Python数据分析与数据化运营 PDF 第2版

《Python数据分析与数据化运营》是由机械工业出版社出版的一本关于Python数据方面的书籍，作者是宋天龙，主要介绍了关于Python、数据分析、数据化运营方面的知识内容，目前在Python数据类书籍综合评分为：7.4分。

书籍介绍

（1）创作者是有10多年数据统计分析与数字化经营工作经验的大数据专家，在世界各国公司都工作中过，阅历丰富。
（2）创作者擅于小结和创作，善于共享，编写数据统计分析类 畅销书3部。
（3）这书与类似书*大的不一样取决于，并不是只能纯碎的有关数据统计分析技术性和专用工具的解读，并且还与数据应用情景深层融合，在业务流程上真实可具体指导落地式。
（4）新版本除开Python升级来到*新版本外，主要内容上干了大幅的填补和提升，总体篇数超出30%，详细序言。
（5）这书创作者出示手机微信、电子邮箱等，可根据即时和线下二种方法立即为读者在线传道、受业、解答。它是1本将数据统计分析技术性与数据应用情景深层融合的经典著作，从实战演练视角解读了怎样运用Python开展数据统计分析和数字化经营。
畅销书全新升级、大幅度升級，第1版几近100%的五星好评，第2版不但将Python升級来到*新的版本号，并且对主要内容开展了大幅的填补和提升。创作者是有10多年数据统计分析与数字化经营的大数据专家，书中对50多个数据工作流引擎知识结构图、14个数据统计分析与发掘主题风格、4个数字化经营主题风格、8个综合型实例开展了全方位的解读，能让数字化经营融合数据应用情景360°落地式。

本书总共9章，分成2个一部分：
第壹一部分（第1-4章） Python数据统计分析与发掘
最先详细介绍了Python和数字化经营的基础知识，随后详尽解读了Python数据获得（结构型和非结构型）、预备处理、剖析和发掘的核心技术和工作经验，包括10类别预备处理工作经验、14个数据统计分析与发掘主题风格，50多个知识结构图。
其次一部分（第5~9章） Python数字化经营
它是这书的关键，详尽解读了vip会员经营、货品经营、总流量经营和内容营销4大主题风格，及其提高数字化经营使用价值的方式。每一经营主题风格中包括了基础知识、评定指标值、应用领域、数据统计分析实体模型、数据统计分析小窍门、数据统计分析大实话及其2个综合型的运用实例。
------
加上创作者手机微信（TonySong2013）可免费在线获得即时解释，另外添加这书沟通交流群（创作者拉进群），沟通交流大量数据工作中的感受和感受并了解大量同行业从业人员；这书出示实例数据和源码（汉语注解）免费下载，供用户实际操作时应用。

