返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • PYTHON数据分析与数据化运营(第2版) 宋天龙 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 宋天龙著
    • 出版社: 机械工业出版社
    • 出版时间:2019-06-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 宋天龙著
    • 出版社:机械工业出版社
    • 出版时间:2019-06-01 00:00:00
    • 版次:2
    • 印次:1
    • 印刷时间:2019-06-01
    • 页数:549
    • 开本:16开
    • 装帧:平装
    • ISBN:9787111627760
    • 国别/地区:中国
    • 版权提供:机械工业出版社

    PYTHON数据分析与数据化运营(第2版)

    作  者:宋天龙 著
    定  价:129
    出 版 社:机械工业出版社
    出版日期:2019年06月01日
    页  数:549
    装  帧:平装
    ISBN:9787111627760
    主编推荐

    (1)作者是有10余年数据分析与数据化运营经验的大数据专家,在国内外企业都工作过,经验丰富。(2)作者善于总结和写作,乐于分享,撰写数据分析类 畅销书3部。(3)本书与同类书*大的不同在于,并不只有纯粹的关于数据分析技术和工具的讲解,而且还与数据使用场景深度结合,在业务上真正可指导落地。(4)新版除了Python更新到了*新版外,具体内容上做了大幅度的补充和优化,整体篇幅超过30%,详见前言。(5)本书作者提供微信、邮箱等,可通过实时和离线两种方式及时为读者在线传道、受业、解惑。

    内容简介

    这是一本将数据分析技术与数据使用场景深度结合的著作,从实战角度讲解了如何利用Python进行数据分析和数据化运营。畅销书全新、大幅升级,版近乎很大程度的好评,第2版不仅将Python升级到了*新的版本,而且对具体内容进行了大幅度的补充和优化。作者是有10余年数据分析与数据化运营的大数据专家,书中对50余个数据工作流知识点、14个数据分析与挖掘主题、4个数据化运营主题、8个综合性案例进行了全面的讲解,能让数据化运营结合数据使用场景360°落地。全书一共9章,分为两个部分:第壹部分(-4章) Python数据分析与挖掘首先介绍了Python和数据化运营的基本知识,然后详细讲解了Python数据获取(结构化和非结构化)、预处理、分析和挖掘的关键技术和经验,包含10大类预处理经验、14个数据分析与挖掘主题,50余个知识点。第二部分(第5~9章) Python数据化运营这是本书的核心,详细讲解了会员null

    作者简介

    作者简介宋天龙(TonySong)大数据技术专家,触脉咨询合伙人兼副总裁,前Webtrekk中国区技术和咨询负责人(Webtrekk,德国*大的在线数据分析服务提供商)。擅长数据挖掘、建模、分析与运营,精通端到端数据价值场景设计、业务需求转换、数据结构梳理、数据建模与学习以及数据工程交付。在电子商务、零售、银行、保险等多个行业拥有丰富的数据项目工作经验,参与过集团和企业级数据体系规划、DMP与数据仓库建设、大数据产品开发、网站流量系统建设、个性化智能推荐与精准营销、企业大数据智能等。参与实施客户案例包括联合利华、Webpower、德国OTTO集团电子商务(中国)、Esprit中国、猪八戒网、顺丰优选、乐视商城、泰康人寿、酒仙网、国美在线、迪信通等。著有多部畅销书:《Python数据分析与数据化运营》《网站数据挖掘与分析:系统方法与商业实践》《企业大数据系统构建实战:技术、架构、实施与应用》

