| 书名： | Python数据分析（人工智能科学与技术丛书） |
| 出版社： | 清华大学出版社 |
| 出版日期 | 2020 |
| ISBN号： | 9787302555179 |
| |
| 这是一个数据驱动的时代，如何解读数据，将数据转变为知识、利用知识做出决策将是所有企业必不可少的能力。在数据分析过程中我们清洗数据，探索数据，利用数据进行决策。本书将以当前最流行数据科学分析工具Python为基础介绍如何构建基于Python的数据科学环境，利用Pandas处理与分析数据，如何利用Matplotlib以及Seaborn进行数据可视化。同时本书还将以商业应用为目标，通过学习还将掌握何利用学习到的Python数据分析知识来完成客户留存分析，同期群分析，时间序列分析，产品销售数据的关联分析，客户聚类，统计检验等数据分析。 |
| |
| 江雪松 2001年获工学硕士学位，曾服务于华为、诺基亚等公司，有丰富的产品团队与研发团队管理经验。先后担任项目经理、研发经理、产品研发负责人，管理多个产品全球支持与交付团队，软件维护业务。 |
| |
| 本书涉及的主题 |
| |
| 上篇Pandas数据分析基础 第1章数据分析初探 1.1“数据+”时代的到来 1.2什么是数据分析 1.2.1数据分析的目标 1.2.2数据分析分类 1.2.3典型的数据分析方法 1.3数据分析的基本流程 1.3.1问题定义 1.3.2收集数据 1.3.3数据处理 1.3.4数据分析 1.3.5结果解读与应用 1.4硝烟中的数据分析 1.4.1数据分析的产生 1.4.2验证问题 1.4.3寻找原因 1.4.4数据怎么说 1.4.5数据分析中应该避免的典型问题 第2章搭建数据科学开发环境 2.1为什么选择Python 2.1.1人生苦短，我用Python 2.1.2为何Python是数据科学家的最佳选择 2.2Python数据科学开发栈 2.2.1Cython 2.2.2NumPy 2.2.3IPython 2.2.4Jupyter 2.2.5SciPy 2.2.6Matplotlib 2.2.7Pandas 2.2.8Scikitlearn
2.2.11数据科学领域中最新的一些Python包 2.3Anaconda的安装与使用 2.3.1安装Anaconda 2.3.2利用Conda管理Python环境 2.3.3利用Conda管理Python包 2.3.4安装本书所需的包 2.4使用Jupyter Notebook进行可重复数据分析 2.4.1Jupyter Notebook的配置 2.4.2Jupyter Notebook中的单元格 2.4.3Jupyter Notebook中的命令模式与编辑模式键 2.4.4使用Jupyter Notebook进行数据分析
第3章Pandas基础 3.1什么是DataFrame 3.1.1DataFrame的基本要素 3.1.2数据类型 3.1.3了解Series 3.1.4链式方法 3.2索引与列 3.2.1修改索引与列 3.2.2添加、修改或删除列 3.3选择多列 第4章数据筛选 4.1使用.loc和.iloc筛选行与列数据 4.1.1选择Series和DataFrame中的行 4.1.2同时选择行与列 4.2布尔选择 4.2.1计算布尔值 4.2.2多条件筛选数据 第5章开始利用Pandas进行数据分析 5.1了解元数据 5.2数据类型转换 5.3缺失数据与异常数据处理 5.3.1缺失值与重复值 5.3.2处理缺失数据 5.3.3NumPy与Pandas对缺失数据的不同处理方式 5.3.4填充缺失值 5.4处理重复数据 5.5异常值 5.6描述性统计
6.1什么是数据整理 6.1.1数据的语义 6.1.2整齐的数据
6.2.1列标题是值，而非变量名 6.2.2多个变量存储在一列中 6.2.3变量既在列中存储，又在行中存储 6.2.4多个观测单元存储在同一表中 6.2.5一个观测单元存储在多个表中 6.2.6思考 第7章分组统计 7.1分组、应用和聚合 7.2Pandas中的GroupBy操作 7.2.1单列数据分组统计 7.2.2多列数据分组统计 7.2.3使用自定义函数进行分组统计 7.2.4数据过滤与变换 第8章数据整合 8.1数据读入 8.1.1基本数据读入方法 8.1.2文件读取进阶 8.1.3读取其他格式文件 8.2数据合并 8.2.1认识merge操作 8.2.2merge进阶 8.2.3join与concat 第9章数据可视化 9.1Matplotlib 9.1.1绘制第一个散点图 9.1.2理解figure与axes 9.1.3Matplotlib中面向对象与类Matlab语法的区别 9.1.4修改坐标轴属性 9.1.5修改图形属性 9.1.6定制图例，添加标注 9.1.7子图 9.1.8利用Matplotlib绘制各种图形 9.2Pandas绘图 