本书采用理论分析和Python编程实战相结合的形式，按照数据分析与可视化的基本步骤，数据分析与可视化的基本理论知识和相应的Python库进行了详细的介绍，让读者能够在了解基本理论知识的同时快速上手实现数据分析与可视化的程序。
电子书
内容简介
本书共10章，内容包括认识Python、Python语言基础、数据对象的读写、数据清洗和预处理、数据可视化、基本数据统计分析、高级数据建模分析、自然语言处理和文本挖掘、数据分析部署和应用、数据分析与数据化运营等。
章节目录
- A-fy
- 52759-bq
- C-qy
- 前言
- D-ml
- 目录
- 01
- 认识Python
- 第1章
- 1.1 Python与数据分析
- 1.1.1 Python的概念
- 1.1.2 数据分析与Python
- 1.2 准备Python程序环境
- 1.2.1 安装Python程序
- 1.2.2 安装第三方库
- 1．使用pip安装第三方库
- 2．使用setup.py配合install方法安装第三方库
- 1.3 Python数据分析库
- 1.3.1 Pandas
- 1.3.2 SciPy
- 1.3.3 NumPy
- 1.3.4 scikit-learn
- 1.3.5 Statsmodels
- 1.3.6 Gensim
- 1.4 Python交互环境Jupyter
- 1.4.1 启动Jupyter
- 1.4.2 Jupyter的功能区
- 1.4.3 Jupyter的常用操作
- 1．新建Python文件
- 2．编辑Python文件
- 3．保存与恢复
- 4．导出文件
- 5．单元格输入和输出
- 6．单元格常用编辑功能
- 7．执行Python程序
- 1.4.4 Jupyter的魔术命令
- 1.4.5 Jupyter的配置
- 1.5 执行第一个Python程序
- 1.6 新手常见误区
- 1.6.1 随意升级库到最新版本
- 1.6.2 纠结于使用Python2还是Python3
- 1.6.3 纠结于选择32位还是64位版本
- 实训：打印自己的名字
- 1．基本背景
- 2．训练要点
- 3．实训要求
- 4．实现思路
- 思考与练习
- 02
- Python语言基础
- 第2章
- 2.1 基础规则
- 2.1.1 Python解释器
- 2.1.2 编码声明
- 2.1.3 缩进和执行域
- 2.1.4 长语句断行
- 2.1.5 单行和多行注释
- 1．单行注释
- 2．多行注释
- 2.1.6 变量的命名规则和赋值规则
- 1．命名规则
- 2．赋值规则
- 2.2 数据类型
- 2.2.1 数字型数据
- 2.2.2 字符串型数据
- 2.2.3 日期型数据
- 2.2.4 数据类型的判断与转换
- 1．数据类型的判断方法
- 2．字符串类型和bytes类型的相互转换
- 3．字符串类型和数字类型的相互转换
- 4．字符串类型与日期类型的相互转换
- 2.3 数据结构
- 2.3.1 列表和列表推导式
- 1．创建列表
- 2．获取元素
- 3．列表操作
- 4．列表推导式
- 2.3.2 元组和元组推导式
- 1．创建元组
- 2．获取元素
- 3．元组操作
- 4．元组推导式
- 2.3.3 字典和字典推导式
- 1．创建字典
- 2．获取元素
- 3．字典操作
- 4．字典推导式
- 2.3.4 集合和集合推导式
- 1．创建集合
- 2．集合操作
- 3．集合推导式
- 2.3.5 数据结构的判断与转换
- 1．列表和元组转换
- 2．列表、元组和集合的转换
- 2.4 条件表达式与判断
- 2.4.1 单层条件判断
- 2.4.2 嵌套条件判断
- 2.4.3 多条件判断中的and和or
- 2.4.4 多条件判断中的链式比较、all和any
- 1．链式比较
- 2．all和any的应用
- 2.4.5 基于条件表达式的赋值
- 2.5 循环和流程控制
- 2.5.1 for循环和条件表达式
- 2.5.2 while循环和条件表达式
