Python數(shù)據(jù)分析與數(shù)據(jù)化運營（第2版）

定　價：￥129.00

作　者：	宋天龍著
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111627760	出版時間：	2019-07-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　這是一本將數(shù)據(jù)分析技術(shù)與數(shù)據(jù)使用場景深度結(jié)合的著作，從實戰(zhàn)角度講解了如何利用Python進行數(shù)據(jù)分析和數(shù)據(jù)化運營。暢銷書全新、大幅升級，第1版近乎100%的好評，第2版不僅將Python升級到了新的版本，而且對具體內(nèi)容進行了大幅度的補充和優(yōu)化。作者是有10余年數(shù)據(jù)分析與數(shù)據(jù)化運營的資深大數(shù)據(jù)專家，書中對50余個數(shù)據(jù)工作流知識點、14個數(shù)據(jù)分析與挖掘主題、4個數(shù)據(jù)化運營主題、8個綜合性案例進行了全面的講解，能讓數(shù)據(jù)化運營結(jié)合數(shù)據(jù)使用場景360°落地。全書一共9章，分為兩個部分：第一部分（第1-4章） Python數(shù)據(jù)分析與挖掘首先介紹了Python和數(shù)據(jù)化運營的基本知識，然后詳細講解了Python數(shù)據(jù)獲?。ńY(jié)構(gòu)化和非結(jié)構(gòu)化）、預處理、分析和挖掘的關(guān)鍵技術(shù)和經(jīng)驗，包含10大類預處理經(jīng)驗、14個數(shù)據(jù)分析與挖掘主題，50余個知識點。第二部分（第5~9章） Python數(shù)據(jù)化運營這是本書的核心，詳細講解了會員運營、商品運營、流量運營和內(nèi)容運營4大主題，以及提升數(shù)據(jù)化運營價值的方法。每個運營主題中都包含了基本知識、評估指標、應用場景、數(shù)據(jù)分析模型、數(shù)據(jù)分析小技巧、數(shù)據(jù)分析大實話以及2個綜合性的應用案例。

作者簡介

　　宋天龍（TonySong）大數(shù)據(jù)技術(shù)專家，觸脈咨詢合伙人兼副總裁，前Webtrekk中國區(qū)技術(shù)和咨詢負責人（Webtrekk，德國的在線數(shù)據(jù)分析服務提供商）。擅長數(shù)據(jù)挖掘、建模、分析與運營，精通端到端數(shù)據(jù)價值場景設(shè)計、業(yè)務需求轉(zhuǎn)換、數(shù)據(jù)結(jié)構(gòu)梳理、數(shù)據(jù)建模與學習以及數(shù)據(jù)工程交付。在電子商務、零售、銀行、保險等多個行業(yè)擁有豐富的數(shù)據(jù)項目工作經(jīng)驗，參與過集團和企業(yè)級數(shù)據(jù)體系規(guī)劃、DMP與數(shù)據(jù)倉庫建設(shè)、大數(shù)據(jù)產(chǎn)品開發(fā)、網(wǎng)站流量系統(tǒng)建設(shè)、個性化智能推薦與精準營銷、企業(yè)大數(shù)據(jù)智能等。參與實施客戶案例包括聯(lián)合利華、Webpower、德國OTTO集團電子商務（中國）、Esprit中國、豬八戒網(wǎng)、順豐優(yōu)選、樂視商城、泰康人壽、酒仙網(wǎng)、國美在線、迪信通等。著有多部暢銷書：《Python數(shù)據(jù)分析與數(shù)據(jù)化運營》《網(wǎng)站數(shù)據(jù)挖掘與分析：系統(tǒng)方法與商業(yè)實踐》《企業(yè)大數(shù)據(jù)系統(tǒng)構(gòu)建實戰(zhàn)：技術(shù)、架構(gòu)、實施與應用》

