PYTHON数据分析与数据化运营(第2版)

（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。

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，第1版近乎100%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（第1-4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，详细讲解了会员运营、商品运营、流量运营和内容运营4大主题，以及提升数据化运营价值的方法。每个运营主题中都包含了基本知识、评估指标、应用场景、数据分析模型、数据分析小技巧、数据分析大实话以及2个综合性的应用案例。------添加作者微信（TonySong2013）可在线获取实时解答，同时加入本书沟通群（作者拉入群），交流更多数据工作的感悟和心得并认识更多同行从业者；本书提供案例数据和源代码（中文注释）下载，供读者实操时使用。

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》

前言第1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  第1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