- 2.5.3 循环嵌套
- 2.5.4 无限循环
- 2.5.5 break和continue控制
- 2.6 运算符
- 2.6.1 算术运算符
- 2.6.2 赋值运算符
- 2.6.3 比较运算符
- 2.6.4 逻辑运算符
- 2.6.5 成员运算符
- 2.6.6 身份运算符
- 2.6.7 运算符优先级
- 2.7 字符串处理和正则表达式
- 2.7.1 字符串格式化
- 1．使用%格式化字符串
- 2．使用str.format()格式化字符串
- 3．使用f-strings格式化字符串
- 2.7.2 字符串的编译执行
- 1．使用eval方法执行字符串表达式
- 2．使用compile方法编译执行复杂功能
- 2.7.3 内置字符串处理方法
- 1．获取字符串子集
- 2．拼接与拆分字符串
- 3．大小写处理
- 4．搜索和替换
- 5．去除空格
- 6．字符串判断
- 2.7.4 正则表达式的应用
- 2.8 功能模块的封装
- 2.8.1 函数
- 1．函数的定义模式
- 2．函数的定义示例
- 3．函数的调用方式
- 2.8.2 匿名函数
- 1．匿名函数的定义模式
- 2．匿名函数的定义示例
- 3．匿名函数的调用方式
- 2.8.3 类
- 1．类的定义模式
- 2．类的定义示例
- 3．类的实例化和应用
- 2.9 高阶计算函数的应用
- 2.9.1 map
- 2.9.2 reduce
- 2.9.3 filter
- 2.10 导入Python库
- 2.10.1 导入标准库和第三方库
- 2.10.2 导入自定义库
- 2.10.3 使用库的别名
- 2.10.4 不同库的导入顺序
- 2.11 Pandas库基础
- 2.11.1 创建数据对象
- 2.11.2 查看数据信息
- 2.11.3 数据切片和切块
- 2.11.4 数据筛选和过滤
- 2.11.5 数据预处理操作
- 2.11.6 数据合并和匹配
- 2.11.7 数据分类汇总
- 2.11.8 高级函数使用
- 2.12 新手常见误区
- 2.12.1 错误的缩进导致功能范围混乱
- 2.12.2 混淆赋值和条件判断符号
- 2.12.3 列表长度与初始索引、终止索引误用
- 2.12.4 表达式或功能缺少冒号
- 2.12.5 变量名的冲突问题
- 2.12.6 混淆int和round对浮点数的取整
- 实训：对列表中的元素按不同逻辑处理
- 1．基本背景
- 2．训练要点
- 3．实训要求
- 4．实现思路
- 思考与练习
- 03
- 数据对象的读写
- 第3章
- 3.1 目录与文件操作
- 3.1.1 获取目录信息
- 1．获取当前目录
- 2．获得上级目录
- 3．更改工作目录
- 3.1.2 目录的基本操作
- 1．创建目录
- 2．删除目录
- 3．重命名目录
- 4．复制目录
- 5．移动目录
- 3.1.3 路径与目录的组合与拆分
- 1．组合目录为新路径
- 2．从路径中拆分出目录/文件
- 3.1.4 目录的判断
- 1．判断是否为目录
- 2．判断目录是否存在
- 3.1.5 遍历目录
- 1．使用os．listdir获取文件列表
- 2．使用os．walk遍历目录
- 3.1.6 文件的基本操作
- 1．复制文件
- 2．移动文件
- 3．删除文件
- 4．重命名文件
- 5．判断是否为文件
- 6．从路径中获取文件扩展名
- 3.2 数据文件的读写
- 3.2.1 读写普通文件
- 1．使用read、readline和readlines方法读取文件
- 2．使用write和writelines方法写入文件
- 3.2.2 读写csv、txt、tsv等格式的文件
- 1．读取数据
- 2．将数据框对象保存为数据文件
- 3.2.3 读写Excel文件
- 1．使用Pandas的read_excel读取Excel文件
- 2．使用Pandas的to_excel写入Excel文件
- 3.2.4 读写JSON文件
- 1．使用json. load方法读取JSON文件
