金融商业数据分析：基于Python和SAS

内容简介<br>这是一本金融商业数据分析的实战工具书。作者都是在金融行业有10~20年数据分析经验的资深专家，他们将多年来的项目经验、培训和咨询经验融合成了这本书。它将指导读者零基础掌握金融数据分析的工具、思路、方法和技巧，快速实现从入门到进阶的突破。<br>本书强调实战，方法论与实践相结合，所有案例均来自实际的金融业务，涵盖工具使用、数据处理、统计分析等数据分析的全流程。<br>本书内容共14章，可分为3篇。<br>分析工具篇（第1~4章）：首先介绍了数据科学和数理统计的基本常识，然后讲解了数据分析工具SAS EG和Python的基础知识。<br>数据处理篇（第5~9章）：首先通过描述性统计分析进行数据探索，继而讲到基本的报表和统计制图，还包括使用SAS EG进行数据处理，用Python进行数据整合、数据清洗，构建出满足分析需求的数据集。<br>统计分析篇（第10~14章）：从统计学的基本概念引出假设检验与样本t检验，三大统计检验、构造预测模型，并分享基于时间序列算法的建模方法。

作者简介<br>张秋剑<br>就职于腾讯云金融拓展中心，从事微信财富营销管理、数据中台、AI应用等解决方案拓展工作，研究方向包括数字化转型、创新实践等。<br>张浩<br>曾任腾讯云金融首席架构师和星环科技金融行业技术总监，主要从事大数据、人工智能、云计算、区块链、联邦学习等相关技术研发与产品设计，具有丰富的企业架构设计、企业数字化战略转型运营与业务咨询经验。<br>周大川<br>就职于某中央金融企业金融科技研发中心，主要从事企业级数据平台开发、核心业务平台建设、AI赋能金融科技创新等工作，具有丰富的新一代金融业务系统建设经验。<br>常国珍<br>曾任毕马威咨询大数据总监，具有近20年数据挖掘、精益数据治理、数字化运营咨询经验，是金融信用风险、反欺诈和反洗钱算法领域的专家。

前言<br/>分析工具篇<br/>第1章　数据科学与数理统计2<br/>1.1　数据科学的基本概念2<br/>1.2　数理统计技术5<br/>1.2.1　描述性统计分析5<br/>1.2.2　统计推断与统计建模6<br/>第2章　SAS EG数据操作基础8<br/>2.1　SAS EG入门8<br/>2.1.1　SAS EG简介8<br/>2.1.2　SAS EG的窗口及菜单9<br/>2.2　访问数据10<br/>2.2.1　SAS EG实现方式11<br/>2.2.2　SAS程序实现方式13<br/>2.3　定义SAS数据集13<br/>2.3.1　SAS数据的相关概念13<br/>2.3.2　SAS EG实现方式16<br/>2.3.3　SAS程序实现方式18<br/>2.4　导入其他格式的数据文件19<br/>2.4.1　SAS EG实现方式19<br/>2.4.2　SAS程序实现方式21<br/>第3章　Python编程基础22<br/>3.1　Python概述22<br/>3.2　Anaconda的安装及使用方法23<br/>3.2.1　下载与安装23<br/>3.2.2　使用Jupyter Notebook24<br/>3.2.3　使用Spyder25<br/>3.2.4　使用Conda管理第三方库27<br/>3.3　Python的基本数据类型29<br/>3.3.1　字符串29<br/>3.3.2　浮点型和整型29<br/>3.3.3　布尔类型30<br/>3.3.4　其他数据类型31<br/>3.4　Python的基本数据结构31<br/>3.4.1　列表32<br/>3.4.2　元组33<br/>3.4.3　集合33<br/>3.4.4　字典34<br/>3.5　Python的编程结构35<br/>3.5.1　三种基本的编程结构简介35<br/>3.5.2　顺序结构35<br/>3.5.3　分支结构36<br/>3.5.4　循环结构37<br/>3.6　Python的函数与模块40<br/>3.6.1　Python的函数40<br/>3.6.2　Python的模块42<br/>3.7　使用Pandas读写结构化数据43<br/>3.7.1　读数据43<br/>3.7.2　写数据46<br/>第4章　在SAS