摘要

大数据时代，数据科学研究与分析日益重要。本书独树一帜，教你利用灵活的命令行工具成为高效多产的数据科学家。
为此，作者开发了数据科学工具箱，一个包含80多个命令行工具的安装简单的虚拟环境，能在Windows、OS X和Linux操作系统上运行。你将学会如何结合使用这些小而强大的命令行工具，快速地获取、清洗、探索和建模数据。
通过阅读本书，你会明白为什么命令行是一种灵活、可伸缩、易扩展的技术。即使你已经能够使用Python或R得心应手地处理数据，利用命令行也将大大改进你的数据科学工作流。

命令行中的数据科学 内容简介

《命令行中的数据科学》集实用性和先进性于一身，为数据分析人员使用命令行这个灵活的工具提供了重要参考。作者讲解了众多实用的命令行工具，以及如何使用它们高效地获取、清洗、探索和建模数据。论你使用Windows、OS X，还是Linux，都可以安装包含80多个命令行工具的“数据科学工具箱”，迅速建立自己的数据分析环境。论你是否已经习惯于使用Python或R语言，都能够通过本书体会到使用命令行的快捷、灵活与伸缩自如。

命令行中的数据科学 目录

第1章 简介

1.1 概述

1.2 数据科学就是OSEMN

1.2.1 数据获取

1.2.2 数据清洗

1.2.3 数据探索

1.2.4 数据建模

1.2.5 数据解释

1.3 插入的几章

1.4 什么是命令行

1.5 为什么用命令行做数据科学工作

1.5.1 命令行的灵活性

1.5.2 命令行可增强

1.5.3 命令行可扩展

1.5.4 命令行可扩充

1.5.5 命令行无处不在

1.6 一个现实用例

1.7 延伸阅读

第2章 入门指南

2.1 概述

2.2 设置数据科学工具箱

2.2.1 步骤1：下载和安装VirtualBox

2.2.2 步骤2：下载和安装Vagrant

2.2.3 步骤3：下载并启动数据科学工具箱

2.2.4 步骤4：登录（Linux和Mac OS X）

2.2.5 步骤4：登录（微软Windows）

2.2.6 步骤5：关闭或重启

2.3 必要的概念和工具

2.3.1 环境

2.3.2 运行命令行工具

2.3.3 五类命令行工具

2.3.4 命令行工具的组合

2.3.5 输入和输出重定向

2.3.6 处理文件

2.3.7 寻求帮助

2.4 延伸阅读

第3章 数据获取

3.1 概述

3.2 将本地文件复制到数据科学工具箱

3.2.1 本地数据科学工具箱

3.2.2 远程数据科学工具箱

3.3 解压缩文件

3.4 微软Excel电子表格的转换

3.5 查询关系数据库

3.6 从互联网下载

3.7 调用Web API

3.8 延伸阅读

第4章 创建可重用的命令行工具

4.1 概述

4.2 将单行转变为shell脚本

4.2.1 步骤1：复制和粘贴

4.2.2 步骤2：添加执行权限

4.2.3 步骤3：定义shebang

4.2.4 步骤4：删除固定的输入

4.2.5 步骤5：参数化

4.2.6 步骤6：扩展PATH

4.3 用Python和R创建命令行工具

4.3.1 移植shell脚本

4.3.2 处理来自标准输入的流数据

4.4 延伸阅读

第5章 数据清洗

5.1 概述

5.2 纯文本的常见清洗操作

5.2.1 行过滤

5.2.2 值提取

5.2.3 值替换和删除

5.3 处理CSV

5.3.1 主体、头部和列

5.3.2 对CSV执行SQL查询

5.4 处理HTML／XML和JSON

5.5 CSV的常见清洗操作

5.5.1 列的提取和重排序

5.5.2 行过滤

5.5.3 列合并

5.5.4 多个CSV文件的合并

5.6 延伸阅读

第6章 管理数据工作流

6.1 概述

