Python數據分析與數據化運營計算機與互聯網書籍|6998727 epub pdf mobi txt 電子書下載 2024

Name: Python數據分析與數據化運營 計算機與互聯網 書籍|6998727 pdf epub mobi txt 電子書 2024
SKU: 21760392899
Rating: 4 (10 reviews)

☆☆☆☆☆
簡體網頁||繁體網頁

宋天龍著

下載链接在页面底部

點擊這裡下載

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製鏈接

想要找書就要到靜思書屋

book.tinynews.org

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

發表於2024-05-18

商品介绍

店鋪：互動齣版網圖書專營店

齣版社：機械工業齣版社

ISBN：9787111584605

商品編碼：21760392899

叢書名：數據分析與決策技術叢書

齣版時間：2018-01-01

頁數：541

Python數據分析與數據化運營計算機與互聯網書籍|6998727 epub pdf mobi txt 電子書下載 2024

类似图書點擊查看全場最低價

書籍描述

書[0名0]：	Python數據分析與數據化運營\|6998727
圖書定價：	99元
圖書作者：	宋天龍
齣版社：	機械工業齣版社
齣版日期：	2018/1/1 0:00:00
ISBN號：	9787111584605
開本：	16開
頁數：	541
版次：	1-1

作者簡介

宋天龍（TonySong）[0大0]數據技術專傢，曆任軟通動力集團[0大0]數據研究院數據總監、Webtrekk（德[0國0][0大0]的網站數據分析服務提供[0商0]）中[0國0]區技術和谘詢負責人、[0國0]美在綫[0大0]數據中心經理。擅長數據挖掘、建模、分析與運營，精通端到端的數據價值場景設計、業務需求轉換、數據結構梳理、數據建模與[0學0]習，以及數據工程交付。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係規劃、[0大0]數據産[0品0]開發、網站流量係統建設、網站智能推薦、企業[0大0]數據智能等[0大0]型數據工作項目。參與實施多個客戶案例，包括Webpower、德[0國0]OTTO集團電子[0商0]務（中[0國0]）、Esprit中[0國0]、豬八戒網、順豐[0優0]選、樂視[0商0]城、泰康人壽、酒仙網，[0國0]美在綫、迪信通等。著有《網站數據挖掘與分析：係統方[0法0]與[0商0]業實踐》《企業[0大0]數據係統構建實戰：技術、架構、實施與應用》。

內容簡介

這是一部從實戰角度講解如何利用Python進行數據分析、挖掘和數據化運營的著作，不僅對數據分析的關鍵技術和技巧進行瞭總結，更重要的是對[0會0]員、[0商0][0品0]、流量、內容4個主題的數據化運營進行瞭係統講解。作者是[0國0]內一綫數據分析師和[0大0]數據專傢，在數據分析和數據化運營[0領0]域有近10年的經驗，在業內頗具[0知0][0名0]度和影響力。本書不僅得到瞭宋星、黃成明、宮鑫等14位資深專傢的好[0評0]和推薦，還得到瞭天善智能、中[0國0]統計網等多個數據科[0學0]相關機構的支持和高度認可。全書的內容在邏輯上共分為兩[0大0]部分：部分（[0第0]1~4章）：Python數據分析與挖掘著重講解瞭Python和數據化運營的基本[0知0]識，以及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11條數據預處理經驗、39個數據預處理[0知0]識點、14個數據分析和挖掘的建模主題。[0第0]二部分（[0第0]5~9章）：Python數據化運營這是本書的核心，詳細講解瞭[0會0]員運營、[0商0][0品0]運營、流量運營和內容運營4[0大0]主題，以及提升數據化運營價值的方[0法0]。在每個運營主題中都包含瞭基本[0知0]識、[0評0]估指標、應用場景、數據分析模型、數據分析小技巧、數據分析[0大0]實話以及2個綜閤性的應用案例。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。