- 2．使用json.dump方法写入JSON文件
- 3.2.5 读写SPSS Statistics、SAS、Stata数据文件
- 1．使用pyreadstat. read_sav读取SPSS Statistics数据文件
- 2．使用pyreadstat．read_sas7bdat读取SAS数据文件
- 3．使用pyreadstat．read_dta读取Stata数据文件
- 4．写入SPSS Statistics 、SAS、Stata数据文件
- 3.2.6 读写R数据文件
- 1．使用pyreadr．read_r读取R数据文件
- 2．使用pyreadr．write_rdata写入R数据文件
- 3.3 数据库的读写
- 3.3.1 读写结构化数据库MySQL
- 1．建立MySQL连接
- 2．获得游标
- 3．执行SQL语句
- 4．解析返回结果
- 5．提交连接操作
- 6．关闭游标和连接
- 3.3.2 读写非结构化数据库MongoDB
- 3.4 数据对象持久化
- 3.4.1 使用pickle读写持久化对象
- 3.4.2 使用sklearn读写持久化对象
- 3.5 新手常见误区
- 3.5.1 不注意工作路径导致无法找到文件
- 3.5.2 忽视不同操作系统下代码的写法问题
- 3.5.3 文件对象未正常关闭导致数据或程序异常
- 3.5.4 pickle读写对象无法执行read和write方法
- 3.5.5 默认读取的多段落数据末尾有\n而不处理
- 3.5.6 文件write写入的对象不是字符串
- 实训：多条件数据库读写操作
- 1．基本背景
- 2．训练要点
- 3．实训要求
- 4．实现思路
- 思考与练习
- 04
- 数据清洗和预处理
- 第4章
- 4.1 数据审核
- 4.1.1 查看数据状态
- 4.1.2 审核数据类型
- 4.1.3 分析数据分布趋势
- 4.2 缺失值处理
- 4.2.1 查看缺失值记录
- 4.2.2 查看缺失值列
- 4.2.3 NA值处理
- 1．填充NA值
- 2．丢弃NA值
- 4.3 异常值处理
- 4.3.1 基于经验值的判断和选择
- 4.3.2 基于均值和标准差的判断和选择
- 4.3.3 基于分位数的判断和选择
- 4.4 重复值处理
- 4.4.1 判断重复值
- 4.4.2 去除重复值
- 4.5 数据抽样
- 4.5.1 随机抽样
- 4.5.2 分层抽样
- 4.6 数据格式与值变换
- 4.6.1 字符串转日期
- 4.6.2 提取日期和时间
- 4.6.3 提取时间元素
- 4.7 标准化和归一化
- 4.7.1 Z-SCORE标准化
- 4.7.2 MaxMin数据归一化
- 4.8 离散化和二元化
- 4.8.1 基于自定义区间的离散化
- 4.8.2 基于分位数法离散化
- 4.8.3 基于指定条件的二元化
- 4.9 分类特征处理
- 4.9.1 分类特征转数值索引
- 4.9.2 OneHotEncode 转换
- 4.10 特征选择
- 4.11 分词
- 4.12 文本转向量
- 4.13 新手常见误区
- 4.13.1 没有先做NA值处理导致后续清洗工作频繁报错
- 4.13.2 直接抛弃异常值
- 4.13.3 用数值索引代替分类字符串参与模型计算
- 4.13.4 使用分位数法离散化并做不同周期的数据对比
- 4.13.5 把抽样当作一个必备的工作环节
- 实训：综合性数据预处理
- 1．基本背景
- 2．训练要点
- 3．实训要求
- 4．实现思路
- 思考与练习
- 05
- 数据可视化
- 第5章
- 5.1 数据可视化应用概述
- 5.1.1 常用的数据可视化库
- 1．Matplotlib
- 2．Pandas中的可视化方法
- 3．Seaborn
- 4．Pyecharts
- 5.1.2 如何选择恰当的数据可视化方式
- 1．趋势
- 2．对比
- 3．结构
- 4．关系
- 5.2 简单数据信息的可视化
- 1．导入库
- 2．读取源数据