9.2.1Pandas基础绘图 9.2.2整合Pandas绘图与Matplotlib绘图 9.3Seaborn 9.3.1Seaborn中的样式 9.3.2Seaborn绘制统计图形 9.4可视化进阶 9.4.1其他可视化工具 9.4.2推荐读物 第10章探索性数据分析——某电商销售数据分析 10.1数据清洗 10.1.1分析准备 10.1.2了解数据 10.2数据清洗与整理 10.2.1数据类型转换与错误数据删除 10.2.2添加新数据 10.3探索性数据分析 10.3.1客户分析 10.3.2订单趋势分析 10.3.3客户国家分析 10.3.4留给读者的问题 下篇Python数据分析实战 第11章群组分析 11.1群组分析概述 11.1.1从AARRR到RARRA的转变 11.1.2什么是群组分析 11.2群组分析实战 11.2.1定义群组以及周期 11.2.2群组分析具体过程 11.2.3思考 第12章利用RFM分析对用户进行分类 12.1RFM分析简介 12.1.1RFM模型概述 12.1.2理解RFM 12.2RFM实战 12.2.1R、F、M值的计算 12.2.2利用RFM模型对客户进行细分 12.2.3思考 第13章购物篮分析 13.1购物篮分析概述 13.1.1什么是购物篮分析 13.1.2购物篮分析在超市中的应用 13.1.3购物篮分析实现 13.2购物篮分析案例 13.2.1Mlxtend库中Apriori算法使用介绍 13.2.2在线销售数据购物篮分析 13.3留给读者的思考 第14章概率分布 14.1随机数 14.2常见的概率分布
14.2.2正态分布 14.2.3二项分布 14.2.4泊松分布 14.2.5几何分布与指数分布 14.3点估计与置信区间 14.3.1点估计 14.3.2抽样分布与中心极限定理 14.3.3置信区间 14.4留给读者的思考 第15章假设检验 15.1假设检验概述 15.1.1初识假设检验 15.1.2假设检验的步骤 15.1.3假设检验中的Ⅰ类错误与Ⅱ类错误 15.2Python中的假设检验 15.2.1单样本ttest 15.2.2双样本ttest 15.2.3配对ttest 15.2.4卡方检验 15.3留给读者的思考 第16章一名数据分析师的游戏上线之旅 16.1游戏启动时间是否超过目标 16.1.1启动时间是否超过3秒 16.1.2构造启动时间监测图 16.2次日留存率是否大于30% 16.3应该在游戏第几关加入关联微信提示 16.3.1A/B测试 16.3.2贝叶斯解决方案 16.4如何定价 16.5留给读者的思考 第17章利用数据分析找工作 17.1设定分析目标 17.1.1问题定义 17.1.2获取数据 17.2准备分析数据 17.2.1数据准备 17.2.2数据清洗 17.3开始数据分析 17.3.1职位来自哪里 17.3.2职位薪酬如何 17.3.3岗位要求 17.3.4思考 第18章用数据解读成都房价 18.1设定分析目标 18.1.1问题定义 18.1.2获取数据 18.2解读成都二手房 18.2.1数据准备 18.2.2列名调整 18.2.3数据类型转换 18.2.4数据解读 18.2.5思考 第19章时间序列分析 19.1认识时间序列数据 19.1.1读入时间序列数据 19.1.2时间序列数据的可视化 19.2时间序列数据的分解 19.2.1认识时间序列数据中的模式 19.2.2Python中进行时间序列数据的分解 19.3时间序列的平稳性 19.3.1认识平稳与非平稳时间序列 19.3.2如何让时间序列平稳 19.4利用ARIMA模型分析家具销售 19.4.1ARIMA模型简介 19.4.2数据准备 19.4.3ARIMA模型中的参数 19.5留给读者的思考 第20章股票数据分析 20.1股票收益分析 20.1.1获取股票数据 20.1.2计算每日收益 20.1.3多只股票收益比较 20.1.4股价相关性分析 20.2CAPM资产定价模型选股 20.2.1CAPM公式 20.2.2在Python中实现CAPM 20.3留给读者的思考 第21章大规模数据处理 21.1不同规模数据处理工具的选择 21.2利用Pandas处理大规模数据 21.2.1文件分块读入 21.2.2使用数据库 21.2.3使用DASK 21.3其他可选方法 21.4留给读者的思考 |
| |