    精彩内容

    目录
    前言章  Python和数据化运营11.1  用Python做数据化运营11.1.1  Python是什么11.1.2  数据化运营是什么21.1.3  Python用于数据化运营51.2  数据化运营所需的Python相关工具和组件51.2.1  Python程序61.2.2  Python交互环境Jupyter71.2.3  Python第三方库231.2.4  数据库和客户端291.2.5  SSH远程客户端301.3  内容延伸:Python的OCR和tensorflow311.3.1  OCR工具:Tesseract-ocr311.3.2  机器学习框架:TensorFlow311.4  个用Python实现的数据化运营分析实例、销售预测321.4.1  案例概述321.4.2  案例过程321.4.3  案例小结361.5  本章小结37第2章  数据化运营的数据来源402.1  数据化运营的数据来源类型402.1.1  数据文件402.1.2  数据库412.1.3  API422.1.4  流式数据432.1.5  外部公开数据432.1.6  其他来源442.2  使用Python获取运营数据442.2.1  从文本文件读取运营数据442.2.2  从Excel获取运营数据552.2.3  从关系型数据库MySQL读取运营数据572.2.4  从非关系型数据库MongoDB读取运营数据642.2.5  从API获取运营数据682.3  内容延伸:读取非结构化网页、文本、图像、视频、语音722.3.1  从网页中获取运营数据722.3.2  读取非结构化文本数据732.3.3  读取图像数据742.3.4  读取视频数据782.3.5  读取语音数据812.4  本章小结85第3章  10条数据化运营不得不知道的数据预处理经验873.1  数据清洗:缺失值、异常值和重复值的处理873.1.1  数据列缺失的4种处理方法873.1.2  不要轻易抛弃异常数据893.1.3  数据重复就需要去重吗903.1.4  代码实操:Python数据清洗923.2  将分类数据和顺序数据转换为标志变量1003.2.1  分类数据和顺序数据是什么1003.2.2  运用标志方法处理分类和顺序变量1013.2.3  代码实操:Python标志转换1013.3  大数据时代的数据降维1043.3.1  需要数据降维的情况1043.3.2  基于特征选择的降维1053.3.3  基于特征转换的降维1063.3.4  基于特征组合的降维1123.3.5  代码实操:Python数据降维1143.4  解决样本类别分布不均衡的问题1233.4.1  哪些运营场景中容易出现样本不均衡1243.4.2  通过过抽样和欠抽样解决样本不均衡1243.4.3  通过正负样本的惩罚权重解决样本不均衡1243.4.4  通过组合/集成方法解决样本不均衡1253.4.5  通过特征选择解决样本不均衡1253.4.6  代码实操:Python处理样本不均衡1253.5  数据化运营要抽样还是全量数据1283.5.1  什么时候需要抽样1283.5.2  如何进行抽样1293.5.3  抽样需要注意的几个问题1303.5.4  代码实操:Python数据抽样1313.6  解决运营数据的共线性问题1353.6.1  如何检验共线性1353.6.2  解决共线性的5种常用方法1363.6.3  代码实操:Python处理共线性问题1373.7  有关相关性分析的混沌1393.7.1  相关和因果是一回事吗1393.7.2  相关系数低就是不相关吗1393.7.3  代码实操:Python相关性分析1403.8  标准化,让运营数据落入相同的范围1413.8.1  实现中心化和正态分布的Z-Score1413.8.2  实现归一化的Max-Min1423.8.3  用于稀疏数据的MaxAbs1423.8.4  针对离群点的RobustScaler1423.8.5  代码实操:Python数据标准化处理1423.9  离散化,对运营数据做逻辑分层1453.9.1  针对时间数据的离散化1453.9.2  针对多值离散数据的离散化1463.9.3  针对连续数据的离散化1463.9.4  针对连续数据的二值化1473.9.5  代码实操:Python数据离散化处理1473.10  内容延伸:非结构化数据的预处理1513.10.1  网页数据解析1513.10.2  网络用户日志解析1593.10.3  图像的基本预处理1643.10.4  自然语言文本预处理1693.11  本章小结172第4章  跳过运营数据分析和挖掘的“大坑”1744.1  聚类分析1744.1.1  当心数据异常对聚类结果的影响1754.1.2  超大数据量时应该放弃K均值算法1754.1.3  聚类不仅是建模的终点,更是重要的中间预处理过程1774.1.4  高维数据上无法应用聚类吗1784.1.5  如何选择聚类分析算法1794.1.6  案例:客户特征的聚类与探索性分析1794.2  回归分析1964.2.1  注意回归自变量之间的共线性问题1974.2.2  相关系数、判定系数和回归系数之间是什么关系1974.2.3  判定系数是否意味着相应的因果联系1974.2.4  注意应用回归模型时研究自变量是否产生变化1984.2.5  如何选择回归分析算法1984.2.6  案例:大型促销活动前的销售预测1994.3  分类分析2064.3.1  防止分类模型的过拟合问题2074.3.2  使用关联算法做分类分析2074.3.3  用分类分析来提炼规则、提取变量、处理缺失值2084.3.4  类别划分:分类算法和聚类算法都是好手2094.3.5  如何选择分类分析算法2104.3.6  案例:用户流失预测分析与应用2104.4  关联分析2214.4.1  频繁规则不一定是有效规则2214.4.2  不要被啤酒尿布的故事禁锢你的思维2224.4.3  被忽略的“负相关”模式真的毫无用武之地吗2234.4.4  频繁规则只能打包组合应用吗2

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购