圖書目錄

前言
第1章　Python和數(shù)據(jù)化運營1
1.1　用Python做數(shù)據(jù)化運營1
1.1.1　Python是什么1
1.1.2　數(shù)據(jù)化運營是什么2
1.1.3　Python用于數(shù)據(jù)化運營5
1.2　數(shù)據(jù)化運營所需的Python相關(guān)工具和組件5
1.2.1　Python程序6
1.2.2　Python交互環(huán)境Jupyter7
1.2.3　Python第三方庫23
1.2.4　數(shù)據(jù)庫和客戶端29
1.2.5　SSH遠程客戶端30
1.3　內(nèi)容延伸：Python的OCR和tensorflow31
1.3.1　OCR工具：Tesseract-ocr31
1.3.2　機器學習框架：TensorFlow31
1.4　第1個用Python實現(xiàn)的數(shù)據(jù)化運營分析實例、銷售預測32
1.4.1　案例概述32
1.4.2　案例過程32
1.4.3　案例小結(jié)36
1.5　本章小結(jié)37
第2章　數(shù)據(jù)化運營的數(shù)據(jù)來源40
2.1　數(shù)據(jù)化運營的數(shù)據(jù)來源類型40
2.1.1　數(shù)據(jù)文件40
2.1.2　數(shù)據(jù)庫41
2.1.3　API42
2.1.4　流式數(shù)據(jù)43
2.1.5　外部公開數(shù)據(jù)43
2.1.6　其他來源44
2.2　使用Python獲取運營數(shù)據(jù)44
2.2.1　從文本文件讀取運營數(shù)據(jù)44
2.2.2　從Excel獲取運營數(shù)據(jù)55
2.2.3　從關(guān)系型數(shù)據(jù)庫MySQL讀取運營數(shù)據(jù)57
2.2.4　從非關(guān)系型數(shù)據(jù)庫MongoDB讀取運營數(shù)據(jù)64
2.2.5　從API獲取運營數(shù)據(jù)68
2.3　內(nèi)容延伸：讀取非結(jié)構(gòu)化網(wǎng)頁、文本、圖像、視頻、語音72
2.3.1　從網(wǎng)頁中獲取運營數(shù)據(jù)72
2.3.2　讀取非結(jié)構(gòu)化文本數(shù)據(jù)73
2.3.3　讀取圖像數(shù)據(jù)74
2.3.4　讀取視頻數(shù)據(jù)78
2.3.5　讀取語音數(shù)據(jù)81
2.4　本章小結(jié)85
第3章　10條數(shù)據(jù)化運營不得不知道的數(shù)據(jù)預處理經(jīng)驗87
3.1　數(shù)據(jù)清洗：缺失值、異常值和重復值的處理87
3.1.1　數(shù)據(jù)列缺失的4種處理方法87
3.1.2　不要輕易拋棄異常數(shù)據(jù)89
3.1.3　數(shù)據(jù)重復就需要去重嗎90
3.1.4　代碼實操：Python數(shù)據(jù)清洗92
3.2　將分類數(shù)據(jù)和順序數(shù)據(jù)轉(zhuǎn)換為標志變量100
3.2.1　分類數(shù)據(jù)和順序數(shù)據(jù)是什么100
3.2.2　運用標志方法處理分類和順序變量101
3.2.3　代碼實操：Python標志轉(zhuǎn)換101
3.3　大數(shù)據(jù)時代的數(shù)據(jù)降維104
3.3.1　需要數(shù)據(jù)降維的情況104
3.3.2　基于特征選擇的降維105
3.3.3　基于特征轉(zhuǎn)換的降維106
3.3.4　基于特征組合的降維112
3.3.5　代碼實操：Python數(shù)據(jù)降維114
3.4　解決樣本類別分布不均衡的問題123
3.4.1　哪些運營場景中容易出現(xiàn)樣本不均衡124
3.4.2　通過過抽樣和欠抽樣解決樣本不均衡124
3.4.3　通過正負樣本的懲罰權(quán)重解決樣本不均衡124