EG中使用程序47<br/>4.1　如何在SAS EG中使用程序47<br/>4.2　SAS程序49<br/>4.2.1　SAS程序分析简介49<br/>4.2.2　DATA步50<br/>4.2.3　PROC步51<br/>数据处理篇<br/>第5章　描述性统计分析与制图54<br/>5.1　描述性统计分析54<br/>5.1.1　变量度量类型与分布类型54<br/>5.1.2　变量的统计量56<br/>5.1.3　连续变量的分布与集中趋势56<br/>5.1.4　连续变量的离散程度58<br/>5.1.5　数据分布的对称与高矮59<br/>5.2　制作报表与统计图60<br/>5.3　制图步骤及统计图适用场景64<br/>5.4　利用SAS EG进行统计分析67<br/>5.4.1　连续变量描述性统计分析67<br/>5.4.2　单因子频数统计分析69<br/>5.4.3　汇总统计分析72<br/>5.4.4　绘制条形图进行统计分析76<br/>5.4.5　绘制地图进行统计分析79<br/>第6章　表数据的行处理82<br/>6.1　数据筛选82<br/>6.1.1　SAS EG实现方式82<br/>6.1.2　SAS程序实现方式84<br/>6.2　排序与求秩87<br/>6.2.1　SAS EG实现方式87<br/>6.2.2　SAS程序实现方式94<br/>6.3　抽样95<br/>6.3.1　抽样理论介绍95<br/>6.3.2　SAS EG实现方式97<br/>6.3.3　SAS程序实现方式99<br/>6.4　数据分组和汇总100<br/>6.4.1　SAS EG实现方式100<br/>6.4.2　SAS程序实现方式102<br/>第7章　表数据的列处理103<br/>7.1　构造列变量103<br/>7.2　拆分列105<br/>7.3　堆叠列107<br/>7.4　转置列110<br/>7.4.1　SAS EG实现方式111<br/>7.4.2　SAS 程序实现方式113<br/>7.5　对列重编码114<br/>7.5.1　SAS EG实现方式114<br/>7.5.2　SAS程序实现方式119<br/>7.6　变量标准化119<br/>7.6.1　SAS EG实现方式120<br/>7.6.2　SAS程序实现方式122<br/>第8章　数据集的操作124<br/>8.1　纵向连接124<br/>8.1.1　SAS EG实现方式125<br/>8.1.2　SAS程序实现方式127<br/>8.2　横向连接131<br/>8.2.1　SAS EG实现方式131<br/>8.2.2　SAS程序实现方式135<br/>8.3　数据集的比较138<br/>8.3.1　SAS EG实现方式138<br/>8.3.2　SAS程序实现方式141<br/>8.4　创建格式142<br/>8.4.1　相关理论介绍142<br/>8.4.2　SAS EG实现方式143<br/>8.4.3　SAS程序实现方式146<br/>8.5　删除数据集、格式和视图147<br/>8.5.1　SAS EG实现方式147<br/>8.5.2　SAS程序实现方式148<br/>第9章　利用Python处理数据149<br/>9.1　数据整合150<br/>9.1.1　行操作和列操作150<br/>9.1.2　条件查询152<br/>9.1.3　横向连接155<br/>9.1.4　纵向合并157<br/>9.1.5　排序159<br/>9.1.6　分组汇总160<br/>9.1.7　拆分与堆叠列163<br/>9.1.8　赋值与条件赋值165<br/>9.2　数据清洗167<br/>9.2.1　重复值处理167<br/>9.2.2　缺失值处理168<br/>9.2.3　噪声值处理170<br/>9.3　实战175<br/>9.3.1　提取行为特征的RFM方法175<br/>9.3.2　使用RFM方法计算变量176<br/>9.3.3　数据整理与汇报177<br/>统计分析篇<br/>第10章　数据科学的统计推断180<br/>10.1　基本的统计学概念180<br/>10.1.1　总体、样本和统计量180<br/>10.1.2　点估计、区间估计和中心极限定理181<br/>10.2　