目 录 Contents<br />前 言<br />章 Python数据分析准备 1<br />1.1 Python数据分析基础 1<br />1.1.1 数据分析的基本概念 1<br />1.1.2 为什么选择Python 2<br />1.1.3 Pandas和Python的关系 2<br />1.2 如何高效学习Pandas 3<br />1.2.1 Pandas学习中的误区 3<br />1.2.2 高效学习Pandas 3<br />1.3 Python所需的环境搭建 5<br />1.3.1 Python环境的选择 5<br />1.3.2 Anaconda的下载和安装 5<br />1.3.3 运行代码 7<br />1.4 本章小结 13<br />第2章 Pandas快速入门 14<br />2.1 Pandas的两大数据结构 14<br />2.1.1 初识Pandas 14<br />2.1.2 Series和DataFrame 15<br />2.2 数据读取和存储 17<br />2.2.1 Excel文件的读取 17<br />2.2.2 CSV文件的读取 20<br />2.. 文件类型的读取 21<br />2.2.4 存储数据 22<br />. 快速认识数据 22<br />..1 查看数据 22<br />..2 查看数据类型 <br />.. 统计信息概览 <br />2.4 数据处理初体验 24<br />2.4.1 增 24<br />2.4.2 删 24<br />2.4.3 选 25<br />2.4.4 改 25<br />2.5 常用数据类型及操作 25<br />2.5.1 字符串 25<br />2.5.2 数值型 26<br />2.5.3 时间类型 28<br />2.6 本章小结 29<br />第3章 玩转索引 30<br />3.1 索引概述 30<br />3.1.1 到底什么是索引 30<br />3.1.2 两种索引类型 31<br />3.2 基于位置（数字）的索引 31<br />3.2.1 场景一：行选取 32<br />3.2.2 场景二：列选取 32<br />3.. 场景三：行列交叉选取 33<br />3.3 基于名称（标签）的索引 33<br />3.3.1 基于loc的行选取 34<br />3.3.2 基于loc的列选取 35<br />3.3.3 基于loc的交叉选取 35<br />3.3.4 场景四：多条件索引 36<br />3.4 本章小结 38<br />第4章 数据清洗四大核心操作 39<br />4.1 增：拓展数据维度 39<br />4.1.1 纵向合并 39<br />4.1.2 横向连接 41<br />4.2 删：剔除噪声数据 44<br />4.2.1 缺失值处理 44<br />4.2.2 去除重复项 47<br />4.3 选：基于条件选择数据 48<br />4.3.1 按条件索引/筛选 48<br />4.3.2 排序 49<br />4.4 改：改变数据形态 50<br />4.4.1 转置 50<br />4.4.2 分组 50<br />4.4.3 切分 52<br />4.5 本章小结 54<br />第5章 Pandas两大进阶利器 55<br />5.1 数据透视表 55<br />5.1.1 什么是数据透视表 55<br />5.1.2 Pandas数据透视表简介 55<br />5.1.3 Pandas数据透视表实例 56<br />5.2 强大又灵活的apply 58<br />5.2.1 apply初体验 59<br />5.2.2 用apply计算、差<br /> 59<br />5.. 筛选每个分组下的第3名 61<br />5.3 本章小结 64<br />第6章 数据可视化 65<br />6.1 Matplotlib基础知识 65<br />6.1.1 Matplotlib简介 65<br />6.1.2 可视化的关键步骤 65<br />6.2 Matplotlib基础操作 66<br />6.2.1 画图前的准备 66<br />6.2.2 创建画布 66<br />6.. 画图 68<br />6.2.4 设置坐标轴 69<br />6.2.5 润色 71<br />6.3 绘制常用图形 74<br />6.3.1 绘制折线图 74<br />6.3.2 绘制柱状图 75<br />6.3.3 绘制散点图 76<br />6.3.4 绘制常用图形 77<br />6.4 本章小结 78<br />第7章 走近电商：商业方与<br />分析体系 79<br />7.1 什么是电商 79<br />7.2 三大关键角色 80<br />7.2.1 用户 80<br />7.2.2 商家 80<br />7.. 