电子书
内容简介
全书共12章，主要内容包括：商业数据分析概论、Python商业数据存取、Python商业数据图形绘制与可视化、Python描述性统计、Python参数估计、Python参数假设检验、Python相关分析、Python一元线性回归分析、Python多元线性回归分析、Python时间序列分析、Python量化金融数据分析、Python机器学习。
章节目录
- A-fy
- B-bq
- C-qy
- 前言
- D-ml
- 目录
- 01
- 商业数据分析概论
- 第1章
- 1.1 商业数据分析的概念及其应用
- 1.2 商业数据类型
- 1．横截面数据
- 2．时间序列数据
- 3．面板数据
- 1.3 商业数据来源
- 1．专业性网站
- 2．专业数据公司和信息公司
- 3．抽样调查
- 1.4 商业数据分析工具简介
- 1．Python数据分析工具简介
- 2．R数据分析工具简介
- 3．Stata数据分析工具简介
- 4．MATLAB数据分析工具简介
- 5．EViews数据分析工具简介
- 6．SAS数据分析工具简介
- 7．SPSS数据分析工具简介
- 1.5 Python的下载和安装
- 1．下载安装Python
- 2．安装Anaconda
- 3．商业数据分析工具Python的安装步骤
- 1.6 Python的启动和退出
- 1．Python的启动
- 2．Python的退出
- 1.7 Python商业数据分析相关的程序包
- 1．Statsmodels程序包
- 2．Scikit-Learn程序包
- 3．Keras程序包
- 1.8 Python商业数据分析快速入门
- 1．数据导入
- 2．数据变换
- 3．统计描述
- 4．假设检验
- 5．可视化
- 6．创建自定义函数
- 练 习 题
- 02
- Python商业数据存取
- 第2章
- 2.1 应用Python的Pandas包读取csv格式的本地数据
- 2.2 应用Python的Pandas包读取Excel文件格式的本地数据
- 2.3 挖地兔Tushare财经网站数据存取
- 1．保存为csv格式文件
- 2．读取csv数据文件
- 3．保存为Excel文件
- 4．读取Excel数据文件
- 5．读取挖地兔财经网站数据到内存
- 2.4 应用Pandas的DataReader包获取国外财经网站数据
- 1．国外财经网站数据源
- 2．DataReader方法介绍
- 3．Pandas_datareader.data读取雅虎财经网站的数据
- 2.5 应用Python的Pandas包进行商业数据分析的分组和聚合
- 1．分组、聚合的基本原理
- 2．groupby()函数
- 3．聚合函数
- 4．apply()函数应用
- 练 习 题
- 03
- Python商业数据图形绘制与可视化
- 第3章
- 3.1 Python-Matplotlib绘图基础
- 3.2 Python直方图的绘制
- 1．给图形增加标题
- 2．给坐标轴增加数值标签
- 3.3 Python散点图的绘制
- 3.4 Python气泡图的绘制
- 3.5 Python箱图的绘制
- 3.6 Python饼图的绘制
- 1．简单饼图的绘制
- 2．复杂饼图的绘制
- 3.7 Python条形图的绘制
- 1．简单条形图的绘制
- 2．复杂条形图（又叫“堆积柱形图”）的绘制
- 3.8 Python折线图的绘制
- 3.9 Python曲线标绘图的绘制
- 3.10 Python连线标绘图的绘制
- 3.11 Python 3D图的绘制
- 练 习 题
- 04
- Python描述性统计
- 第4章
- 4.1 Python描述性统计工具
- 4.2 Python数据集中趋势的度量
- 1．算术平均值
- 2．加权算术平均值
- 3．中位数
- 4．众数
- 5．几何平均值
- 6．调和平均值
- 7．点估计的欺骗性
- 4.3 Python数据离散状况的度量
- 1．范围（Range）
- 2．平均绝对偏差（MAD）
- 3．方差和标准差
- 4．下偏方差和下偏标准差
- 5．目标下偏方差
- 4.4 Python峰度、偏度与正态性检验
- 1．偏度
- 2．峰度
- 3．使用Jarque-Bera的正态检验
- 4.5 Python异常数据处理
- 1．固定比例法
- 2．均值标准差法
- 3．MAD法
- 4．Boxplot法