6.2 Drake简介

6.3 Drake的安装

6.4 获取古腾堡计划中下载最多的电子书

6.5 所有工作流都从单个步骤开始

6.6 具体情况具体对待

6.7 重新构建具体目标

6.8 讨论

6.9 延伸阅读

第7章 数据探索

7.1 概述

7.2 检查数据及其属性

7.2.1 确定有无数据头

7.2.2 检查所有数据

7.2.3 特征名称和数据类型

7.2.4 唯一标识、连续变量和因子

7.3 计算描述性统计信息

7.3.1 使用csvstat

7.3.2 在命令行中通过Rio使用R

7.4 生成可视化图形

7.4.1 介绍Gunplot和feedgnuplot

7.4.2 介绍ggplot2

7.4.3 直方图

7.4.4 条形图

7.4.5 密度图

7.4.6 箱线图

7.4.7 散点图

7.4.8 折线图

7.4.9 总结

7.5 延伸阅读

第8章 并行管道

8.1 概述

8.2 串行处理

8.2.1 对数字进行遍历

8.2.2 对行进行遍历

8.2.3 对文件进行遍历

8.3 并行处理

8.3.1 GNU Parallel介绍

8.3.2 指定输入

8.3.3 控制并发任务的个数

8.3.4 记录日志和输出

8.3.5 创建并行工具

8.4 分布式处理

8.4.1 获得运行中的AWS EC2实例列表

8.4.2 在远程机器上运行命令

8.4.3 在远程机器间分发本地数据

8.4.4 在远程机器上处理文件

8.5 讨论

8.6 延伸阅读

第9章 数据建模

9.1 概述

9.2 更多的酒，来吧！

9.3 用Tapkee降维

9.3.1 介绍Tapkee

9.3.2 安装Tapkee

9.3.3 线性和非线性映射

9.4 用Weka聚类

9.4.1 介绍Weka

9.4.2 在命令行里改进Weka

9.4.3 在CSV和ARFF格式之间转换

9.4.4 比较三种聚类算法

9.5 通过SciK it-Learn Laboratory进行回归

9.5.1 准备数据

9.5.2 运行实验

9.5.3 解析结果

9.6 用BigML分类

9.6.1 生成均衡的训练和测试数据集

9.6.2 调用API

9.6.3 检查结果

9.6.4 小结

9.7 延伸阅读

第10章 总结

10.1 让我们回顾一下

10.2 三条建议

10.2.1 有耐心

10.2.2 有所创新

10.2.3 肯于实践

10.3 接下来做什么

10.3.1 API

10.3.2 shell编程

10.3.3 Python、R和SQL

10.3.4 数据解释

10.4 联系方式

附录A命令行工具列表

附录B参考文献

命令行中的数据科学 精彩文摘

1.2.1 数据获取

没有数据就难以进行数据科学工作。因此第一个步骤就是数据获取。除非你很幸运，已经拥有了相关数据，否则就需要做下列工作。

从其他地方（如网页或服务器）下载数据

从数据库或API（如MySQL或Twitter）中查询数据

从其他文件（如HTML文件或电子表格）中提取数据

自己生成数据（例如读取传感器或进行调查）

第3章我们讨论使用命令行获取数据的几种方法。获取数据的格式通常是纯文本、CSV、JSON或HTML/XML。下一步是数据清洗。

1.2.2 数据清洗

在所获取的数据中，缺失值、不一致、错误、怪异字符或冗余列屡见不鲜。这时，必须清洗数据才能对数据进行后续处理。常见的清洗操作包括：

行过滤

列抽取

值替换

单词提取

缺失值处理

数据格式转换

尽管我们数据科学家热衷于创建激动人心的数据可视化模型和具有洞察力的其他模型（步骤3和步骤4），但通常首先要在获取和清洗所需数据（步骤1和步骤2）上付出大量努力。