《数据挖掘概念与技术》这本书的数据PDF版本，我最早是挖掘在一个数据科学论坛的附件里下载到的。那会儿还在读研，概念导师催着交一份关于关联规则挖掘的技术读书报告，图书馆的数据纸质版被借走了，只能上网找电子版。挖掘下载下来一看，概念第三版，技术机械工业出版社，数据封面是挖掘深蓝色的，文件大小将近30MB，概念扫描得还算清晰，技术只是数据有些公式的角标稍微模糊，放大到200%才能看清。挖掘

这本书的概念作者是Jiawei Han、Micheline Kamber和Jian Pei。韩家炜是伊利诺伊大学厄巴纳-香槟分校的教授，在数据挖掘领域算是奠基人之一。PDF里保留了原书的全部章节，从引言到数据预处理、数据仓库、频繁模式挖掘、分类、聚类，再到离群点检测，一共13章。我印象最深的是第6章“挖掘频繁模式、关联和相关性”，里面讲Apriori算法的那几页，我反复看了不下十遍。书上的例子用的是超市购物篮数据，{ 牛奶, 面包}的支持度是2%，置信度是70%——这种具体数字比抽象定义好懂得多。

PDF版本有个好处，搜索方便。比如我想找“FP-growth”的内容，直接Ctrl+F，几秒钟就定位到第6.4节。纸质书得翻半天目录。但坏处也明显：扫描版没法复制文字，写论文引用时只能手打。后来我找到一个OCR过的版本，文字能选中了，可公式全乱了，尤其是贝叶斯分类那部分的概率公式，识别得乱七八糟。所以最后写报告时，我还是对着扫描版一个字一个字敲的。

书里对数据挖掘的定义很直接：从大量数据中提取隐含的、先前未知的、潜在有用的信息。这个定义听着简单，但真动手做项目才发现，“潜在有用”四个字最要命。去年我帮一个电商朋友分析用户行为日志，用书里讲的决策树算法做流失预测。数据清洗花了整整一周——缺失值、异常值、重复记录，书里第3章讲得清清楚楚，可实际数据比书上的例子脏十倍。分类准确率跑到82%就上不去了，回头翻书，第8章提到“提升分类器准确率的技术”，包括装袋、提升、随机森林。试了随机森林，调到87%。书上的理论确实能落地，但得自己踩坑。

PDF里有些章节的排版在电子设备上看着累。比如第5章“数据立方体技术”，大量多维数组的示意图，在手机屏幕上根本看不清。我后来是在电脑上双屏看的——左边PDF，右边Jupyter Notebook跑代码。这种阅读方式纸质书做不到，但PDF的批注功能又不如纸质书随手写方便。各有各的麻烦。

要说这本书的缺点，我觉得部分内容偏理论。第10章“聚类分析”讲了K-means、K-medoids、DBSCAN、OPTICS，算法描述很详细，但调参经验几乎没提。实际用K-means时，K值怎么选？书里只说“可以通过肘部法则”，可肘部法则在有些数据集上根本看不出拐点。这些得靠看博客、跑实验补。PDF的好处是能随时在边上开个浏览器查资料，纸质书就得来回切换设备。

现在这本书的PDF还躺在我硬盘里，文件夹叫“DM_Books”。偶尔遇到具体问题还会翻——上个月做文本聚类，又回去看了第13章“数据挖掘的发展趋势”里关于文本挖掘的段落。电子版不会绝版，也不会被借走。对于经常需要查公式、对算法细节的人来说，PDF是实用工具。但如果你刚开始学，建议还是买本纸质版，在边上写写画画，比在屏幕上划高亮线记得牢。