数据挖掘的广义观点:数据挖掘是从数据库、数据仓库或其他信息库中存储的大量数据中“挖掘”出感兴趣的知识的过程。Python数据挖掘006-数据集成数据集成是将来自不同数据源的数据合并并存储在一致的数据存储中(如数据仓库)的过程，数据挖掘技术的技术过程对于数据挖掘来说，有许多数据获取的来源，简单来说，关系数据库(DB)介于数据库、数据仓库和数据挖掘之间，是长期存储在计算机中的有组织的、共享的、统一的管理数据集。
1、python数据挖掘需要用哪些库和工具
python数据挖掘常用的库太多了！主要分为以下几类:一、数据采集:request、BeautifulSoup二、基础数学库:numpy、第三数据库、出路、pymongo、第四图形可视化、matplotlib、第五树分析、基础库pandas数据挖掘一般是指通过算法从大量数据中寻找隐藏信息的过程。数据挖掘本质上就像是机器学习和人工智能的基础。它的主要目的是从各种数据源中提取超集信息，然后将这些信息进行合并，让你发现以前从未想过的模式和内在关系。
想了解更多关于python数据挖掘的知识，可以看一下CDA Data Analyst的课程。CDA数据分析师证书含金量很高。先从两个方面简单分析一下:一是企业对CDA的认可，经济管理之家的CDALEVEL数据科学家认证证书，属于业内顶尖人才认证，已获得IBM大数据大学、中国电信、苏宁、德勤、猎聘、CDMS等企业的认可。
2、数据挖掘技术的技术流程
对于数据挖掘来说，第一步就是数据采集。数据采集的来源有很多，既有系统本身记录的数据，可以导出，也有外来的数据，比如从网页抓取的数据或者购买的数据，需要根据分析系统的要求导入。完成数据采集步骤后，需要进行数据处理，即对数据中的缺失值、错误值、异常值进行处理，并根据相关规则进行修正或删除。
产生一系列衍生变量。总之，数据处理的结果是可以分析的数据，所有的数据都需要处理后才能分析。如果数据的分布是极端的，就需要经过数据平衡。比如要输出的原始变量，有少量的一类，大量的另一类，就像有大量的0和少量的1一样。在这种情况下，平衡数据是必要的。
3、大数据主要来源于什么
“大数据”是指从多个来源收集的庞大数据集，往往是实时的。Bigdata，megadata)，或称巨量数据，是指海量、高增长、多样化的信息资产，需要新的处理模式，以具备更强的决策、洞察和流程优化能力。大数据的5V特征:体量(海量)、速度(高速)、多样性(多样性)、价值(价值密度)、真实性。
4、数据挖掘的统计方法有哪些
数据挖掘常用的统计方法有以下几种:传统的统计方法有回归分析、主成分分析、聚类分析，非机器学习方法有:模糊集、粗糙集、支持向量机。数据挖掘中常用的统计方法有几种:传统的统计方法包括回归分析、主成分分析、聚类分析和非机器学习方法:模糊集、粗糙集和支持向量机。数据挖掘的传统统计方法包括回归分析、主成分分析和聚类分析。非机器数据挖掘的统计学习方法包括模糊集、粗糙集和支持向量机。
数据挖掘通常与计算机科学有关，通过统计学、联机分析处理、信息检索、机器学习、专家系统和模式识别来实现上述目标。如今，人们渴望对海量数据进行深度分析，找到并提取隐藏在其中的信息，以便更好地利用这些数据。正是由于这种需求，数据挖掘技术应运而生。数据挖掘有许多合法用途，例如在患者数据库中找出药物及其副作用之间的关系。
5、Python数据挖掘006-数据集成
数据集成是将来自不同数据源的数据合并并存储在一致的数据存储中(如数据仓库)的过程。不同数据源的数据之间可能存在不匹配或属性重复的情况，所以要考虑实体标识和属性冗余。它是指从不同的数据源中识别现实世界的实体，其任务是统一不同源数据的矛盾。常见的形式有:同音异义、同义词异名、单位不统一。实体识别的问题就是检测和解决这些冲突。
6、什么是数据挖掘?
数据挖掘是从大量数据中提取潜在的、有价值的知识(模型或规则)的过程。1.数据挖掘能做什么？1)数据挖掘可以做以下六种不同的事情(分析方法):分类、估计、预测、亲和分组或关联规则、聚类、描述和可视化。AndVisualization)2)数据挖掘的分类数据挖掘的上述六种分析方法可以分为两类:直接数据挖掘；间接数据挖掘直接数据挖掘的目标是利用可用的数据建立模型，模型描述了剩余的数据和一个特定的变量(可以理解为数据库中表的属性，即列)。
7、数据挖掘的起源与发展
Baidu . Google . yahu . Sina . msdn…..。什么是数据挖掘？数据挖掘是从大量数据中获取有效、新颖、潜在有用且最终可理解的模式的非凡过程。数据挖掘的广义观点:数据挖掘是从数据库、数据仓库或其他信息库中存储的大量数据中“挖掘”出感兴趣的知识的过程。数据挖掘，也称为知识发现数据库，
知识发现的过程包括以下步骤:(1)数据清洗，(2)数据集成，(3)数据选择，(4)数据转换，(5)数据挖掘，(6)模式评估和(7)知识表示。数据挖掘可以与用户或知识库交互。并非所有的信息发现任务都被视为数据挖掘。例如，在信息检索领域中，通过使用数据库管理系统来查找单个记录，或者通过因特网上的搜索引擎来查找特定的网页是一项任务。
8、简述数据库数据仓库和数据挖掘三者之间的关系
DataBase (DB)是长期存储在计算机中的有组织的、共享的、统一的数据集合。它是按照数据结构存储和管理数据的计算机软件系统。数据仓库，英文名DataWarehouse，可缩写为DW或DWH。它是决策支持系统(dss)和在线分析应用程序数据源的结构化数据环境。数据仓库研究和解决从数据库中获取信息的问题。
数据挖掘(DataMining)是通过分析每一个数据从大量数据中发现规则的技术，主要包括数据准备、规则发现和规则表示三个步骤。主要是通过对大量数据的分析，发现有些东西是不容易被注意到的。它可以建立在数据仓库的基础上，但是建立一个数据仓库会消耗大量的人力、物力、财力和很长的时间。仅仅为了数据挖掘而建立数据仓库是不值得的，但是如果建立了数据仓库本身，在它的基础上进行数据挖掘会省很多事。
9、数据挖掘的起源
需要是发明之母。近年来，数据挖掘引起了信息产业的极大关注，主要原因是有大量可以广泛应用的数据，迫切需要将这些数据转化为有用的信息和知识。所获得的信息和知识可广泛用于各种应用，包括商业管理、生产控制、市场分析、工程设计和科学探索，数据挖掘使用来自以下领域的思想:(1)来自统计的抽样、估计和假设检验；(2)人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论。