- 5.2.1 使用条形图和柱形图表达数据差异
- 1．柱形图
- 2．条形图
- 5.2.2 使用折线图和柱形图展示趋势
- 1．折线图
- 2．柱形图
- 5.2.3 使用饼图和面积图展示成分或结构信息
- 1．饼图
- 2．面积图
- 5.2.4 使用散点图或蜂窝图展示数据间的关系
- 1．散点图
- 2．蜂窝图
- 5.3 复杂数据信息的可视化
- 5.3.1 使用成对关系图对多组数据同时做关系可视化
- 5.3.2 使用带回归拟合线的散点图做回归拟合的可视化
- 5.3.3 使用热力图做相关关系可视化
- 5.3.4 使用日历图展示不同时间下的销售分布
- 5.3.5 使用箱型图和散点图查看数据分布规律
- 5.3.6 使用分类柱形图展示多个维度细分值分布
- 5.3.7 使用等高线图绘制核密度分布
- 5.3.8 使用坡度图绘制数据变化差异
- 5.3.9 使用漏斗图展示不同转化环节的完成情况
- 5.3.10 使用关系图展示不同元素间的关联关系
- 5.3.11 使用雷达图展示多个元素在不同属性上的差异
- 5.3.12 用词云展示关键字分布
- 5.4 新手常见误区
- 5.4.1 没有明确数据可视化的目标
- 5.4.2 通过特殊图形设置误导受众
- 5.4.3 选择过于“花哨”的图形却忽略了可视化的本质
- 5.4.4 缺乏根据信息表达目标选择“最佳”图形的意识
- 5.4.5 信息过载
- 实训：综合性数据可视化
- 1．基本背景
- 2．训练要点
- 3．实训要求
- 4．实现思路
- 思考与练习
- 06
- 基本数据统计分析
- 第6章
- 6.1 描述性统计分析
- 6.1.1 通用描述信息
- 6.1.2 集中性趋势
- 1．数值型字段的均值、中位数和四分位数
- 2．非数值型字段的唯一值、众数和频数
- 6.1.3 离散性趋势
- 1．数值型字段的标准差、最小值、最大值、极差、四分位差
- 2．日期型字段的开始日期、结束日期和日期间隔
- 6.2 交叉对比和趋势分析
- 6.2.1 交叉对比分析
- 6.2.2 交叉趋势分析
- 6.3 结构与贡献分析
- 6.3.1 占比分析
- 6.3.2 二八法则分析
- 6.3.3 ABC分析
- 6.3.4 长尾分析
- 6.4 分组与聚合分析
- 6.4.1 使用分位数聚合分析
- 6.4.2 基于均值和标准差的聚合分析
- 6.5 相关性分析
- 6.5.1 Pearson相关性分析
- 6.5.2 Spearman相关性分析
- 6.5.3 Kendall相关性分析
- 6.6 主成分分析与因子分析
- 6.6.1 主成分分析
- 6.6.2 因子分析
- 6.7 漏斗、路径与归因分析
- 6.7.1 漏斗分析
- 6.7.2 路径分析
- 6.7.3 归因分析
- 1．归因于最后进入的渠道
- 2．归因于最初进入的渠道
- 3．线性平均归因
- 4．随时间衰减归因
- 5．根据位置的综合归因
- 6.8 新手常见误区
- 6.8.1 把数据陈述当作数据结论
- 6.8.2 通过单一指标得出数据结论
- 6.8.3 注重分析过程但没有分析结论
- 6.8.4 忽视数据分析的落地性
- 实训：基本数据统计分析思维训练
- 1．基本背景
- 2．训练要点
- 3．实训要求
- 4．实现思路
- 思考与练习
- 07
- 高级数据建模分析
- 第7章
- 7.1 使用k均值聚类算法挖掘用户潜在特征
- 7.1.1 算法引言
- 7.1.2 案例背景
- 7.1.3 数据源概述
- 7.1.4 案例实现过程
- 1．导入库
- 2．读取数据
- 3．数据预处理
- 4．用户聚类
- 5．模型评估
- 6．组合原始数据与标签
- 7．基于聚类群组汇总特征
- 7.1.5 用户特征分析
- 7.1.6 拓展思考
- 7.2 使用CART预测用户是否会产生转化
- 7.2.1 算法引言
- 7.2.2 案例背景
- 7.2.3 数据源概述
- 7.2.4 案例实现过程
- 1．导入库
- 2．读取原始数据
