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。
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
电子书
电子书
