Python数据分析电子书

封面页

书名页

版权页

作者简介

内容简介

前言

说明

目录

上篇　Pandas数据分析基础

第1章　数据分析初探

1.1　“数据+”时代的到来

1.2　什么是数据分析

1.2.1　数据分析的目标

1.2.2　数据分析分类

1.2.3　典型的数据分析方法

1.3　数据分析的基本流程

1.3.1　问题定义

1.3.2　收集数据

1.3.3　数据处理

1.3.4　数据分析

1.3.5　结果解读与应用

1.4　硝烟中的数据分析

1.4.1　数据分析的产生

1.4.2　验证问题

1.4.3　寻找原因

1.4.4　数据怎么说

1.4.5　数据分析中应该避免的典型问题

第2章　搭建数据科学开发环境

2.1　为什么选择Python

2.1.1　人生苦短，我用Python

2.1.2　为何Python是数据科学家的最佳选择

2.2　Python数据科学开发栈

2.2.1　Cython

2.2.2　NumPy

2.2.3　IPython

2.2.4　Jupyter

2.2.5　SciPy

2.2.6　Matplotlib

2.2.7　Pandas

2.2.8　Scikit-learn

2.2.9　NetworkX

2.2.10　PyMC3

2.2.11　数据科学领域中最新的一些Python包

2.3　Anaconda的安装与使用

2.3.1　安装Anaconda

2.3.2　利用Conda管理Python环境

2.3.3　利用Conda管理Python包

2.3.4　安装本书所需的包

2.4　使用Jupyter Notebook进行可重复数据分析

2.4.1　Jupyter Notebook的配置

2.4.2　Jupyter Notebook中的单元格

2.4.3　Jupyter Notebook中的命令模式与编辑模式键

2.4.4　使用Jupyter Notebook进行数据分析

第3章　Pandas基础

3.1　什么是DataFrame

3.1.1　DataFrame的基本要素

3.1.2　数据类型

3.1.3　了解Series

3.1.4　链式方法

3.2　索引与列

3.2.1　修改索引与列

3.2.2　添加、修改或删除列

3.3　选择多列

第4章　数据筛选

4.1　使用.loc和.iloc筛选行与列数据

4.1.1　选择Series和DataFrame中的行

4.1.2　同时选择行与列

4.2　布尔选择

4.2.1　计算布尔值

4.2.2　多条件筛选数据

第5章　开始利用Pandas进行数据分析

5.1　了解元数据

5.2　数据类型转换

5.3　缺失数据与异常数据处理

5.3.1　缺失值与重复值

5.3.2　处理缺失数据

5.3.3　NumPy与Pandas对缺失数据的不同处理方式

5.3.4　填充缺失值

5.4　处理重复数据

5.5　异常值

5.6　描述性统计

第6章　数据整理

6.1　什么是数据整理

6.1.1　数据的语义

6.1.2　整齐的数据

6.2　数据整理实战

6.2.1　列标题是值，而非变量名

6.2.2　多个变量存储在一列中

6.2.3　变量既在列中存储，又在行中存储

6.2.4　多个观测单元存储在同一表中

6.2.5　一个观测单元存储在多个表中

6.2.6　思考

第7章　分组统计

7.1　分组、应用和聚合

7.2　Pandas中的GroupBy操作

7.2.1　单列数据分组统计

7.2.2　多列数据分组统计

7.2.3　使用自定义函数进行分组统计

7.2.4　数据过滤与变换

第8章　数据整合

8.1　数据读入

8.1.1　基本数据读入方法

8.1.2　文件读取进阶

8.1.3　读取其他格式文件

8.2　数据合并

8.2.1　认识merge操作

8.2.2　merge进阶

8.2.3　join与concat

第9章　数据可视化

9.1　Matplotlib

9.1.1　绘制第一个散点图

9.1.2　理解figure与axes

9.1.3　Matplotlib中面向对象与类Matlab语法的区别

9.1.4　修改坐标轴属性

9.1.5　修改图形属性

9.1.6　定制图例，添加标注

9.1.7　子图

9.1.8　利用Matplotlib绘制各种图形

9.2　Pandas绘图

9.2.1　Pandas基础绘图

9.2.2　整合Pandas绘图与Matplotlib绘图

9.3　Seaborn

9.3.1　Seaborn中的样式

9.3.2　Seaborn绘制统计图形

9.4　可视化进阶

