Python数据分析与数据化运营计算机与互联网书籍|6998727 epub pdf mobi txt 电子书下载 2024

Name: Python数据分析与数据化运营 计算机与互联网 书籍|6998727 pdf epub mobi txt 电子书 2024
SKU: 21760392899
Rating: 4 (10 reviews)

☆☆☆☆☆
简体网页||繁体网页

宋天龙著

下载链接在页面底部

点击这里下载

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到静思书屋

book.tinynews.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

发表于2024-11-15

商品介绍

店铺：互动出版网图书专营店

出版社：机械工业出版社

ISBN：9787111584605

商品编码：21760392899

丛书名：数据分析与决策技术丛书

出版时间：2018-01-01

页数：541

Python数据分析与数据化运营计算机与互联网书籍|6998727 epub pdf mobi txt 电子书下载 2024

类似图书点击查看全场最低价

书籍描述

书[0名0]：	Python数据分析与数据化运营\|6998727
图书定价：	99元
图书作者：	宋天龙
出版社：	机械工业出版社
出版日期：	2018/1/1 0:00:00
ISBN号：	9787111584605
开本：	16开
页数：	541
版次：	1-1

作者简介

宋天龙（TonySong）[0大0]数据技术专家，历任软通动力集团[0大0]数据研究院数据总监、Webtrekk（德[0国0][0大0]的网站数据分析服务提供[0商0]）中[0国0]区技术和咨询负责人、[0国0]美在线[0大0]数据中心经理。擅长数据挖掘、建模、分析与运营，精通端到端的数据价值场景设计、业务需求转换、数据结构梳理、数据建模与[0学0]习，以及数据工程交付。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、[0大0]数据产[0品0]开发、网站流量系统建设、网站智能推荐、企业[0大0]数据智能等[0大0]型数据工作项目。参与实施多个客户案例，包括Webpower、德[0国0]OTTO集团电子[0商0]务（中[0国0]）、Esprit中[0国0]、猪八戒网、顺丰[0优0]选、乐视[0商0]城、泰康人寿、酒仙网，[0国0]美在线、迪信通等。著有《网站数据挖掘与分析：系统方[0法0]与[0商0]业实践》《企业[0大0]数据系统构建实战：技术、架构、实施与应用》。

内容简介

这是一部从实战角度讲解如何利用Python进行数据分析、挖掘和数据化运营的著作，不仅对数据分析的关键技术和技巧进行了总结，更重要的是对[0会0]员、[0商0][0品0]、流量、内容4个主题的数据化运营进行了系统讲解。作者是[0国0]内一线数据分析师和[0大0]数据专家，在数据分析和数据化运营[0领0]域有近10年的经验，在业内颇具[0知0][0名0]度和影响力。本书不仅得到了宋星、黄成明、宫鑫等14位资深专家的好[0评0]和推荐，还得到了天善智能、中[0国0]统计网等多个数据科[0学0]相关机构的支持和高度认可。全书的内容在逻辑上共分为两[0大0]部分：部分（[0第0]1~4章）：Python数据分析与挖掘着重讲解了Python和数据化运营的基本[0知0]识，以及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11条数据预处理经验、39个数据预处理[0知0]识点、14个数据分析和挖掘的建模主题。[0第0]二部分（[0第0]5~9章）：Python数据化运营这是本书的核心，详细讲解了[0会0]员运营、[0商0][0品0]运营、流量运营和内容运营4[0大0]主题，以及提升数据化运营价值的方[0法0]。在每个运营主题中都包含了基本[0知0]识、[0评0]估指标、应用场景、数据分析模型、数据分析小技巧、数据分析[0大0]实话以及2个综合性的应用案例。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。