- 5．异常数据的影响和识别
- 练 习 题
- 05
- Python参数估计
- 第5章
- 5.1 参数估计与置信区间的含义
- 5.2 Python点估计
- 5.3 Python单正态总体均值区间估计
- 1．方差(0 = ( 已知时( 的置信区间
- 2．方差 未知时 的置信区间
- 5.4 Python单正态总体方差区间估计
- 5.5 Python双正态总体均值差区间估计
- 1．两方差已知时两均值差的置信区间
- 2．两方差都未知时两均值差的置信区间
- 5.6 Python双正态总体方差比区间估计
- 练 习 题
- 06
- Python参数假设检验
- 第6章
- 6.1 参数假设检验的基本理论
- 1．假设检验的概念
- 2．第一类错误和第二类错误
- 3．决策规则
- 4．单个总体均值的假设检验
- 5．两个独立总体均值的假设检验
- 6．成对比较检验
- 7．单个总体方差的假设检验
- 8．两个总体方差的假设检验
- 6.2 Python单个样本t检验
- 6.3 Python两个独立样本t检验
- 6.4 Python配对样本t检验
- 6.5 Python单样本方差假设检验
- 6.6 Python双样本方差假设检验
- 练 习 题
- 07
- Python相关分析
- 第7章
- 7.1 相关系数的概念及其相关性度量
- 1．相关系数的概念
- 2．相关性度量
- 7.2 使用模拟数据计算变量之间的相关系数
- 7.3 使用本地数据计算变量之间的相关系数
- 7.4 使用网上数据计算变量之间的相关系数
- 7.5 通过相关系数热力图观察股票相关性
- 练 习 题
- 08
- Python一元线性回归分析
- 第8章
- 8.1 一元线性回归分析基本理论
- 1．一元线性回归分析模型
- 2．一元线性回归的假设
- 3．方差分析
- 4．决定系数
- 5．估计的标准误差
- 6．回归系数的假设检验
- 7．回归系数的置信区间
- 8.2 应用Python的Statsmodels工具进行一元线性回归分析
- 1．对数据进行描述性分析
- 2．对数据进行相关分析
- 3．一元线性回归分析的Python的Statsmodels工具应用
- 8.3 应用Python的Scikit-Learn工具进行一元线性回归分析
- 练 习 题
- 09
- Python多元线性回归分析
- 第9章
- 9.1 多元线性回归分析基本理论
- 1．多元线性回归模型
- 2．方差分析
- 3．决定系数
- 4．估计的标准误差
- 5．回归系数的t检验和置信区间
- 6．回归系数的F检验
- 7．虚拟变量
- 9.2 Python多元线性回归数据分析
- 1．对数据进行描述性分析
- 2．用数组对数据做相关分析
- 3．用数据框对数据做相关分析
- 4．多元回归分析的Python的Statsmodels工具应用
- 9.3 用Scikit-Learn工具进行多元回归分析
- 1．使用Pandas来读取数据
- 2．线性回归模型
- 3．回归问题的评价测度
- 4．特征选择
- 9.4 Python稳健线性回归分析
- 9.5 Python逻辑回归分析
- 1．相关理论
- 2．Python应用
- 9.6 Python广义线性回归分析
- 1．相关理论
- 2．Python应用
- 9.7 违背回归分析假设的计量检验
- 1．多元线性回归假设
- 2．异方差性
- 3．序列相关性（自相关性）
- 4．多重共线性
- 5．总结
- 9.8 Python自相关性诊断与消除
- 9.9 Python异方差诊断与消除
- 1．Spearman等级相关系数检验
- 2．怀特（White）检验
- 3．消除异方差的方法
- 4．异方差诊断的Python应用
- 5．异方差消除的Python应用
- 9.10 Python多重共线性的诊断与消除
- 1．多重共线性的基本理论
- 2．消除多重共线性的方法
- 3．多重共线性诊断的Python应用
- 4．多重共线性消除的Python应用
- 练 习 题
- 10
- Python时间序列分析
- 第10章
- 10.1 时间序列基础
- 1．线性趋势模型（Linear Trend Modal）
- 2．对数线性趋势模型（Log-Linear Trend Modal）
- 3．自回归模型（Autoregressive Model）
- 4．自回归模型的问题：平稳的时间序列数据