| 根据Cummulus Media 2018年的数据，全球每分钟向谷歌发起370万次搜索，发送1800万条短信，YouTube上有430万条视频被观看， Facebook登录超过97万次，等等。人们刷微博、聊微信、用滴滴打车、用淘宝购物、用美团点外卖，每一条信息，每一次出行，每一 次消费，每一次互动都成为其数字足迹！未来已来，我们进入了数据时代！ 本人与数据正式结缘还要追溯到2003年担任软件项目经理时，当时分析项目团队的软件问题成为我的第一个数据分析任务。2009年， 我开始管理多个产品的全球支持团队，与数据的关系更进了一步。作为通信设备商，我们的客户支持有本地技术支持、欧洲及美洲等 区域技术支持以及全球技术支持。每层的技术人员解决的问题类型、难度、时间以及成本都不同，电信运营商的设备故障每分每秒都 将给客户带来巨大影响。面对成千上万的客户问题，如何快速、高效、低成本地处理各种问题，需要用数据来帮助我们做出决策。 2013年后，我开始转向负责软件维护业务，此时我关心的是： 如何从软件维护中获取更多收入； 如何更好地提高客户服务质量； 针对全球的客户，如何对客户进行细分； 哪些客户的维护业务对公司更有价值； 面对客户时如何说服他们维护业务带来的价值远远 超过了成本。这一切更需要数据来支持！ 不仅工作中需要数据思维，我们的生活也需要数据思维，它可以帮我们找工作、买房、从投资中获利，等等。那么什么是数据思维？ 数据思维最核心的思想是利用数据解决问题，而利用数据解决问题则需要深度了解需求，了解真正要解决什么样的问题，解决问题背 后的真实目的是什么。在解决问题的过程中， 。上篇（第1章~第10章）介绍了什么是数据分析，如何利用Python中的Pandas库进行基本的数据操作、数据清洗、数据整理，如何对 数据进行可视化。下篇（第11章~第21章）着重于数据分析实战， 随着可穿戴设备的兴起， 作的总结，希望能成为读者迈入数据世界的第一本书。 本书第7章、第14章和第15章由邹静完成，其余章节由江雪松完成。由于作者水平有限，书中难免有不足之处，还望读者 江雪松 2020年4月
加深理解。 DataFrame中的Index，如果可能在上下文产生歧义，我们会采取保留英文原文的方式。 与输出，全书中的代码采用如下格式。 retail_data.dtypes InvoiceNo object StockCodeobject Countryobject Total_pricefloat64 dtype: object 其中，前面带有“”的代表Jupyter Notebook中的一段代码。例如，上面代码段中的“retail_data.dtypes”代表的是一行代码，前 面没有“”的部分则代表了代码对应的输出。类似地，如下内容中“”后面代表的是一段代码。 def rad_to_degrees(x, pos): '角度幅度转换' #两个参数分别是值与tick位置 return round(x * 57.2985, 2) 4. 全书代码与数据下载 代码下载。读者可以关注微信公众号“见数知理”获得代码与数据的下载方式。 读者完成代码与数据下载后，如果按照本书第2章的方式设置了Jupyter Notebook，那么请将数据放到data目录，该目录应该与代码 目录平级。 |
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
![[正版] Python数据分析 清华大学出版社 江雪松 邹静 人工智能科学与技术丛书 大数据数据挖掘数据处理](http://imgservice.suning.cn/uimg1/b2c/image/yfPvXGrp_6rZOt7dX5fWnA.jpg_400w_400h_4e)
![[正版] Python数据分析 清华大学出版社 江雪松 邹静 人工智能科学与技术丛书 大数据数据挖掘数据处理](http://imgservice.suning.cn/uimg1/b2c/image/yfPvXGrp_6rZOt7dX5fWnA.jpg_60w_60h_4e)
![[正版] Python数据分析 清华大学出版社 江雪松 邹静 人工智能科学与技术丛书 大数据数据挖掘数据处理](http://imgservice.suning.cn/uimg1/b2c/image/VYGjiSuRLxrLDT_PWGswXQ.jpg_60w_60h_4e)
![[正版] Python数据分析 清华大学出版社 江雪松 邹静 人工智能科学与技术丛书 大数据数据挖掘数据处理](http://imgservice.suning.cn/uimg1/b2c/image/TGAz8WJQH_5OTVyRBXsSFg.jpg_60w_60h_4e)
![[正版] Python数据分析 清华大学出版社 江雪松 邹静 人工智能科学与技术丛书 大数据数据挖掘数据处理](http://imgservice.suning.cn/uimg1/b2c/image/SEoFL-04PgLrk_2n_MJppw.jpg_60w_60h_4e)
![[正版] Python数据分析 清华大学出版社 江雪松 邹静 人工智能科学与技术丛书 大数据数据挖掘数据处理](http://imgservice.suning.cn/uimg1/b2c/image/O-cZB5pe-9bMy4PM2oHJ5A.jpg_60w_60h_4e)