- 3．特征预处理
- 4．训练模型
- 5．模型评估
- 6．展示特征重要性
- 7．重新训练模型
- 7.2.5 分析用户的转化可能性
- 7.2.6 拓展思考
- 7.3 使用主成分分析+岭回归预测广告UV量
- 7.3.1 算法引言
- 7.3.2 案例背景
- 7.3.3 数据源概述
- 7.3.4 案例实现过程
- 1．导入库
- 2．读取数据
- 3．数据预处理
- 4．生成最终模型为x和y
- 5．模型训练
- 6．模型评估
- 7．预测新数据
- 7.3.5 获得广告UV量
- 7.3.6 拓展思考
- 7.4 使用Apriori关联分析提高商品销量
- 7.4.1 算法引言
- 7.4.2 案例背景
- 7.4.3 数据源概述
- 7.4.4 案例实现过程
- 1．导入库
- 2．定义关联应用类对象
- 3．获取原始数据
- 4．调用类实例并输出关联结果
- 5．过滤lift>1的规则
- 7.4.5 通过关联分析结果提高销量
- 7.4.6 拓展思考
- 7.5 使用PrefixSpan序列关联分析找到用户下一个最可能访问的页面
- 7.5.1 算法引言
- 7.5.2 案例背景
- 7.5.3 数据源概述
- 7.5.4 案例实现过程
- 1．导入库
- 2．序列关联类的定义和封装
- 3．读取数据
- 4．按时间排序
- 5．应用序列关联分析
- 7.5.5 通过序列模式引导用户页面访问行为
- 7.5.6 拓展思考
- 7.6 使用auto ARIMA时间序列预测线下门店销量
- 7.6.1 算法引言
- 7.6.2 案例背景
- 7.6.3 数据源概述
- 7.6.4 案例实现过程
- 1．导入库
- 2．读取数据
- 3．平稳性检验
- 4．白噪声检验
- 5．获得最优PQ组合
- 6．模型训练
- 7．预测
- 7.6.5 得到未来7天的销售量
- 7.6.6 拓展思考
- 7.7 使用Isolation Forest异常检测找到异常广告流量
- 7.7.1 算法引言
- 7.7.2 案例背景
- 7.7.3 数据源概述
- 7.7.4 案例实现过程
- 1．导入库
- 2．读取数据
- 3．去除全部为空的特征
- 4．NA值处理
- 5．拆分数值型特征和字符串特征
- 6．分类特征转换为数值型索引
- 7．合并特征
- 8．模型检测
- 7.7.5 分析异常检测结果
- 7.7.6 拓展思考
- 7.8 新手常见误区
- 7.8.1 认为某种算法适用于所有应用场景
- 7.8.2 并不是模型拟合程度越高效果越好
- 7.8.3 应用回归模型时忽略自变量是否产生变化
- 7.8.4 关联分析可以跨维度
- 7.8.5 很多时候模型得到的异常未必是真的异常
- 实训
- 实训1 预测用户是否流失
- 1．基本背景
- 2．训练要点
- 3．实训要求
- 4．实现思路
- 实训2 预测目标用户的总订单金额
- 1．基本背景
- 2．训练要点
- 3．实训要求
- 4．实现思路
- 实训3 找到整体用户频繁购买的商品
- 1．基本背景
- 2．训练要点
- 3．实训要求
- 4．实现思路
- 思考与练习
- 08
- 自然语言处理和文本挖掘
- 第8章
- 8.1 使用结巴分词提取用户评论关键字
- 8.1.1 算法引言
- 8.1.2 案例背景
- 8.1.3 数据源概述
- 8.1.4 案例实现过程
- 1．导入库
- 2．读取数据
- 3．提取评论关键字
- 4．结果写文件
- 8.1.5 分析用户评论关键字
- 8.1.6 拓展思考
- 8.2 使用LDA主题模型分析新闻主题
- 8.2.1 算法引言
- 8.2.2 案例背景
- 8.2.3 数据源概述
- 8.2.4 案例实现过程
- 1．导入库
- 2．定义分词功能函数
- 3．读取原始数据
- 4．构建词库
- 5．构建pipe模型
- 8.2.5 分析主题结果
- 8.2.6 拓展思考
- 1．可视化的分析方法
- 2．推断新资讯的主题
- 3．主题分析的拓展应用
- 8.3 使用随机森林预测用户评分倾向