贊譽
前言
[0第0]1章 Python和數據化運營1
1.1 用Python做數據化運營1
1.1.1 Python是什麼1
1.1.2 數據化運營是什麼2
1.1.3 Python用於數據化運營5
1.2 數據化運營所需的Python相關工具和組件6
1.2.1 Python程序6
1.2.2 Python IDE7
1.2.3 Python[0第0]三方庫8
1.2.4 數據庫和客戶端16
1.2.5 SSH遠程客戶端18
1.3 內容延伸：Python的OCR和TensorFlow18
1.3.1 OCR工具：Tesseract-OCR18
1.3.2 機器[0學0]習框架—TensorFlow19
1.4 個用Python實現的數據化運營分析實例—銷售預測20
1.4.1 案例概述20
1.4.2 案例過程20
1.4.3 案例小結28
1.5 本章小結28
[0第0]2章數據化運營的數據來源31
2.1 數據化運營的數據來源類型31
2.1.1 數據文件31
2.1.2 數據庫32
2.1.3 API33
2.1.4 流式數據34
2.1.5 外部公開數據34
2.1.6 其他35
2.2 使用Python獲取運營數據35
2.2.1 從文本文件讀取運營數據35
2.2.2 從Excel獲取運營數據46
2.2.3 從關係型數據庫MySQL讀取運營數據48
2.2.4 從非關係型數據庫MongoDB讀取運營數據56
2.2.5 從API獲取運營數據59
2.3 內容延伸：讀取非結構化網頁、文本、圖像、視頻、語音64
2.3.1 從網頁中爬取運營數據64
2.3.2 讀取非結構化文本數據65
2.3.3 讀取圖像數據65
2.3.4 讀取視頻數據68
2.3.5 讀取語音數據70
2.4 本章小結75
[0第0]3章 11條數據化運營不得不[0知0]道的數據預處理經驗76
3.1 數據清洗：缺失值、異常值和重復值的處理76
3.1.1 數據列缺失的4種處理方[0法0]76
3.1.2 不要輕易拋棄異常數據78
3.1.3 數據重復就需要去重嗎79
3.1.4 代碼實操：Python數據清洗81
3.2 將分類數據和順序數據轉換為標誌變量89
3.2.1 分類數據和順序數據是什麼89
3.2.2 運用標誌方[0法0]處理分類和順序數據90
3.2.3 代碼實操：Python標誌轉換90
3.3 [0大0]數據時代的數據降維94
3.3.1 需要數據降維的情況94
3.3.2 基於特徵選擇的降維94
3.3.3 基於維度轉換的降維96
3.3.4 代碼實操：Python數據降維97
3.4 解決樣本類彆分布不均衡的問題100
3.4.1 哪些運營場景中容易齣現樣本不均衡100
3.4.2 通過過抽樣和欠抽樣解決樣本不均衡101
3.4.3 通過正負樣本的懲罰[0權0]重解決樣本不均衡101
3.4.4 通過組閤/集成方[0法0]解決樣本不均衡102
3.4.5 通過特徵選擇解決樣本不均衡102
3.4.6 代碼實操：Python處理樣本不均衡102
3.5 如何解決運營數據源的衝突問題106
3.5.1 為什麼[0會0]齣現多數據源的衝突107
3.5.2 如何應對多數據源的衝突問題109
3.6 數據化運營要抽樣還是全量數據109
3.6.1 什麼時候需要抽樣110
3.6.2 如何進行抽樣110
3.6.3 抽樣需要注意的幾個問題111
3.6.4 代碼實操：Python數據抽樣113
3.7 解決運營數據的共綫性問題116
3.7.1 如何檢驗共綫性117
3.7.2 解決共綫性的5種常用方[0法0]117
3.7.3 代碼實操：Python處理共綫性問題118
3.8 有關相關性分析的混沌120
3.8.1 相關和因果是一迴事嗎120
3.8.2 相關係數低就是不相關嗎121
3.8.3 代碼實操：Python相關性分析121
3.9 標準化，讓運營數據落入相同的範圍122
3.9.1 實現中心化和正態分布的Z-Score122
3.9.2 實現歸一化的Max-Min123
3.9.3 用於稀疏數據的MaxAbs123
3.9.4 針對離群點的RobustScaler123
3.9.5 代碼實操：Python數據標準化處理123
3.10 離散化，對運營數據做邏輯分層126
3.10.1 針對時間數據的離散化127
3.10.2 針對多值離散數據的離散化127
3.10.3 針對連續數據的離散化127
3.10.4 針對連續數據的二值化128
3.10.5 代碼實操：Python數據離散化處理128
3.11 數據處理應該考慮哪些運營業務因素133
3.11.1 考慮固定和突發運營周期133
3.11.2 考慮運營需求的有效性134
3.11.3 考慮交付時要貼閤運營落地場景134
3.11.4 不要忽視業務專傢經驗135
3.11.5 考慮業務需求的變動因素136