赞誉
前言
[0第0]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6
1.2.1 Python程序6
1.2.2 Python IDE7
1.2.3 Python[0第0]三方库8
1.2.4 数据库和客户端16
1.2.5 SSH远程客户端18
1.3 内容延伸：Python的OCR和TensorFlow18
1.3.1 OCR工具：Tesseract-OCR18
1.3.2 机器[0学0]习框架—TensorFlow19
1.4 个用Python实现的数据化运营分析实例—销售预测20
1.4.1 案例概述20
1.4.2 案例过程20
1.4.3 案例小结28
1.5 本章小结28
[0第0]2章数据化运营的数据来源31
2.1 数据化运营的数据来源类型31
2.1.1 数据文件31
2.1.2 数据库32
2.1.3 API33
2.1.4 流式数据34
2.1.5 外部公开数据34
2.1.6 其他35
2.2 使用Python获取运营数据35
2.2.1 从文本文件读取运营数据35
2.2.2 从Excel获取运营数据46
2.2.3 从关系型数据库MySQL读取运营数据48
2.2.4 从非关系型数据库MongoDB读取运营数据56
2.2.5 从API获取运营数据59
2.3 内容延伸：读取非结构化网页、文本、图像、视频、语音64
2.3.1 从网页中爬取运营数据64
2.3.2 读取非结构化文本数据65
2.3.3 读取图像数据65
2.3.4 读取视频数据68
2.3.5 读取语音数据70
2.4 本章小结75
[0第0]3章 11条数据化运营不得不[0知0]道的数据预处理经验76
3.1 数据清洗：缺失值、异常值和重复值的处理76
3.1.1 数据列缺失的4种处理方[0法0]76
3.1.2 不要轻易抛弃异常数据78
3.1.3 数据重复就需要去重吗79
3.1.4 代码实操：Python数据清洗81
3.2 将分类数据和顺序数据转换为标志变量89
3.2.1 分类数据和顺序数据是什么89
3.2.2 运用标志方[0法0]处理分类和顺序数据90
3.2.3 代码实操：Python标志转换90
3.3 [0大0]数据时代的数据降维94
3.3.1 需要数据降维的情况94
3.3.2 基于特征选择的降维94
3.3.3 基于维度转换的降维96
3.3.4 代码实操：Python数据降维97
3.4 解决样本类别分布不均衡的问题100
3.4.1 哪些运营场景中容易出现样本不均衡100
3.4.2 通过过抽样和欠抽样解决样本不均衡101
3.4.3 通过正负样本的惩罚[0权0]重解决样本不均衡101
3.4.4 通过组合/集成方[0法0]解决样本不均衡102
3.4.5 通过特征选择解决样本不均衡102
3.4.6 代码实操：Python处理样本不均衡102
3.5 如何解决运营数据源的冲突问题106
3.5.1 为什么[0会0]出现多数据源的冲突107
3.5.2 如何应对多数据源的冲突问题109
3.6 数据化运营要抽样还是全量数据109
3.6.1 什么时候需要抽样110
3.6.2 如何进行抽样110
3.6.3 抽样需要注意的几个问题111
3.6.4 代码实操：Python数据抽样113
3.7 解决运营数据的共线性问题116
3.7.1 如何检验共线性117
3.7.2 解决共线性的5种常用方[0法0]117
3.7.3 代码实操：Python处理共线性问题118
3.8 有关相关性分析的混沌120
3.8.1 相关和因果是一回事吗120
3.8.2 相关系数低就是不相关吗121
3.8.3 代码实操：Python相关性分析121
3.9 标准化，让运营数据落入相同的范围122
3.9.1 实现中心化和正态分布的Z-Score122
3.9.2 实现归一化的Max-Min123
3.9.3 用于稀疏数据的MaxAbs123
3.9.4 针对离群点的RobustScaler123
3.9.5 代码实操：Python数据标准化处理123
3.10 离散化，对运营数据做逻辑分层126
3.10.1 针对时间数据的离散化127
3.10.2 针对多值离散数据的离散化127
3.10.3 针对连续数据的离散化127
3.10.4 针对连续数据的二值化128
3.10.5 代码实操：Python数据离散化处理128
3.11 数据处理应该考虑哪些运营业务因素133
3.11.1 考虑固定和突发运营周期133
3.11.2 考虑运营需求的有效性134
3.11.3 考虑交付时要贴合运营落地场景134
3.11.4 不要忽视业务专家经验135
3.11.5 考虑业务需求的变动因素136
3.12 内容延伸：非结构化数据的预处理137
3.12.1 网页数据解析137
3.12.2 网络用户日志解析144