- 8.3.1 算法引言
- 8.3.2 案例背景
- 8.3.3 数据源概述
- 8.3.4 案例实现过程
- 1．导入库
- 2．构建分词函数
- 3．读取数据
- 4．读取停用词
- 5．拆分训练集和测试集
- 6．构建Pipeline模型
- 7．模型训练
- 8．模型评估
- 8.3.5 预测新用户的评分
- 8.3.6 拓展思考
- 8.4 使用TextRank自动提取摘要和关键短语
- 8.4.1 算法引言
- 1．抽取式
- 2．概括法
- 8.4.2 案例背景
- 8.4.3 数据源概述
- 8.4.4 案例实现过程
- 1．导入库
- 2．读取数据
- 3．提取关键短语
- 4．自动提取摘要
- 8.4.5 拓展思考
- 8.5 新手常见误区
- 8.5.1 混淆中文分词与英文分词引擎
- 8.5.2 只用词频计算词的重要性
- 8.5.3 忽略文本预处理环节
- 实训：提取关键字、关键短语和摘要
- 1．基本背景
- 2．训练要点
- 3．实训要求
- 4．实现思路
- 思考与练习
- 09
- 数据分析部署和应用
- 第9章
- 9.1 批量合并数据文件
- 9.1.1 应用背景
- 9.1.2 工作需求
- 9.1.3 实现过程
- 1．导入库
- 2．解压压缩包
- 3．获取文件数据
- 4．读取2个文件夹所有的文件
- 5．合并2个df
- 6．格式调整
- 7．输出数据到单独文件
- 9.2 从数据库中抽取数据并生成结果文件
- 9.2.1 应用背景
- 9.2.2 工作需求
- 9.2.3 实现过程
- 1．建立MySQL数据库连接
- 2．新建要导入的数据库
- 3．将数据从Excel导入MySQL数据库
- 4．Python从MySQL中获取数据
- 5．将不同产品的相关数据保存到单个Sheet
- 9.3 发送普通E-mail并附带数据文件
- 9.3.1 应用背景
- 9.3.2 工作需求
- 9.3.3 实现过程
- 1．配置QQ邮箱的IMAP/SMTP服务
- 2．导入库
- 3．设置SMTP信息
- 4．设置邮件信息
- 5．构造附件的函数
- 6．构造邮件正文和附件
- 7．发送邮件
- 9.4 发送HTML富媒体样式的邮件
- 9.4.1 应用背景
- 9.4.2 工作需求
- 9.4.3 实现过程
- 1．导入库
- 2．设置SMTP信息
- 3．设置邮件信息
- 4．构造邮件正文
- 5．发送邮件
- 9.5 系统自动执行Python脚本和数据任务
- 9.5.1 应用背景
- 9.5.2 工作需求
- 9.5.3 实现过程
- 1．导入库
- 2．打包压缩
- 3．定义数据信息
- 4．删除历史备份
- 5．执行单次备份
- 6．设置Windows系统定时任务
- 9.6 新手常见误区
- 9.6.1 不注重自动化的工作方式
- 9.6.2 数据输出物的美观度也是一种数据价值
- 9.6.3 缺乏对自动化作业任务的监控
- 实训：将日常发送邮件工作自动化
- 1．基本背景
- 2．训练要点
- 3．实训要求
- 4．实现思路
- 思考与练习
- 10
- 数据分析与数据化运营
- 第10章
- 10.1 数据报告矩阵
- 10.1.1 临时分析
- 10.1.2 实时分析
- 10.1.3 日常报告
- 10.1.4 专题分析
- 10.1.5 项目分析
- 10.2 分析指标矩阵
- 10.2.1 会员运营
- 10.2.2 商品运营
- 10.2.3 广告运营
- 10.2.4 网站运营
- 10.3 探索维度矩阵
- 10.3.1 目标端
- 10.3.2 媒体端
- 1．媒体渠道
- 2．媒体位置
- 3．媒体排期
- 4．媒体预算
- 5．营销对象
- 6．投放素材
- 7．投放链接和跳转
- 8．媒体特质
- 10.3.3 用户端
- 1．用户属性
- 2．用户线上行为
- 3．用户线下行为
- 10.3.4 网站端
- 1．着陆页设计
- 2．关键表单设计
- 3．站内流程设计
- 10.3.5 竞争端