9.4.1　其他可视化工具

9.4.2　推荐读物

第10章　探索性数据分析——某电商销售数据分析

10.1　数据清洗

10.1.1　分析准备

10.1.2　了解数据

10.2　数据清洗与整理

10.2.1　数据类型转换与错误数据删除

10.2.2　添加新数据

10.3　探索性数据分析

10.3.1　客户分析

10.3.2　订单趋势分析

10.3.3　客户国家分析

10.3.4　留给读者的问题

下篇　Python数据分析实战

第11章　群组分析

11.1　群组分析概述

11.1.1　从AARRR到RARRA的转变

11.1.2　什么是群组分析

11.2　群组分析实战

11.2.1　定义群组以及周期

11.2.2　群组分析具体过程

11.2.3　思考

第12章　利用RFM分析对用户进行分类

12.1　RFM分析简介

12.1.1　RFM模型概述

12.1.2　理解RFM

12.2　RFM实战

12.2.1　R、F、M值的计算

12.2.2　利用RFM模型对客户进行细分

12.2.3　思考

第13章　购物篮分析

13.1　购物篮分析概述

13.1.1　什么是购物篮分析

13.1.2　购物篮分析在超市中的应用

13.1.3　购物篮分析实现

13.2　购物篮分析案例

13.2.1　Mlxtend库中Apriori算法使用介绍

13.2.2　在线销售数据购物篮分析

13.3　留给读者的思考

第14章　概率分布

14.1　随机数

14.2　常见的概率分布

14.2.1　均匀分布

14.2.2　正态分布

14.2.3　二项分布

14.2.4　泊松分布

14.2.5　几何分布与指数分布

14.3　点估计与置信区间

14.3.1　点估计

14.3.2　抽样分布与中心极限定理

14.3.3　置信区间

14.4　留给读者的思考

第15章　假设检验

15.1　假设检验概述

15.1.1　初识假设检验

15.1.2　假设检验的步骤

15.1.3　假设检验中的Ⅰ类错误与Ⅱ类错误

15.2　Python中的假设检验

15.2.1　单样本t-test

15.2.2　双样本t-test

15.2.3　配对t-test

15.2.4　卡方检验

15.3　留给读者的思考

第16章　一名数据分析师的游戏上线之旅

16.1　游戏启动时间是否超过目标

16.1.1　启动时间是否超过3秒

16.1.2　构造启动时间监测图

16.2　次日留存率是否大于30%

16.3　应该在游戏第几关加入关联微信提示

16.3.1　A/B测试

16.3.2　贝叶斯解决方案

16.4　如何定价

16.5　留给读者的思考

第17章　利用数据分析找工作

17.1　设定分析目标

17.1.1　问题定义

17.1.2　获取数据

17.2　准备分析数据

17.2.1　数据准备

17.2.2　数据清洗

17.3　开始数据分析

17.3.1　职位来自哪里

17.3.2　职位薪酬如何

17.3.3　岗位要求

17.3.4　思考

第18章　用数据解读成都房价

18.1　设定分析目标

18.1.1　问题定义

18.1.2　获取数据

18.2　解读成都二手房

18.2.1　数据准备

18.2.2　列名调整

18.2.3　数据类型转换

18.2.4　数据解读

18.2.5　思考

第19章　时间序列分析

19.1　认识时间序列数据

19.1.1　读入时间序列数据

19.1.2　时间序列数据的可视化

19.2　时间序列数据的分解

19.2.1　认识时间序列数据中的模式

19.2.2　Python中进行时间序列数据的分解

19.3　时间序列的平稳性

19.3.1　认识平稳与非平稳时间序列

19.3.2　如何让时间序列平稳

19.4　利用ARIMA模型分析家具销售

19.4.1　ARIMA模型简介

19.4.2　数据准备

19.4.3　ARIMA模型中的参数

19.5　留给读者的思考

第20章　股票数据分析

20.1　股票收益分析

20.1.1　获取股票数据

20.1.2　计算每日收益

20.1.3　多只股票收益比较

20.1.4　股价相关性分析

20.2　CAPM资产定价模型选股

20.2.1　CAPM公式

20.2.2　在Python中实现CAPM

20.3　留给读者的思考

第21章　大规模数据处理

21.1　不同规模数据处理工具的选择

21.2　利用Pandas处理大规模数据

21.2.1　文件分块读入

21.2.2　使用数据库

21.2.3　使用DASK

21.3　其他可选方法

21.4　留给读者的思考