数据分析与挖掘以统计学为基础，实现描述性、预测性、指导性三个层次的分析目标与应用。常用的实现方法及模型有聚类分析、回归分析、决策树（分类算法）、关联规则分析、人工神经网络、遗传算法、可视化等。本书在第2章中简单介绍了分类与预测的部分模型，力图采用简明扼要的语言使读者能够对模型有所了解。

本书以R语言简介、数据挖掘基础为开篇，旨在让读者对所用工具及数据挖掘方法有所了解。随后的章节借助实际案例（数据挖掘网站用户行为分析及网页智能推荐、生活服务点评网站客户分群、水冷中央空调系统的优化控制策略、电商评价文本的主题特征词分析、均线投资策略等），从数据预处理、模型选择、算法介绍、R语言实现、结论分析及评价等方面进行详尽的论述，希望读者既可以了解数据分析与挖掘的一般流程及方法，又能对常用的算法及模型有所了解。每个案例分析都是一篇完整的论文，初学者通过它们可以了解数据分析与挖掘的一般流程及方法，有一定基础的读者可以思考算法的优劣与选择。不管是对数据分析与挖掘感兴趣的入门者，还是希望获得实践经验的初学者，都可以从本书中获得支持。

第1章 R语言简介 1
1.1 获取R 1
1.2 R使用入门 4
1.2.1 R操作界面 4
1.2.2 RStudio窗口介绍 5
1.2.3 R的常用操作 6
1.3 R的简单操作 8
1.3.1 基本数学运算 8
1.3.2 变量 8
1.3.3 数据结构 9
1.4 R数据分析包 12
1.5 小结 12
参考文献 13
第2章 数据挖掘基础 14
2.1 数据挖掘的定义 14
2.2 数据探索及预处理 15
2.2.1 脏数据分析 15
2.2.2 数据特征分析 19
2.2.3 数据预处理 23
2.3 模型简介 27
2.3.1 聚类模型 27
2.3.2 回归模型 31
2.3.3 决策树 34
2.3.4 人工神经网络 35
2.3.5 关联规则分析模型 38
2.4 小结 42
参考文献 42
第3章 数据挖掘网站用户行为分析及网页智能推荐 44
3.1 背景与挖掘目标 44
3.2 用户分群 47
3.2.1 用户分群的分析方法 47
3.2.2 数据的抽取 48
3.2.3 数据的预处理与探索分析 49
3.2.4 用户分群结果 57
3.2.5 用户分群的应用 66
3.3 网页智能推荐 66
3.3.1 网页智能推荐的分析方法 66
3.3.2 数据的预处理 67
3.3.3 组合推荐模型 68
3.3.4 组合推荐结果 78
3.4 总结 78
3.4.1 相关结论及应用 78
3.4.2 相关的问题思考 78
参考文献 79
第4章 生活服务点评网站客户分群 80
4.1 背景与挖掘目标 80
4.2 分析方法与过程 81
4.2.1 数据抽取 82
4.2.2 数据探索 82
4.2.3 数据预处理 94
4.2.4 模型构建 102
4.3 小结 113
第5章 水冷中央空调系统的优化控制策略 114
5.1 背景及挖掘目标 114
5.2 分析的方法及流程 115
5.3 数据预处理 118
5.3.1 变量选取 118
5.3.2 数据探索 120
5.3.3 数据变换 130
5.4 优化控制模型 131
5.4.1 总耗电量与可控变量 132
5.4.2 冷却负载与可控变量 140
5.5 模型求解 144
5.5.1 工作日模型求解 144
5.5.2 确定状态值 148
5.6 总结 155
参考文献 156
第6章 电商评价文本的主题特征词分析 157
6.1 背景与挖掘目标 157
6.2 分析的方法及过程 158
6.2.1 评论数据采集 159
6.2.2 文本数据预处理 161
6.2.3 基于LDA主题模型的特征词分析 167
6.3 小结 169
参考文献 169
第7章 均线投资策略 171
7.1 背景及投资策略介绍 171
7.1.1 移动平均线相关理论介绍 172
7.1.2 名词及概念介绍 175
7.2 基于移动平均线的投资策略 176
7.2.1 单均线投资策略 177
7.2.2 双均线投资策略 177
7.3 双均线投资策略实际应用 178
7.3.1 双均线投资策略总体流程 178
7.3.2 数据获取 178
7.3.3 简单的K线图实现 179
7.3.4 均线模型 180
7.3.5 其他双均线策略的收益 188
7.4 主要结论及展望 189
7.4.1 结论 189
7.4.2 后续策略的展望 190
参考文献 191
致谢 192