Python數據分析與數據化運營(第2版)（簡體書）

這是一本將數據分析技術與數據使用場景深度結合的著作，從實戰角度講解了如何利用Python進行數據分析和數據化運營。
暢銷書全新、大幅升級，第1版近乎100%的好評，第2版不僅將Python升級到了*新的版本，而且對具體內容進行了大幅度的補充和優化。作者是有10餘年數據分析與數據化運營的大數據專家，書中對50餘個數據工作流知識點、14個數據分析與挖掘主題、4個數據化運營主題、8個綜合性案例進行了全面的講解，能讓數據化運營結合數據使用場景360°落地。
全書一共9章，分為兩個部分：
第壹部分（第1-4章） Python數據分析與挖掘
首先介紹了Python和數據化運營的基本知識，然後詳細講解了Python數據獲取（結構化和非結構化）、預處理、分析和挖掘的關鍵技術和經驗，包含10大類預處理經驗、14個數據分析與挖掘主題，50餘個知識點。
第二部分（第5～9章） Python數據化運營
這是本書的核心，詳細講解了會員運營、商品運營、流量運營和內容運營4大主題，以及提升數據化運營價值的方法。每個運營主題中都包含了基本知識、評估指標、應用場景、數據分析模型、數據分析小技巧、數據分析大實話以及2個綜合性的應用案例。
------
添加作者微信（TonySong2013）可在線獲取實時解答，同時加入本書溝通群（作者拉入群），交流更多數據工作的感悟和心得並認識更多同行從業者；本書提供案例數據和源代碼（中文注釋）下載，供讀者實操時使用。

宋天龍，(TonySong)大數據技術專家，觸脈諮詢合夥人兼副總裁，前Webtrekk中國區技術和諮詢負責人(Webtrekk，德國*大的在線數據分析服務提供商)。擅長數據挖掘、建模、分析與運營，精通端到端數據價值場景設計、業務需求轉換、數據結構梳理、數據建模與學習以及數據工程交付。在電子商務、零售、銀行、保險等多個行業擁有豐富的數據項目工作經驗，參與過集團和企業級數據體系規劃、DMP與數據倉庫建設、大數據產品開發、網站流量系統建設、個性化智能推薦與精准營銷、企業大數據智能等。參與實施客戶案例包括聯合利華、Webpower、德國OTTO集團電子商務(中國)、Esprit中國、豬八戒網、順豐優選、樂視商城、泰康人壽、酒仙網、國美在線、迪信通等。著有多部暢銷書：《Python數據分析與數據化運營》《網站數據挖掘與分析：系統方法與商業實踐》《企業大數據系統構建實戰：技術、架構、實施與應用》。