3.4.4　通過組合/集成方法解決樣本不均衡125
3.4.5　通過特征選擇解決樣本不均衡125
3.4.6　代碼實操：Python處理樣本不均衡125
3.5　數(shù)據(jù)化運營要抽樣還是全量數(shù)據(jù)128
3.5.1　什么時候需要抽樣128
3.5.2　如何進行抽樣129
3.5.3　抽樣需要注意的幾個問題130
3.5.4　代碼實操：Python數(shù)據(jù)抽樣131
3.6　解決運營數(shù)據(jù)的共線性問題135
3.6.1　如何檢驗共線性135
3.6.2　解決共線性的5種常用方法136
3.6.3　代碼實操：Python處理共線性問題137
3.7　有關(guān)相關(guān)性分析的混沌139
3.7.1　相關(guān)和因果是一回事嗎139
3.7.2　相關(guān)系數(shù)低就是不相關(guān)嗎139
3.7.3　代碼實操：Python相關(guān)性分析140
3.8　標準化，讓運營數(shù)據(jù)落入相同的范圍141
3.8.1　實現(xiàn)中心化和正態(tài)分布的Z-Score141
3.8.2　實現(xiàn)歸一化的Max-Min142
3.8.3　用于稀疏數(shù)據(jù)的MaxAbs142
3.8.4　針對離群點的RobustScaler142
3.8.5　代碼實操：Python數(shù)據(jù)標準化處理142
3.9　離散化，對運營數(shù)據(jù)做邏輯分層145
3.9.1　針對時間數(shù)據(jù)的離散化145
3.9.2　針對多值離散數(shù)據(jù)的離散化146
3.9.3　針對連續(xù)數(shù)據(jù)的離散化146
3.9.4　針對連續(xù)數(shù)據(jù)的二值化147
3.9.5　代碼實操：Python數(shù)據(jù)離散化處理147
3.10　內(nèi)容延伸：非結(jié)構(gòu)化數(shù)據(jù)的預處理151
3.10.1　網(wǎng)頁數(shù)據(jù)解析151
3.10.2　網(wǎng)絡用戶日志解析159
3.10.3　圖像的基本預處理164
3.10.4　自然語言文本預處理169
3.11　本章小結(jié)172
第4章　跳過運營數(shù)據(jù)分析和挖掘的“大坑”174
4.1　聚類分析174
4.1.1　當心數(shù)據(jù)異常對聚類結(jié)果的影響175
4.1.2　超大數(shù)據(jù)量時應該放棄K均值算法175
4.1.3　聚類不僅是建模的終點，更是重要的中間預處理過程177
4.1.4　高維數(shù)據(jù)上無法應用聚類嗎178
4.1.5　如何選擇聚類分析算法179
4.1.6　案例：客戶特征的聚類與探索性分析179
4.2　回歸分析196
4.2.1　注意回歸自變量之間的共線性問題197
4.2.2　相關(guān)系數(shù)、判定系數(shù)和回歸系數(shù)之間是什么關(guān)系197
4.2.3　判定系數(shù)是否意味著相應的因果聯(lián)系197
4.2.4　注意應用回歸模型時研究自變量是否產(chǎn)生變化198
4.2.5　如何選擇回歸分析算法198
4.2.6　案例：大型促銷活動前的銷售預測199
4.3　分類分析206
4.3.1　防止分類模型的過擬合問題207
4.3.2　使用關(guān)聯(lián)算法做分類分析207
4.3.3　用分類分析來提煉規(guī)則、提取變量、處理缺失值208
4.3.4　類別劃分：分類算法和聚類算法都是好手209
4.3.5　如何選擇分類分析算法210
4.3.6　案例：用戶流失預測分析與應用210
4.4　關(guān)聯(lián)分析221
4.4.1　頻繁規(guī)則不一定是有效規(guī)則221
4.4.2　不要被啤酒尿布的故事禁錮你的思維222
4.4.3　被忽略的“負相關(guān)”模式真的毫無用武之地嗎223
4.4.4　頻繁規(guī)則只能打包組合應用嗎2