Question

内容小结：本章的内容侧重于实际经验的讲解，其中每个部分都凝结了笔者的工作体会，尤其是关于应用误区以及注意事项等内容，需要读者多加留意。除了常用的统计分析方法外，笔者还在内容延伸中拓展了部分文本分析和挖掘方法，而对于其他领域的分析和挖掘，例如图像、视频、语音等也都有特定的分析、挖掘和建模方法，限于篇幅无法一一介绍。内容中涉及技术的部分都有对应示例代码，该代码可在“附件-chapter4”中的名为chapter4_code.py的文件中找到。

重点知识：本章几乎在每个部分内容中都有“小结”，其中已经注明了重点知识和需要引起注意的知识点。

外部参考：本章中提到了一些知识需要读者通过外部途径做深入学习和了解。

尽管本章写的是有关分析和挖掘的内容，但几乎没有一点知识性和理论性的内容，如果读者有兴趣对于这些理论性内容，可以参考以下几本书：《数据挖掘概念与技术（原书第3版）》（《Data Mining Concepts and Techniques，Third Edition》），这本书是关于数据挖掘方面的专业著作；《深入浅出数据分析》，这是一本写的非常有趣的入门级的数据分析方法和理论书籍。

在本书中大量用到了占位符做格式化输出、变量定义等应用，有关占位符配合print打印输出还有更多内容，例如字符串类型、对其方式、格式化指示符等，请读者额外了解“Python print格式化输出”。

在做分类应用画树形图时用到了Graphviz，这是贝尔实验室开发的一个开源的工具包，它可以用于将结构信息表示为抽象图形和网络图。本章中展示决策树的规则应用只是其图形绘制能力的冰山一角。除了树图外，还可以绘制流程图、网络图等复杂关系和知识图谱，更多详细信息请参照http://www.graphviz.org。

有关非结构化处理还有更多领域的应用，例如文本分析和挖掘方向的提取相似关键字、文本摘要、文章相似度、文本分类等，网络应用领域的最短路径、PageRank、传播聚类，图像识别领域人脸识别、前后景分割、角点检测等知识需要读者书外了解。

应用实践：lambda表达式是一个非常好的解决“小问题”的功能方法，读者可写几个简单应用。

尝试对历史应用的项目进行反思和总结，看是否有本章中提到的问题而没有注意到。

自动化和工程化能有效提高重复性工作的效率，建议读者对现有手头工作做梳理，将重复工作中常用的经验和方法固定下来，通过程序的形式减少人工参与度，然后有更多时间参与到更多的学习和项目实践中。