3.12.3 图像的基本预处理148
3.12.4 自然语言文本预处理154
3.13 本章小结157
[0第0]4章跳过运营数据分析和挖掘的“[0大0]坑”159
4.1 聚类分析159
4.1.1 [0当0]心数据异常对聚类结果的影响160
4.1.2 [0超0][0大0]数据量时应该放弃K均值算[0法0]160
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162
4.1.4 高维数据上无[0法0]应用聚类吗163
4.1.5 如何选择聚类分析算[0法0]164
4.1.6 代码实操：Python聚类分析164
4.2 回归分析172
4.2.1 注意回归自变量之间的共线性问题172
4.2.2 相关系数、判定系数和回归系数之间到底什么关系172
4.2.3 判定系数是否意味着相应的因果联系173
4.2.4 注意应用回归模型时研究自变量是否产生变化173
4.2.5 如何选择回归分析算[0法0]174
4.2.6 代码实操：Python回归分析174
4.3 分类分析183
4.3.1 防止分类模型的过拟合问题183
4.3.2 使用关联算[0法0]做分类分析183
4.3.3 用分类分析来提炼规则、提取变量、处理缺失值184
4.3.4 类别划分-分类算[0法0]和聚类算[0法0]都是好手185
4.3.5 如何选择分类分析算[0法0]186
4.3.6 代码实操：Python分类分析187
4.4 关联分析195
4.4.1 频繁规则不一定是有效规则195
4.4.2 不要被啤酒尿布的故事紧固你的思维196
4.4.3 被忽略的“负相关”模式真的毫无用武之地吗197
4.4.4 频繁规则只能打包组合应用吗198
4.4.5 关联规则的序列模式199
4.4.6 代码实操：Python关联分析200
4.5 异常检测分析206
4.5.1 异常检测中的“新奇检测”模式207
4.5.2 将数据异常与业务异常相分离207
4.5.3 面临维度灾难时，异常检测可能[0会0]失效208
4.5.4 异常检测的结果能说明异常吗208
4.5.5 代码实操：Python异常检测分析208
4.6 时间序列分析212
4.6.1 如果有自变量，为什么还要用时间序列212
4.6.2 时间序列不适合[0商0]业环境复杂的企业213
4.6.3 时间序列预测的整合、横向和纵向模式214
4.6.4 代码实操：Python时间序列分析214
4.7 路径、漏斗、归因和热力图分析234
4.7.1 不要轻易相信用户的页面访问路径237
4.7.2 如何将路径应用于更多用户行为模式的挖掘？237
4.7.3 为什么很多数据都显示多渠道路径的价值很小？238
4.7.4 点击热力图真的反映了用户的点击喜好？239
4.7.5 为什么归因分析主要存在于线上的转化行为240
4.7.6 漏斗分析和路径分析有什么区别240
4.8 其他数据分析和挖掘的忠告241
4.8.1 不要忘记数据质量的验证241
4.8.2 不要忽视数据的落地性242
4.8.3 不要把数据陈列[0当0]作数据结论242
4.8.4 数据结论不要产生于单一指标244
4.8.5 数据分析不要预设价值立场244
4.8.6 不要忽视数据与业务的需求冲突问题245
4.9 内容延伸：非结构化数据的分析与挖掘246
4.9.1 词频统计246
4.9.2 词性标注249
4.9.3 关键字提取253
4.9.4 文本聚类255
4.10 本章小结258
[0第0]5章 [0会0]员数据化运营260
5.1 [0会0]员数据化运营概述260
5.2 [0会0]员数据化运营关键指标261
5.2.1 [0会0]员整体指标261
5.2.2 [0会0]员营销指标261
5.2.3 [0会0]员活跃度指标263
5.2.4 [0会0]员价值度指标265
5.2.5 [0会0]员终生价值指标266
5.2.6 [0会0]员异动指标266
5.3 [0会0]员数据化运营应用场景267
5.3.1 [0会0]员营销267
5.3.2 [0会0]员关怀267
5.4 [0会0]员数据化运营分析模型268
5.4.1 [0会0]员细分模型268
5.4.2 [0会0]员价值度模型269
5.4.3 [0会0]员活跃度模型270
5.4.4 [0会0]员流失预测模型271
5.4.5 [0会0]员特征分析模型272
5.4.6 营销响应预测模型273
5.5 [0会0]员数据化运营分析小技巧274
5

Python数据分析与数据化运营计算机与互联网书籍|6998727 epub pdf mobi txt 电子书下载 2024

Python数据分析与数据化运营计算机与互联网书籍|6998727 下载 epub mobi pdf txt 电子书 2024