本书与读者一同探讨和思考数据分析的基本概念、需求、方案等问题，并以 KNIME 为工具，展示 数据分析的具体流程。 本书对 KNIME 中的众多节点进行了介绍，对各节点的难度和重要性进行了标记，以便新手更快地 学习，对节点的覆盖性说明和一些高级内容，会让读者更深入地了解和使用KNIME。 对所有日常有数据分析需求的读者来说，本书能帮助其轻松应对大部分常见的数据分析问题，是一本 不可多得的 KNIME 使用参考书。 按照当今的流行术语来说，KNIME 是一款通用型的低代码（low code）数据分析软件，也就是 说，它的主要操作方式通过"拖拉曳”就能完成。 本书适合所有日常有数据分析需求的读者，能帮助其轻松应对大部分常见的数据分析问题。

雒玉玺，即“指北君”，拥有十多年数据分析经验的专家，专注于最新的数据分析、机器学习和人工智能技术，在金融、制造、零售、医疗保健、生命科学等行业有丰富的实践经验。全面掌握数据分析相关技术，具有高效的分析能力，提供数据方面的咨询和培训服务。此外，独立运营公众号 "数据分析指北"，欢迎关注互动。

第1章 数据分析方法论1
1.1 基本要求与基础概念1
1.1.1 目标读者1
1.1.2 楔子2
1.1.3 厘清谁是数据的所有者2
1.1.4 成为科学家还是工程师3
1.2 方法论4
1.2.1 你的问题是什么4
1.2.2 问题的解空间5
1.2.3 科学方法6
1.2.4 “然后呢”7
1.2.5 CRISP-DM数据挖掘的跨行业标准流程9
1.3 后续内容10
第2章 KNIME使用基础12
2.1 权衡数据分析的需求与解决方案12
2.1.1 制定实施方案12
2.1.2 案例：一次关于工具选型的聊天15
2.2 KNIME简介、生态圈和资源18
2.2.1 KNIME简介18
2.2.2 当我们提到KNIME时，具体是指什么20
2.2.3 KNIME 的相关资源21
2.3 安装KNIME及其扩展22
2.3.1 安装KNIME分析平台22
2.3.2 启动KNIME24
2.3.3 安装KNIME扩展25
2.3.4 卸载KNIME扩展26
2.4 KNIME的使用26
2.4.1 关于KNIME界面26
2.4.2 KNIME使用简介29
2.4.3 导入和导出现有工作流30
2.4.4 例子服务器及Hub的使用31
2.5 遇到问题怎么办34
第3章 KNIME数据分析基础36
3.1 数据来源及轮廓36
3.1.1 了解原始数据来源36
3.1.2 了解轮廓，进行探索性分析36
3.1.3 一个好例子37
3.1.4 房价例子38
3.2 计算机如何处理表格数据39
3.2.1 基础数据操作39
3.2.2 展示示例数据39
3.2.3 具体的小问题39
3.3 基础操作之读取数据源41
3.3.1 读取文件41
3.3.2 读取数据库43
3.3.3 导入之前的数据43
3.4 基础操作之挑选（select）操作44
3.4.1 了解完备概念44
3.4.2 你会几种编程语言45
3.4.3 回顾之前的问题45
3.4.4 SQL中的挑选操作46
3.4.5 KNIME中的挑选操作47
3.5 基础操作之CASE、group by和join49
3.5.1 条件操作、缺失值和排序50
3.5.2 分组操作——group by51
3.5.3 子查询——subquery51
3.5.4 连接操作——join52
3.5.5 使用KNIME完成之前的问题52
3.6 了解KNIME中的重要概念56
3.6.1 了解路径56
3.6.2 了解节点基础59
第4章 KNIME基础节点——数据访问类型64
4.1 IO节点集合65
4.1.1 Read（读）目录下的节点66
4.1.2 File Folder Utility（文件、文件夹工具）目录下的节点68
4.1.3 Other（其他）目录下的节点69
4.1.4 文件处理节点的补充说明70
4.2 DB节点集合70
4.2.1 Connection（连接）目录下的节点71
4.2.2 获取数据的两种模式73
4.2.3 Query（查询）目录下的节点75
4.2.4 Read/Write（读/写）目录下的节点77
4.2.5 Utility（工具）目录下的节点78
4.3 JSON、XML类型78
4.3.1 JSON格式介绍与解析79
4.3.2 XML格式介绍与解析83
4.3.3 JSON与XML的相应节点84
4.4 Web相关节点85
4.5 NoSQL相关节点85
4.6 网络数据访问86
4.6.1 网络数据简要说明86
4.6.2 使用GET/POST Request 节点89
4.6.3 其他91
第5章 KNIME基础节点——转换类型92
5.1 Column（列）处理节点集合93
5.1.1 Binning（分桶）目录下的节点93
5.1.2 Convert ＆ Replace（转换 ＆ 替换）目录下的节点96
5.1.3 Filter（过滤）目录下的节点101
5.1.4 Split ＆ Combine（分割与组合）目录下的节点101
5.1.5 Transform（转换）目录下的节点103
5.1.6 其他的列处理节点106
5.2 Row（行）处理节点集合107
