Python金融数据挖掘与分析实战

作者背景资深：作者是云计算、大数据和AI领域的知名专家，云创大数据总裁、中国大数据应用联盟人工智能专家委员会主任。写作经验丰富：作者团队写作经验丰富，不仅深谙数据挖掘技术和金融行业，而且有丰富的出版经验，能准确把握读者需求。零基础快入门：即便读者没有Python经验，没有数据挖掘和分析经验，也能快速掌握常见金融应用场景的数据挖掘和分析。实战性强：本书配有大量精心设计的案例、讲解视频、实现代码、数据资源、习题及其答案。

这是一本金融数据挖掘与分析领域的实战性著作，它能指导零Python编程基础和零数据挖掘与分析基础的读者快速掌握金融数据挖掘与分析的工具、技术和方法。读完本书，你将会有如下3个方面的收获：（1）Python编程基础和数据预处理首先详细讲解了Python的核心语法，以及NumPy、Matplotlib、PySpark、Jupyter Notebook等Python数据处理工具的使用；然后详细介绍了数据预处理的流程和技巧。通过深入浅出的语言和丰富的样例展示，帮助初学者快速上手Python，为之后的数据分析实战夯实基础。（2）数据挖掘与分析的经典方法详细讲解了经典的数据挖掘方法，包括聚类分析、回归分析、分类分析、异常检测、关联分析、时间序列分析等。（3）主要金融应用场景的数据挖掘方法针对网络舆情的采集和热点分析、舆情分析中的情感分析、股价趋势预测、个人信用评分、企业信用评分、用户画像、目标客户精准分析、销售数据分析等金融行业的常见应用场景，给出了数据挖掘和分析的方法。本书注重实战，配有大量精心设计的案例，同时还有配套的视频讲解、代码和数据资源，可操作性强。