假设检验186<br/>10.2.1　理论介绍186<br/>10.2.2　利用Python实现单样本t检验189<br/>10.2.3　利用SAS EG实现单样本t检验189<br/>10.2.4　利用SAS EG实现双样本t检验189<br/>10.2.5　利用Python实现双样本t检验191<br/>10.3　方差分析193<br/>10.3.1　利用Python实现单因素方差分析193<br/>10.3.2　利用SAS EG实现单因素方差分析198<br/>10.3.3　利用Python实现多因素方差分析202<br/>10.3.4　利用SAS EG实现多因素方差分析204<br/>10.4　相关分析207<br/>10.4.1　相关分析理论207<br/>10.4.2　Python实现方式210<br/>10.4.3　SAS EG实现方式210<br/>10.5　列联表分析与卡方检验211<br/>10.5.1　利用Python实现列联表分析212<br/>10.5.2　利用SAS EG实现列联表分析213<br/>10.5.3　利用Python实现卡方检验215<br/>10.5.4　利用SAS EG实现卡方检验216<br/>第11章　构造连续变量的预测模型219<br/>11.1　线性回归模型介绍219<br/>11.1.1　简单线性回归220<br/>11.1.2　多元线性回归224<br/>11.2　模型的构建226<br/>11.2.1　多元线性回归模型的构建226<br/>11.2.2　将连续变量和分类变量同时作为解释变量来构建模型228<br/>11.3　线性回归模型的诊断230<br/>11.3.1　残差230<br/>11.3.2　强影响点234<br/>11.3.3　共线性236<br/>11.4　建模流程238<br/>11.5　利用SAS EG实现客户价值预测239<br/>11.5.1　单连续变量下建模239<br/>11.5.2　多连续变量下建模242<br/>11.5.3　加入分类解释变量建模243<br/>第12章　构造二分类变量的预测模型245<br/>12.1　逻辑回归入门245<br/>12.2　模型表现优劣的评估251<br/>12.3　多水平值分类变量的逻辑回归253<br/>12.4　关于构造因果关系模型的讨论255<br/>12.5　利用SAS EG实现贷款违约可能性预测257<br/>第13章　描述性数据分析方法266<br/>13.1　客户细分266<br/>13.1.1　客户细分的意义266<br/>13.1.2　根据客户利润贡献细分268<br/>13.1.3　根据个人或公司的生命历程细分269<br/>13.1.4　根据客户的产品偏好细分269<br/>13.1.5　根据客户的多维行为属性细分270<br/>13.1.6　根据客户结构细分271<br/>13.1.7　综合应用272<br/>13.2　连续变量间关系探索与变量压缩273<br/>13.2.1　多元变量间关系统计基础273<br/>13.2.2　多元变量压缩的思路276<br/>13.2.3　主成分分析278<br/>13.2.4　因子分析288<br/>13.3　聚类分析293<br/>13.3.1　基本逻辑293<br/>13.3.2　层次聚类294<br/>13.3.3　快速聚类301<br/>13.3.4　两步法聚类308<br/>第14章　时间序列分析314<br/>14.1　时间序列及其分析方法简介314<br/>14.2　利用效应分解法分析时间序列316<br/>14.2.1　时间序列的效应分解316<br/>14.2.2　SAS EG实现方式316<br/>14.2.3　Python实现方式318<br/>14.3　平稳时间序列分析322<br/>14.3.1　平稳时间序列简介322<br/>14.3.2　AR模型、MA模型、ARMA模型简介323<br/>14.3.3　Python实现方式324<br/>14.4　非平稳时间序列分析328<br/>14.4.1　差分与ARIMA模型328<br/>14.4.2　SAS EG实现方式330<br/>14.4.3　Python实现方式336