- 5．随机游走模型（Rardom Walk）
- 6．自回归条件异方差模型
- 7．时间序列分析的逻辑关系
- 8．回归中的时间序列问题
- 10.2 时间序列的相关概念及其Python应用
- 1．时间序列的概念及其特征
- 2．时间序列的特征
- 3．平稳性
- 4．相关系数
- 5．自相关函数
- 6．白噪声序列和线性时间序列
- 10.3 自回归模型
- 1．AR模型的特征根及平稳性检验
- 2．AR模型的定阶
- 3．AR模型的检验
- 4．拟合优度及预测
- 10.4 移动平均模型
- 1．MA模型的性质
- 2．MA模型的定阶
- 3．MA模型的建立和预测
- 10.5 自回归移动平均模型
- 1．ARMA模型的定阶
- 2．ARMA模型的建立及预测
- 10.6 差分自回归移动平均模型
- 1．单位根检验
- 2．ARIMA模型阶次的确定
- 3．ARIMA模型的建立及预测
- 10.7 自回归条件异方差模型的建立及预测
- 1．波动率的特征
- 2．自回归条件异方差模型的基本原理
- 3．ARCH模型的建立
- 10.8 广义自回归条件异方差模型的建立与波动率预测
- 1．GARCH模型的建立
- 2．GARCH模型的波动率预测
- 练 习 题
- 11
- Python量化金融数据分析
- 第11章
- 11.1 Python金融数据描述性统计
- 1．程序包准备
- 2．选择股票代号获取股票数据
- 3．查看数据和清理数据
- 4．股票数据的可视化
- 5．不同时间序列数据集的不同统计数值
- 6．通过分位数qq图检查代码的数据
- 7．正态性检验
- 11.2 Python在战胜股票市场策略可视化中的应用
- 1．使用Pandas_datareader导入数据
- 2．收益率
- 3．原始输出总和
- 4．创建一幅日收益率柱状图
- 5．Pandas投资组合相关性的年度线性图
- 6．各资产收益率的累积和
- 7．Pandas组合相关性的百分比变化
- 8．标准普尔500指数的累积收益率图
- 9．战胜股票市场的数据展示
- 11.3 Python在资产组合均值方差模型中的应用
- 1．资产组合的可行集
- 2．有效边界与有效组合
- 3．标准均值方差模型的求解
- 4．标准均值方差模型的Python计算
- 11.4 Python绘制投资组合有效边界
- 11.5 Python绘制寻找Markowitz最优投资组合
- 1．Markowitz最优投资组合基本理论
- 2．投资组合优化的Python应用
- 11.6 Python实现量化投资统计套利协整配对交易策略
- 1．协整基本知识
- 2．平稳性检验及其实例
- 3．基于Bigquant平台统计套利的协整配对交易策略
- 4．基于Python环境的配对交易策略
- 练 习 题
- 12
- Python机器学习
- 第12章
- 12.1 机器学习算法分类
- 1．监督式学习算法
- 2．非监督式学习算法
- 3．强化学习算法
- 12.2 常见的机器学习算法及其Python代码
- 1．线性回归算法
- 2．逻辑回归算法
- 3．决策树算法
- 4．支持向量机分类算法
- 5．朴素贝叶斯分类算法
- 6．K-最近邻算法
- 7．K-均值算法
- 8．随机森林算法
- 9．降维算法
- 10．Gradient Boosting和Ada Boosting算法
- 12.3 Python实现K-最近邻算法银行贷款分类
- 1．准备工作
- 2．读取并查看数据表
- 3．绘制散点图观察分类
- 4．建立分类模型
- 5．使用测试集对模型进行测试
- 12.4 Python实现各种机器学习算法
- 1．载入数据
- 2．分类
- 3．支持向量机
- 4．聚类
- 5．用主成分分析（PCA）降维
- 6．线性模型：从回归到稀疏
- 7．交叉验证估计器
- 12.5 Python实现K-最近邻算法分类
- 1．人工生成数据的K-最近邻算法分类Python应用
- 2．实际数据的K-最近邻算法分类Python应用
- 练 习 题
展开全部
Python商业数据分析是2020年由人民邮电出版社出版,作者编著。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《Python商业数据分析》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
电子书
电子书
电子书
电子书