平台 81<br />7.3 电商基础指标 82<br />7.3.1 用户相关指标 83<br />7.3.2 商品相关指标 83<br />7.4 电商分析方及应用 84<br />7.4.1 黄金公式 84<br />7.4.2 GROW 86<br />7.4.3 AIPL 88<br />7.4.4 5A与4A 89<br />7.5 数据分析师重生之我是老板 90<br />7.5.1 数据分析师和老板 90<br />7.5.2 行业趋势分析 91<br />7.5.3 竞争格局分析 92<br />7.5.4 品牌策略探究 92<br />7.5.5 用户分析—探索期 93<br />7.5.6 用户分析—正式期 94<br />7.6 本章小结 95<br />第8章 Python报表自动化 97<br />8.1 行业数据报表自动化 97<br />8.1.1 案例背景 97<br />8.1.2 单张表的处理 99<br />8.1.3 批量循环执行 101<br />8.2 报表批量处理与品牌投放<br />分析 102<br />8.2.1 新的需求背景 102<br />8.2.2 数据预览 102<br />8.. 分析思路 104<br />8.2.4 数据处理 104<br />8.2.5 数据分析 105<br />8.3 本章小结 108<br />第9章 行业机会分析与权重确定 109<br />9.1 案例背景介绍 109<br />9.2 传统的解题方法 109<br />9.2.1 之前的传统思路 109<br />9.2.2 数据预览和汇总 110<br />9.. 每个类目增长快的细分<br />类目 111<br />9.3 权重确定方法 113<br />9.3.1 级别法 113<br />9.3.2 权值因子判表法 113<br />9.3.3 变异系数法 115<br />9.4 Pandas权重计算和分析 117<br />9.4.1 数据整合 117<br />9.4.2 关键指标计算 118<br />9.4.3 权重的计算 119<br />9.4.4 数据标准化 122<br />9.4.5 综合发展指数 1<br />9.5 本章小结 124<br />0章 用户分层实战 125<br />10.1 用户分层的基本概念 125<br />10.1.1 无处不在的用户分层 125<br />10.1.2 用户分层的类型 126<br />10.1.3 用户分层的特征 126<br />10.1.4 为什么要做用户分层 127<br />10.1.5 分层的两个问题 127<br />10.2 二八法则 128<br />10.2.1 二八法则在用户分层上的<br />应用 128<br />10.2.2 数据预览 129<br />10.. 数据清洗 131<br />10.2.4 二八法则下的用户分层 134<br />10.3 拐点法 136<br />10.3.1 什么是拐点法 136<br />10.3.2 拐点法在用户分层上的<br />应用 136<br />10.3.3 基于Pandas的拐点法<br />分层 137<br />10.4 本章小结 143<br />1章 用户分群实战与加强版<br />RFM模型 144<br />11.1 走近用户分群 144<br />11.1.1 用户分群的定义及作用 144<br />11.1.2 用户分群和用户分层的<br />区别 144<br />11.2 RFM用户分群实战 145<br />11.2.1 经典的RFM模型 145<br />11.2.2 步：数据概览 146<br />11.. 第二步：数据处理 147<br />11.2.4 第三步：维度打分 149<br />11.2.5 第四步：分值计算 150<br />11.2.6 第五步：用户分层 152<br />11.2.7 RFM模型结果分析 154<br />11.3 关于RFM模型的重要思考 156<br />11.3.1 RFM模型隐藏的问题 156<br />11.3.2 为什么用平均金额作<br />为M 157<br />11.4 RFM模型的加强和拓展 158<br />11.4.1 模型加强和拓展的方向 158<br />11.4.2 RFM加强版实战案例 158<br />11.5 本章小结 161<br />2章 用户偏好分析 162<br />12.1 用户偏好分析和TGI 162<br />12.1.1 用户偏好分析与TGI的<br />关系 162<br />12.1.2 TGI的定义 162<br />12.1.3 通过拆解指标来理解<br />TGI 163<br />12.2 用Pandas实现TGI分析 163<br />12.2.1 项目背景 163<br />12.2.2 用户打标 165<br />12.. 