。大資料分析技術將説明企業用戶在

合理的時間內攫取、管理、處理、整理海量資料，為企業經營決策提供積極幫助。   大資料分析作為資料存儲和挖掘分析的前沿技術，廣泛應用於物聯網、雲計算、移動互聯網等戰略性新興產業。雖然目前大資料在國內還處於初級階段，但是其商業價值已經顯現出來，特別是有實踐經驗的大資料分析人才更是各企業爭奪的焦點。為了滿足日益增長的大資料分析人才需求，很多高校開始嘗試開設不同程度的大資料分析課程。“大資料分析”作為大資料時代的核心技術，必將成為高校數學與統計學專業的重要課程之一。

鞋業貿易商經營管理策略分析-以S鞋業貿易商為例

為了解決華南理工大學排名的問題，作者王雅玲 這樣論述：

本研究係以S鞋業貿易商為研究對象，採用文獻探討法、個案研究法、專家訪談法。針對過去學者所發表過的學術文章來探討製鞋業的發展沿革，從最早期的拉菲草貼上膠底製鞋，到目前有許多皮革種類製鞋，甚至研發出許多鞋機來輔助生產及技術提升。台灣製鞋產業從興盛到衰退，進而遷移到海外設廠，重新創造產業價值。個案研究法是以個人所從事的鞋業貿易商為對象，使用SWOT、波特五力分析等研究工具分析目前企業內部環境所處的優勢、劣勢，外部環境所處的機會、威脅，分析並探討目前鞋業所處的環境，產業所面臨的困境，並加以彙整分析找出關鍵因素，用科學研究的精神與方法，運用工具對問題深入分析及探討，找出問題點，提出解決方法，對未來的營

運作調整，改善並提升產業競爭力。專家訪談法是邀請鞋業先進針對鞋業發展及公司內部目前所遇到的問題，對營運方向提出他們的見解，找出關鍵的問題所在，每位受訪的專家都是在從事鞋業20多年的資深從業人員。 透過本研究瞭解S鞋業貿易商所處的產業結構及所面臨的問題與困境。提出改善方向，進而調整目前的營運方向，重新定位S鞋業貿易商的存在價值。