在Python中进行数据挖掘，需要经过以下步骤：
1. 数据收集
数据收集是数据挖掘的基础，数据收集可以有多种方式，如从大型数据库中提取数据，通过web爬虫抓取网络上的数据，或者从已有的数据文件中进行读取。Python提供了很多优秀的库和工具用于数据收集，如pandas和numpy等。
2. 数据清洗
在进行数据挖掘之前，数据需要进行清洗。这包括去除重复值、缺失值以及异常值等。在Python中，pandas、numpy和scikit-learn等库提供了大量的用于数据清洗的函数和方法。
3. 数据预处理
数据预处理包括对数据进行缩放、转换、特征选择、特征提取等操作，以提高模型的精度。Python中，scikit-learn库提供了很多数据预处理的方法，如Scaler、LabelEncoder等。
4. 模型建立
在经过前面三个步骤后，我们需要建立一个模型。Python中，有很多优秀的机器学习和深度学习库，如Scikit-learn和Tensorflow等。
5. 模型评估
建立好模型后，我们需要通过评估指标对模型进行评估。Python中，scikit-learn库提供了很多评估指标，如Accuracy、Precision以及Recall等。
6. 模型预测
最后一步，是对模型进行预测，Python提供了非常方便的接口，如：predict()、predict_proba()等。
下面，我们来演示两个简单的数据挖掘实例：
实例1：利用线性回归预测房价
首先，我们需要收集一些房价数据集，数据集可以从kaggle上下载，这里我们以Boston Housing数据集为例，下载地址：https://www.kaggle.com/c/boston-housing。
数据集下载下来以后，我们使用pandas方法读取：
import pandas as pd
df = pd.read_csv('data/BostonHousing.csv')
然后我们需要将数据集分成训练集和测试集，并使用线性回归进行预测：
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
X = df.drop(['medv'], axis=1) # medv是房价
y = df['medv']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
lr = LinearRegression()
lr.fit(X_train, y_train)
y_pred = lr.predict(X_test)
使用R^2评估模型精度：
from sklearn.metrics import r2_score
print("R^2 score: {:.2f}".format(r2_score(y_test, y_pred)))
实例2：使用K-Means算法进行聚类
我们使用Iris数据集进行聚类，Iris是一个经典的机器学习数据集。我们可以通过scikit-learn加载该数据，代码如下：
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
然后，我们使用K-Means算法进行聚类：
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)
y_kmeans = kmeans.predict(X)
最后，我们使用pyplot对数据进行可视化：
import matplotlib.pyplot as plt
plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis')
centers = kmeans.cluster_centers_
plt.scatter(centers[:, 0], centers[:, 1], c='black', s=200, alpha=0.5);
上述代码将利用K-Means算法将Iris数据分类到三个群组，并绘制这三个群组的散点图，x轴和y轴分别表示该花的长度和宽度，颜色表示所属的群组。