目录

• 前言
• 第1章　Python和数据化运营1
• 1.1　用Python做数据化运营1
• 1.1.1　Python是什么1
• 1.1.2　数据化运营是什么2
• 1.1.3　Python用于数据化运营5
• 1.2　数据化运营所需的Python相关工具和组件5
• 1.2.1　Python程序6
• 1.2.2　Python交互环境Jupyter7
• 1.2.3　Python第三方库23
• 1.2.4　数据库和客户端29
• 1.2.5　SSH远程客户端30
• 1.3　内容延伸：Python的OCR和tensorflow31
• 1.3.1　OCR工具：Tesseract-ocr31
• 1.3.2　机器学习框架：TensorFlow31
• 1.4　第1个用Python实现的数据化运营分析实例、销售预测32
• 1.4.1　案例概述32
• 1.4.2　案例过程32
• 1.4.3　案例小结36
• 1.5　本章小结37
• 第2章　数据化运营的数据来源40
• 2.1　数据化运营的数据来源类型40
• 2.1.1　数据文件40
• 2.1.2　数据库41
• 2.1.3　API42
• 2.1.4　流式数据43
• 2.1.5　外部公开数据43
• 2.1.6　其他来源44
• 2.2　使用Python获取运营数据44
• 2.2.1　从文本文件读取运营数据44
• 2.2.2　从Excel获取运营数据55
• 2.2.3　从关系型数据库MySQL读取运营数据57
• 2.2.4　从非关系型数据库MongoDB读取运营数据64
• 2.2.5　从API获取运营数据68
• 2.3　内容延伸：读取非结构化网页、文本、图像、视频、语音72
• 2.3.1　从网页中获取运营数据72
• 2.3.2　读取非结构化文本数据73
• 2.3.3　读取图像数据74
• 2.3.4　读取视频数据78
• 2.3.5　读取语音数据81
• 2.4　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87
• 3.1　数据清洗：缺失值、异常值和重复值的处理87
• 3.1.1　数据列缺失的4种处理方法87
• 3.1.2　不要轻易抛弃异常数据89
• 3.1.3　数据重复就需要去重吗90
• 3.1.4　代码实操：Python数据清洗92
• 3.2　将分类数据和顺序数据转换为标志变量100
• 3.2.1　分类数据和顺序数据是什么100
• 3.2.2　运用标志方法处理分类和顺序变量101
• 3.2.3　代码实操：Python标志转换101
• 3.3　大数据时代的数据降维104
• 3.3.1　需要数据降维的情况104
• 3.3.2　基于特征选择的降维105
• 3.3.3　基于特征转换的降维106
• 3.3.4　基于特征组合的降维112
• 3.3.5　代码实操：Python数据降维114
• 3.4　解决样本类别分布不均衡的问题123
• 3.4.1　哪些运营场景中容易出现样本不均衡124
• 3.4.2　通过过抽样和欠抽样解决样本不均衡124
• 3.4.3　通过正负样本的惩罚权重解决样本不均衡124
• 3.4.4　通过组合/集成方法解决样本不均衡125
• 3.4.5　通过特征选择解决样本不均衡125
• 3.4.6　代码实操：Python处理样本不均衡125
• 3.5　数据化运营要抽样还是全量数据128
• 3.5.1　什么时候需要抽样128
• 3.5.2　如何进行抽样129
• 3.5.3　抽样需要注意的几个问题130
• 3.5.4　代码实操：Python数据抽样131
• 3.6　解决运营数据的共线性问题135
• 3.6.1　如何检验共线性135
• 3.6.2　解决共线性的5种常用方法136
• 3.6.3　代码实操：Python处理共线性问题137
• 3.7　有关相关性分析的混沌139
• 3.7.1　相关和因果是一回事吗139
• 3.7.2　相关系数低就是不相关吗139
• 3.7.3　代码实操：Python相关性分析140
• 3.8　标准化，让运营数据落入相同的范围141
• 3.8.1　实现中心化和正态分布的Z-Score141
• 3.8.2　实现归一化的Max-Min142
• 3.8.3　用于稀疏数据的MaxAbs142
• 3.8.4　针对离群点的RobustScaler142
• 3.8.5　代码实操：Python数据标准化处理142
• 3.9　离散化，对运营数据做逻辑分层145
• 3.9.1　针对时间数据的离散化145
• 3.9.2　针对多值离散数据的离散化146
• 3.9.3　针对连续数据的离散化146
• 3.9.4　针对连续数据的二值化147
• 3.9.5　代码实操：Python数据离散化处理147
• 3.10　内容延伸：非结构化数据的预处理151
• 3.10.1　网页数据解析151
• 3.10.2　网络用户日志解析159
• 3.10.3　图像的基本预处理164
• 3.10.4　自然语言文本预处理169
• 3.11　本章小结172
• 第4章　跳过运营数据分析和挖掘的“大坑”174
• 4.1　聚类分析174
• 4.1.1　当心数据异常对聚类结果的影响175
• 4.1.2　超大数据量时应该放弃K均值算法175
• 4.1.3　聚类不仅是建模的终点，更是重要的中间预处理过程177
• 4.1.4　高维数据上无法应用聚类吗178
• 4.1.5　如何选择聚类分析算法179
• 4.1.6　案例：客户特征的聚类与探索性分析179
• 4.2　回归分析196
• 4.2.1　注意回归自变量之间的共线性问题197
• 4.2.2　相关系数、判定系数和回归系数之间是什么关系197
• 4.2.3　判定系数是否意味着相应的因果联系197
• 4.2.4　注意应用回归模型时研究自变量是否产生变化198
• 4.2.5　如何选择回归分析算法198
• 4.2.6　案例：大型促销活动前的销售预测199
• 4.3　分类分析206
• 4.3.1　防止分类模型的过拟合问题207
• 4.3.2　使用关联算法做分类分析207
• 4.3.3　用分类分析来提炼规则、提取变量、处理缺失值208
• 4.3.4　类别划分：分类算法和聚类算法都是好手209
• 4.3.5　如何选择分类分析算法210
• 4.3.6　案例：用户流失预测分析与应用210
• 4.4　关联分析221
• 4.4.1　频繁规则不一定是有效规则221
• 4.4.2　不要被啤酒尿布的故事禁锢你的思维222
• 4.4.3　被忽略的“负相关”模式真的毫无用武之地吗223
• 4.4.4　频繁规则只能打包组合应用吗2