前言第1章 Python和數據化運營11.1 用Python做數據化運營11.1.1 Python是什麼11.1.2 數據化運營是什麼21.1.3 Python用於數據化運營51.2 數據化運營所需的Python相關工具和組件51.2.1 Python程序61.2.2 Python交互環境Jupyter71.2.3 Python第三方庫231.2.4 數據庫和客戶端291.2.5 SSH遠程客戶端301.3 內容延伸：Python的OCR和tensorflow311.3.1 OCR工具：Tesseract-ocr311.3.2 機器學習框架：TensorFlow311.4 第1個用Python實現的數據化運營分析實例、銷售預測321.4.1 案例概述321.4.2 案例過程321.4.3 案例小結361.5 本章小結37第2章 數據化運營的數據來源402.1 數據化運營的數據來源類型402.1.1 數據文件402.1.2 數據庫412.1.3 API422.1.4 流式數據432.1.5 外部公開數據432.1.6 其他來源442.2 使用Python獲取運營數據442.2.1 從文本文件讀取運營數據442.2.2 從Excel獲取運營數據552.2.3 從關係型數據庫MySQL讀取運營數據572.2.4 從非關係型數據庫MongoDB讀取運營數據642.2.5 從API獲取運營數據682.3 內容延伸：讀取非結構化網頁、文本、圖像、視頻、語音722.3.1 從網頁中獲取運營數據722.3.2 讀取非結構化文本數據732.3.3 讀取圖像數據742.3.4 讀取視頻數據782.3.5 讀取語音數據812.4 本章小結85第3章 10條數據化運營不得不知道的數據預處理經驗873.1 數據清洗：缺失值、異常值和重複值的處理873.1.1 數據列缺失的4種處理方法873.1.2 不要輕易拋棄異常數據893.1.3 數據重複就需要去重嗎903.1.4 代碼實操：Python數據清洗923.2 將分類數據和順序數據轉換為標誌變量1003.2.1 分類數據和順序數據是什麼1003.2.2 運用標誌方法處理分類和順序變量1013.2.3 代碼實操：Python標誌轉換1013.3 大數據時代的數據降維1043.3.1 需要數據降維的情況1043.3.2 基於特徵選擇的降維1053.3.3 基於特徵轉換的降維1063.3.4 基於特徵組合的降維1123.3.5 代碼實操：Python數據降維1143.4 解決樣本類別分佈不均衡的問題1233.4.1 哪些運營場景中容易出現樣本不均衡1243.4.2 通過過抽樣和欠抽樣解決樣本不均衡1243.4.3 通過正負樣本的懲罰權重解決樣本不均衡1243.4.4 通過組合/集成方法解決樣本不均衡1253.4.5 通過特徵選擇解決樣本不均衡1253.4.6 代碼實操：Python處理樣本不均衡1253.5 數據化運營要抽樣還是全量數據1283.5.1 什麼時候需要抽樣1283.5.2 如何進行抽樣1293.5.3 抽樣需要注意的幾個問題1303.5.4 代碼實操：Python數據抽樣1313.6 解決運營數據的共線性問題1353.6.1 如何檢驗共線性1353.6.2 解決共線性的5種常用方法1363.6.3 代碼實操：Python處理共線性問題1373.7 有關相關性分析的混沌1393.7.1 相關和因果是一回事嗎1393.7.2 相關係數低就是不相關嗎1393.7.3 代碼實操：Python相關性分析1403.8 標準化，讓運營數據落入相同的範圍1413.8.1 實現中心化和正態分佈的Z-Score1413.8.2 實現歸一化的Max-Min1423.8.3 用於稀疏數據的MaxAbs1423.8.4 針對離群點的RobustScaler1423.8.5 代碼實操：Python數據標準化處理1423.9 離散化，對運營數據做邏輯分層1453.9.1 針對時間數據的離散化1453.9.2 針對多值離散數據的離散化1463.9.3 針對連續數據的離散化1463.9.4 針對連續數據的二值化1473.9.5 代碼實操：Python數據離散化處理1473.10 內容延伸：非結構化數據的預處理1513.10.1 網頁數據解析1513.10.2 網絡用戶日誌解析1593.10.3 圖像的基本預處理1643.10.4 自然語言文本預處理1693.11 本章小結172第4章 跳過運營數據分析和挖掘的“大坑”1744.1 聚類分析1744.1.1 當心數據異常對聚類結果的影響1754.1.2 超大數據量時應該放棄K均值算法1754.1.3 聚類不僅是建模的終點，更是重要的中間預處理過程1774.1.4 高維數據上無法應用聚類嗎1784.1.5 如何選擇聚類分析算法1794.1.6 案例：客戶特徵的聚類與探索性分析1794.2 回歸分析1964.2.1 注意回歸自變量之間的共線性問題1974.2.2 相關係數、判定係數和回歸係數之間是什麼關係1974.2.3 判定係數是否意味著相應的因果聯繫1974.2.4 注意應用回歸模型時研究自變量是否產生變化1984.2.5 如何選擇回歸分析算法1984.2.6 案例：大型促銷活動前的銷售預測1994.3 分類分析2064.3.1 防止分類模型的過擬合問題2074.3.2 使用關聯算法做分類分析2074.3.3 用分類分析來提煉規則、提取變量、處理缺失值2084.3.4 類別劃分：分類算法和聚類算法都是好手2094.3.5 如何選擇分類分析算法2104.3.6 案例：用戶流失預測分析與應用2104.4 關聯分析2214.4.1 頻繁規則不一定是有效規則2214.4.2 不要被啤酒尿布的故事禁錮你的思維2224.4.3 被忽略的“負相關”模式真的毫無用武之地嗎2234.4.4 頻繁規則只能打包組合應用嗎2