基于python的Web数据挖掘技术研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究的背景及意义 | 第8页 |
| 1.2 研究的目标 | 第8-9页 |
| 1.3 研究内容与预期成果 | 第9-11页 |
| 1.3.1 具体研究内容 | 第9页 |
| 1.3.2 关键技术与解决思路 | 第9-10页 |
| 1.3.3 研究环境 | 第10-11页 |
| 1.3.4 预期研究成果 | 第11页 |
| 1.4 文章的整体结构 | 第11-12页 |
| 第2章 Web数据挖掘原理 | 第12-16页 |
| 2.1 Web数据挖掘概述 | 第12页 |
| 2.2 Web数据挖掘分类 | 第12-14页 |
| 2.3 Web数据挖掘流程 | 第14-15页 |
| 2.4 Web数据挖掘常用技术 | 第15页 |
| 2.5 小结 | 第15-16页 |
| 第3章 Python数据挖掘技术概述 | 第16-22页 |
| 3.1 python数据挖掘简介 | 第16页 |
| 3.2 scrapy爬虫框架 | 第16-19页 |
| 3.2.1 网络爬虫 | 第16-17页 |
| 3.2.2 scrapy框架 | 第17-18页 |
| 3.2.3 scrapy爬虫运行过程 | 第18-19页 |
| 3.3 数据挖掘常用python库 | 第19-21页 |
| 3.3.1 pymongo库介绍 | 第19-20页 |
| 3.3.2 numpy和pandas库介绍 | 第20页 |
| 3.3.3 matplotlib库介绍 | 第20页 |
| 3.3.4 sklearn库介绍 | 第20-21页 |
| 3.4 小结 | 第21-22页 |
| 第4章 招聘信息网数据挖掘方法研究 | 第22-35页 |
| 4.1 数据采集阶段 | 第22-24页 |
| 4.1.1 数据源目标选择 | 第22-23页 |
| 4.1.2 数据采集及其规范 | 第23-24页 |
| 4.2 scrapy爬虫项目设计 | 第24-27页 |
| 4.2.1 搭建scrapy工程 | 第24页 |
| 4.2.2 网站反爬虫及应对措施 | 第24-27页 |
| 4.3 数据预处理概述 | 第27-30页 |
| 4.3.1 数据清洗方法 | 第28-29页 |
| 4.3.2 数据规约方法 | 第29页 |
| 4.3.3 数据变换方法 | 第29-30页 |
| 4.4 数据分类算法 | 第30-34页 |
| 4.4.1 KNN算法 | 第30-32页 |
| 4.4.2 决策树算法 | 第32-34页 |
| 4.5 小结 | 第34-35页 |
| 第5章 基于python的招聘信息网数据挖掘实现 | 第35-55页 |
| 5.1 招聘信息采集 | 第35-39页 |
| 5.1.1 爬取信息分析及实现 | 第35-37页 |
| 5.1.2 数据格式设计与存储 | 第37-39页 |
| 5.2 招聘信息数据预处理 | 第39-51页 |
| 5.2.1 数据清洗实现 | 第39-42页 |
| 5.2.2 数据变换 | 第42-49页 |
| 5.2.3 新增特征值 | 第49-51页 |
| 5.3 招聘信息数据挖掘建模 | 第51-52页 |
| 5.3.1 基于决策树算法的建模 | 第51-52页 |
| 5.3.2 基于KNN算法的建模 | 第52页 |
| 5.4 模型评估 | 第52-54页 |
| 5.4.1 决策树模型评估 | 第52-53页 |
| 5.4.2 KNN分类模型评估 | 第53-54页 |
| 5.5 小结 | 第54-55页 |
| 第6章 结束语 | 第55-57页 |
| 6.1 论文成果与总结 | 第55-56页 |
| 6.1.1 论文成果与创新点 | 第55-56页 |
| 6.1.2 研究总结 | 第56页 |
| 6.2 研究展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 个人简介 | 第63-64页 |