匹配城市 165<br />12.2.4 高客单价TGI计算 166<br />12.2.5 TGI计算中隐藏的问题 168<br />1. 本章小结 169<br />3章 的同期群分析 170<br />13.1 数据分析师必知必会的同期<br />群分析 170<br />13.1.1 同期群分析的基本概念 170<br />13.1.2 同期群分析的价值 171<br />13.1.3 同期群分析的之处 171<br />13.2 Pandas同期群分析实战 173<br />13.2.1 数据概览 173<br />13.2.2 实现思路剖析 173<br />13.. 单月实现 174<br />13.2.4 遍历合并和分析 176<br />13.2.5 回购客单价的同期群<br />实现 179<br />13.3 本章小结 181<br />4章 指标波动归因分析 182<br />14.1 指标波动贡献率 182<br />14.1.1 什么是贡献率 182<br />14.1.2 可加型指标波动贡献率的<br />计算 183<br />14.1.3 乘法型指标波动贡献率的<br />计算 185<br />14.1.4 除法型指标波动贡献率的<br />计算 187<br />14.2 Adtributor算法 193<br />14.2.1 Adtributor介绍 193<br />14.2.2 单个维度的基础案例 194<br />14.. 多个维度的算法逻辑和<br />Pandas实现 196<br />14.3 本章小结 200<br />5章 一份全面的品牌分析<br />报告 202<br />15.1 探索数据分析简介 202<br />15.1.1 常规的探索数据分析 202<br />15.1.2 探索数据分析的价值 202<br />15.1.3 不一样的探索数据<br />分析 203<br />15.2 数据预处理 203<br />15.2.1 数据导入 203<br />15.2.2 数据预览 203<br />15.. 重复项检验 205<br />15.2.4 缺失值处理 205<br />15.2.5 异常值清洗 206<br />15.2.6 字段格式规整 207<br />15.2.7 订单状态筛选 208<br />15.3 数据总览分析 208<br />15.3.1 年度销售额变化 208<br />15.3.2 年度用户数和客单价<br />变化 209<br />15.4 用户数据分析 210<br />15.4.1 销售额和用户数月度<br />趋势 210<br />15.4.2 客单价月度趋势 212<br />15.4.3 客单价细拆 213<br />15.4.4 新老用户分析 214<br />15.4.5 复购率分析 217<br />15.4.6 用户购买时间间隔 218<br />15.5 商品数据分析 221<br />15.5.1 品类销售结构 221<br />15.5.2 价格带分析 2<br />15.5.3 商品销售集中度分析 226<br />15.6 购物篮关联分析 228<br />15.6.1 什么是购物篮关联分析 228<br />15.6.2 购物篮关联分析的三大核心<br />指标 229<br />15.6.3 购物篮关联分析实战 0<br />15.7 本章小结 <br />
（1）作者经验丰富：作者是数据分析专家，在电商、美妆、餐饮等领域有丰富的数据分析经验，原创文章所有渠道阅读量破100万。
（2）深谙读者痛点：十分了解数据分析师在思维、技能和业务等方面的学习痛点，本书专门为此准备了一套“思维+技能+理论+实践”的方法。
（3）以实用为本，聚焦重点：Pandas数据分析常用的高频操作不到Pandas实际功能的20%，却能解决超过80%的问题。本书去繁就简，只专注于能解决大部分问题的重点模块。
（4）以实战制胜，案例牵：书包含大量实际案例，覆盖大部分数据分析场景，对这些案例抽丝剥茧，帮读者在实战中获得通用方法和业务技能。
（5）8个场景、8大案例、35万行数据集：针对报表自动化、行业机会挖掘、用户分层、用户分群、用户偏好分析、同期群分析、指标波动归因分析、品牌分析等8大经典分析场景，用8大案例和超35万行数据集详细讲解。
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