前言
第1章 Python工作环境准备
1.1 Anaconda环境安装
1.2 常用Python交互工具
1.3 Jupyter Notebook简介
1.4 习题
第2章 Python入门
2.1 Python基础知识
2.2 Python基础语法
2.3 Python变量类型
2.4 Python运算符
2.4.1 算术运算符
2.4.2 比较运算符
2.4.3 赋值运算符
2.4.4 按位运算符
2.4.5 逻辑运算符
2.4.6 成员运算符
2.4.7 身份运算符
2.4.8 运算符优先级
2.5 Python条件与循环语句
2.5.1 条件语句
2.5.2 循环语句
2.6 Python函数
2.7 Python模块
2.8 Python文件处理
2.9 Python异常
2.10 数据分析相关库
2.10.1 NumPy
2.10.2 Matplotlib
2.10.3 PySpark
2.10.4 其他常用库
2.11 习题
第3章 数据预处理
3.1 数据分析工作流程
3.2 数据预处理
3.2.1 数据集导入
3.2.2 数据概览
3.2.3 数据清洗
3.2.4 类别变量转换
3.2.5 数据分割
3.2.6 特征缩放
3.3 鸟瞰机器学习
3.4 习题
第4章 数据挖掘方法
4.1 分类分析
4.1.1 决策树
4.1.2 支持向量机
4.1.3 分类算法的选择
4.2 聚类分析
4.2.1 K均值算法
4.2.2 聚类算法和分类算法的区别
4.3 回归分析
4.3.1 变量间的关系
4.3.2 回归分析算法的分类和步骤
4.3.3 回归分析算法的选择
4.4 关联分析
4.4.1 关联规则
4.4.2 关联规则的序列模式
4.5 时间序列分析
4.5.1 时间序列分析方法和步骤
4.5.2 时间序列的三种预测模式
4.6 异常检测
4.7 推荐算法
4.8 习题
第5章 网络舆情采集与热点分析
5.1 网络舆情概述
5.1.1 大数据网络舆情背景
5.1.2 舆情处理过程
5.2 舆情数据采集
5.2.1 网络舆情采集工具
5.2.2 网络舆情数据爬取实例
5.3 实战：微博热点话题聚类
5.4 习题
第6章 舆情研判之情感分类
6.1 情感分析介绍
6.1.1 情感分析分类
6.1.2 情感分析文本预处理
6.1.3 实战：中文文本处理练习
6.2 情感分类方法
6.2.1 基于词典的情感分类
6.2.2 基于机器学习的情感分类
6.2.3 基于深度学习模型的情感分类
6.3 情感分类实战演练
6.3.1 淘宝家电商品评论情感分类预测
6.3.2 京东客户评论情感倾向预测
6.4 习题
第7章 用机器学习方法预测股价
7.1 股市数据分析价值
7.1.1 案例背景
7.1.2 案例价值
7.2 ARIMA模型
7.3 实战：基于SVM和ARIMA的股价预测
7.4 习题
第8章 用人工智能方法预测股价
8.1 神经网络预测方法
8.1.1 门控循环单元
8.1.2 VADER情感分析
8.2 实战：基于LSTM和GRU的股价预测
8.3 实战：股票市场新闻情感分析
8.4 习题
第9章 个人信用评分
9.1 个人信用评分概述
9.1.1 需求背景
9.1.2 国内外发展状况
9.2 信用评分的技术与方法
9.2.1 信用评分的简要历史
9.2.2 信用评分的主要模型与方法
9.3 信用评分卡模型
9.3.1 模型介绍
9.3.2 数据分箱
9.3.3 WOE值
9.3.4 IV值
9.3.5 逻辑回归算法原理
9.3.6 模型评价指标
9.3.7 建立信用评分卡
9.4 实战：信用评分卡
9.4.1 读取数据
9.4.2 数据预处理
9.4.3 探索性分析
9.4.4 模型分析
9.4.5 建立信用评分卡
9.5 习题
第10章 个人信用等级评估
10.1 概述
10.2 个人信用等级评估方法
10.2.1 决策树
10.2.2 随机森林
10.2.3 XGBoost简介
10.2.4 多重共线性
10.2.5 数据重采样
10.3 实战：个人信用等级评估
10.3.1 导入相应包并读取数据
10.3.2 查看数据情况
10.3.3 数据预处理及相关函数构建
10.3.4 模型训练
10.3.5 预测并生成结果
10.4 习题
第11章 企业信用评估
11.1 企业信用评估概述
11.2 企业信用评估的技术与方法
11.2.1 支持向量机
11.2.2 朴素贝叶斯
11.2.3 感知机
11.3 实战：企业信用评估
11.3.1 导入相应包并读取数据
11.3.2 数据预处理
11.3.3 可视化各变量总体分布直方图
11.3.4 建模分析预测企业违约情况
11.3.5 模型评估
11.3.6 模型预测
11.4 习题
第12章 用户画像
12.1 用户画像的价值
12.1.1 用户画像的定义
12.1.2 标签体系
12.1.3 用户画像的意义
12.2 用户画像的构建
12.2.1 用户画像的构建步骤
12.2.2 创建用户画像的方法
12.2.3 丰富用户画像
12.3 实战：电商用户画像构建
12.4 实战：电商用户行为分析
12.5 习题
第13章 目标客户运营
13.1 目标客户运营概述
13.2 目标客户运营模型
13.2.1 目标客户模型探索
13.2.2 目标客户聚类算法
13.3 目标客户的挖掘与分类
13.3.1 挖掘目标客户
13.3.2 目标客户的可视化工具
13.3.3 基于RFM模型的客户分类
13.3.4 基于LRFMC模型的客户分类
13.4 实战：商场客户细分管理
13.4.1 导入相关库
13.4.2 数据可视化及分析
13.4.3 K均值聚类分析
13.5 实战：航空公司VIP客户体系管理
13.5.1 数据集说明
13.5.2 导入相关库
13.5.3 数据分析及可视化
13.5.4 特征属性的相关性分析
13.5.5 属性规约
13.5.6 构建聚类模型
13.5.7 客户分群可视化
13.6 习题
第14章 智能推荐
14.1 精准营销概述
14.1.1 传统营销
14.1.2 新时代营销
14.2 智能推荐概述
14.2.1 Apriori算法
14.2.2 FP-Growth算法
14.2.3 关联规则的应用实例
14.3 实战：火锅店推荐
14.3.1 导入相关库
14.3.2 数据可视化及分析
14.3.3 特色菜推荐
14.3.4 K均值聚类分析
14.3.5 智能推荐器
14.4 实战：基于关联规则的数据挖掘
14.4.1 导入相关库
14.4.2 数据可视化及分析
14.4.3 关联分析——Apriori算法
14.5 习题
参考文献