5.2.1 Filter（过滤）目录下的节点107
5.2.2 Transform（转换）目录下的节点110
5.2.3 GroupBy（分组聚合）节点112
5.2.4 Pivoting（转轴或透视）节点116
5.2.5 其他行处理节点119
5.3 Table（表）处理节点集合121
5.4 PMML节点集合121
5.5 时间数据类型相关操作124
第6章 KNIME基础节点——分析和数据挖掘类型128
6.1 机器学习简述128
6.1.1 监督学习和非监督学习128
6.1.2 基本概念和约定129
6.1.3 模型选择、超参优化及错误分析132
6.2 Analytics节点集合133
6.2.1 学习器（Learner）和预测器（Predictor）134
6.2.2 Feature Selection（特征选择）节点135
6.2.3 Scoring（记分）目录下的节点136
6.2.4 Statistics（统计）类节点136
6.2.5 Distance Calculation（距离计算）类节点137
6.3 探索性数据分析（EDA）练习137
6.3.1 泰坦尼克号137
6.3.2 数据探索138
6.3.3 对原始数据进行粗略观察138
6.3.4 进一步观察数据143
6.4 简单的机器学习练习——使用KNIME中的决策树算法147
第7章 进阶话题——流变量与控制循环结构152
7.1 流变量从入门到精通152
7.1.1 了解流变量152
7.1.2 生成流变量153
7.1.3 使用流变量156
7.1.4 流变量的操作160
7.1.5 流变量的特别使用方式164
7.2 循环（Loop）结构164
7.2.1 两种Loop End（循环结束）节点166
7.2.2 递归循环168
7.2.3 循环的调试170
7.2.4 和流变量有关的循环171
7.2.5 其他循环172
7.3 分支（Switches）结构175
7.3.1 IF Switch节点176
7.3.2 Java IF（Table）节点177
7.3.3 CASE Switch类节点177
7.3.4 Empty Table Switch（空表切换）节点178
7.3.5 其他说明179
7.4 错误处理179
7.4.1 Try…Catch结构179
7.4.2 举例：循环中的Try ... Catch结构183
7.4.3 其他184
第8章 进阶话题——数据可视化、模块化与编程节点185
8.1 数据可视化185
8.1.1 数据可视化简介185
8.1.2 KNIME中的可视化节点简介188
8.1.3 以折线图（Line Plot）为例介绍可视化相关节点189
8.1.4 其他可视化图表195
8.1.5 通用可视化节点——Generic JavaScript View195
8.2 模块化197
8.2.1 KNIME 模块化简史198
8.2.2 元节点（Metanode）199
8.2.3 组件（Component）201
8.2.4 其他建议207
8.3 生成报告208
8.4 Java相关节点213
8.4.1 Java Snippet（simple）节点213
8.4.2 Java Snippet Row Filter（Java行过滤器）节点216
8.4.3 Java Snippet节点217
8.5 Python相关节点221
8.5.1 Python环境配置222
8.5.2 KNIME中的Python226
8.5.3 Python相关节点介绍229
8.5.4 与Jupyter交互231
8.5.5 Conda的常用命令234
第9章 高级话题235
9.1 可复现性与测试235
9.2 深度学习介绍238
9.2.1 基于Keras的深度学习239
9.2.2 基于TensorFlow 2的深度学习242
9.2.3 使用现有模型进行预测244
9.2.4 使用深度学习的其他方式246
9.3 时间序列分析介绍247
9.3.1 想要预测什么247
9.3.2 时间图（Time Plot）249
9.3.3 季节图（Seasonal Plot）249
9.3.4 季节性子图（Seasonal Subseries Plot）251
9.3.5 箱形图（Box Plot）252
9.3.6 散点图（Scatter Plot）253
9.3.7 滞后图（Lag Plot）254
9.3.8 自相关图（Auto Correlation Plot）与偏自相关图（Partial autocorrelation
function Plot）255
9.3.9 时间序列的组成257
9.3.10 时间序列的预处理258
9.3.11 趋势（Trend）成分260
9.3.12 季节性（Seasonal）成分261
9.3.13 周期性（Cyclic）成分263
9.3.14 经典的统计学方法263
9.4 扩展开发介绍264
9.5 （机器学习的）集成部署（Integrated Deployment）271
9.5.1 概述271
9.5.2 使用举例272
9.6 KNIME Server、Executor与Edge简介276
9.6.1 架构简介276
9.6.2 功能简介278