- 1．广告影响
- 2．活动冲突
- 10.4 应用场景矩阵
- 10.4.1 效果预测
- 10.4.2 结论定义
- 10.4.3 数据探究
- 10.4.4 业务执行
- 10.5 新手常见误区
- 10.5.1 把数据陈列当作数据结论
- 10.5.2 数据结论产生于单一指标
- 10.5.3 数据立场扭曲的数据结论
- 10.5.4 忽视多种数据落地方式
- 实训：搭建针对企业的数据化运营应用体系
- 1．基本背景
- 2．训练要点
- 3．实训要求
- 4．实现思路
- 思考与练习
展开全部
Python数据处理、分析、可视化与数据化运营是2020年由人民邮电出版社出版,作者宋天龙。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《Python数据处理、分析、可视化与数据化运营》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
本书共3章。第1章讲述Python基础知识，包括Python语言基本语法、内置数据类型、Python控制语句、函数和文件操作；第2章讲述Python数据分析，包括Numpy数值计算基础、Numpy数学与算术函数、Numpy中的数据统计与分析、pandas统计分析基础、pandas数据运算、pandas数据载入与预处理；第3章讲述数据可视化，包括matplotlib绘图基础、使用pandas和Sea
电子书
本书主要内容如下：第一部分Python编程基础。第二部分：Python数据分析（Pandas，Numpy等简介、数据收集、数据清洗、数据挖掘、数据分析）。第三部分：Python数据可视化（数据可视化Matplotlib，seaborn等可视化库、财务会计案例、大数据分析案例）。第四部分：Python与自动化控制（简介、正则表达式、文件处理、Python与excel、PythonGUI控制鼠标和键盘
电子书
本书是从实践出发，同时结合一线教师的实践教学经验，以示例为主线，把可视化需要的Python基础语法，Numpy和pandas包中数据结构及读取Excel/CSV文件操作、无效数据处理操作，Matplotlib和pandas包的不同种类图形绘制框架代码等内容都融入到示例中，通过示例，循序渐进、浅显易懂地讲解可视化分析所需要的知识点。 本书适合Python可视化初学者使用，也可作为相关机构的培训用书
电子书
本书介绍利用Python进行大数据处理与分析的详细方法和步骤。全书共9章，主要内容包括搭建开发环境、Numpy库、Pandas库、Matplotlib库、数据预处理以及多个案例分析。
电子书
本书共分为9章，第1章介绍数据可视化与matplotlib的入门知识；第2-8章全面地介绍matplotlib的核心知识，包括使用matplotlib绘制简单图表、图表辅助元素的定制、图表样式的美化、子图的绘制及坐标轴共享、坐标轴的定制、绘制3D图表和统计地图、使用matplotlib绘制高级图表；第9章介绍pyecharts的基础知识。
电子书
随着企业数字化转型不断深化，企业对数据库工程师的需求越来越大。本书结合实际工作场景，将企业数据库运维的相关工作分为10个项目，内容包括了解数据库运维工作，安装和配置MySQL，管理MySQL权限与安全，分析MySQL日志，备份与恢复MySQL，监控、测试并优化MySQL性能，MySQL复制，搭建及运维MySQLCluster，结合Redis的MySQL运维，数据库自动化运维。本书配套教学PPT、题
电子书
随着云计算、大数据等的快速发展，越来越多的组织用信息化手段进行流程管理。如何提升流程执行的智能化程度、动态性和柔性，以提高对非标准业务的管理效率，是流程管理面临的一个重要问题。本书基于流程管理系统积累的日志，提出了3种流程管理的工作流活动推荐方法，分别为基于用户类别近邻的活动推荐方法、基于Pearson相关系数的活动推荐方法和基于协同过滤的活动推荐方法，并介绍了一种流程信息的可视化算法，实现了一个