3.12 內容延伸：非結構化數據的預處理137
3.12.1 網頁數據解析137
3.12.2 網絡用戶日誌解析144
3.12.3 圖像的基本預處理148
3.12.4 自然語言文本預處理154
3.13 本章小結157
[0第0]4章跳過運營數據分析和挖掘的“[0大0]坑”159
4.1 聚類分析159
4.1.1 [0當0]心數據異常對聚類結果的影響160
4.1.2 [0超0][0大0]數據量時應該放棄K均值算[0法0]160
4.1.3 聚類不僅是建模的終點，更是重要的中間預處理過程162
4.1.4 高維數據上無[0法0]應用聚類嗎163
4.1.5 如何選擇聚類分析算[0法0]164
4.1.6 代碼實操：Python聚類分析164
4.2 迴歸分析172
4.2.1 注意迴歸自變量之間的共綫性問題172
4.2.2 相關係數、判定係數和迴歸係數之間到底什麼關係172
4.2.3 判定係數是否意味著相應的因果聯係173
4.2.4 注意應用迴歸模型時研究自變量是否産生變化173
4.2.5 如何選擇迴歸分析算[0法0]174
4.2.6 代碼實操：Python迴歸分析174
4.3 分類分析183
4.3.1 防止分類模型的過擬閤問題183
4.3.2 使用關聯算[0法0]做分類分析183
4.3.3 用分類分析來提煉規則、提取變量、處理缺失值184
4.3.4 類彆劃分-分類算[0法0]和聚類算[0法0]都是好手185
4.3.5 如何選擇分類分析算[0法0]186
4.3.6 代碼實操：Python分類分析187
4.4 關聯分析195
4.4.1 頻繁規則不一定是有效規則195
4.4.2 不要被啤酒尿布的故事緊固你的思維196
4.4.3 被忽略的“負相關”模式真的毫無用武之地嗎197
4.4.4 頻繁規則隻能打包組閤應用嗎198
4.4.5 關聯規則的序列模式199
4.4.6 代碼實操：Python關聯分析200
4.5 異常檢測分析206
4.5.1 異常檢測中的“新奇檢測”模式207
4.5.2 將數據異常與業務異常相分離207
4.5.3 麵臨維度災難時，異常檢測可能[0會0]失效208
4.5.4 異常檢測的結果能說明異常嗎208
4.5.5 代碼實操：Python異常檢測分析208
4.6 時間序列分析212
4.6.1 如果有自變量，為什麼還要用時間序列212
4.6.2 時間序列不適閤[0商0]業環境復雜的企業213
4.6.3 時間序列預測的整閤、橫嚮和縱嚮模式214
4.6.4 代碼實操：Python時間序列分析214
4.7 路徑、漏鬥、歸因和熱力圖分析234
4.7.1 不要輕易相信用戶的頁麵訪問路徑237
4.7.2 如何將路徑應用於更多用戶行為模式的挖掘？237
4.7.3 為什麼很多數據都顯示多渠道路徑的價值很小？238
4.7.4 點擊熱力圖真的反映瞭用戶的點擊喜好？239
4.7.5 為什麼歸因分析主要存在於綫上的轉化行為240
4.7.6 漏鬥分析和路徑分析有什麼區彆240
4.8 其他數據分析和挖掘的忠告241
4.8.1 不要忘記數據質量的驗證241
4.8.2 不要忽視數據的落地性242
4.8.3 不要把數據陳列[0當0]作數據結論242
4.8.4 數據結論不要産生於單一指標244
4.8.5 數據分析不要預設價值立場244
4.8.6 不要忽視數據與業務的需求衝突問題245
4.9 內容延伸：非結構化數據的分析與挖掘246
4.9.1 詞頻統計246
4.9.2 詞性標注249
4.9.3 關鍵字提取253
4.9.4 文本聚類255
4.10 本章小結258
[0第0]5章 [0會0]員數據化運營260
5.1 [0會0]員數據化運營概述260
5.2 [0會0]員數據化運營關鍵指標261
5.2.1 [0會0]員整體指標261
5.2.2 [0會0]員營銷指標261
5.2.3 [0會0]員活躍度指標263
5.2.4 [0會0]員價值度指標265
5.2.5 [0會0]員終生價值指標266
5.2.6 [0會0]員異動指標266
5.3 [0會0]員數據化運營應用場景267
5.3.1 [0會0]員營銷267
5.3.2 [0會0]員關懷267
5.4 [0會0]員數據化運營分析模型268
5.4.1 [0會0]員細分模型268
5.4.2 [0會0]員價值度模型269
5.4.3 [0會0]員活躍度模型270
5.4.4 [0會0]員流失預測模型271
5.4.5 [0會0]員特徵分析模型272
5.4.6 營銷響應預測模型273
5.5 [0會0]員數據化運營分析小技巧274
5

Python數據分析與數據化運營計算機與互聯網書籍|6998727 epub pdf mobi txt 電子書下載 2024

Python數據分析與數據化運營計算機與互聯網書籍|6998727 下載 epub mobi pdf txt 電子書