Python數據分析與數據化運營

目錄 Contents \n
贊譽 \n
前言 \n
第1章　Python和數據化運營1 \n
1.1　用Python做數據化運營1 \n
1.1.1　Python是什么1 \n
1.1.2　數據化運營是什么2 \n
1.1.3　Python用于數據化運營5 \n
1.2　數據化運營所需的Python相關工具和組件6 \n
1.2.1　Python程序6 \n
1.2.2　Python IDE7 \n
1.2.3　Python第三方庫8 \n
1.2.4　數據庫和客戶端16 \n
1.2.5　SSH遠程客戶端18 \n
1.3　內容延伸：Python的OCR和TensorFlow18 \n
1.3.1　OCR工具：Tesseract-OCR18 \n
1.3.2　機器學習框架—TensorFlow19 \n
1.4　第一個用Python實現的數據化運營分析實例—銷售預測20 \n
1.4.1　案例概述20 \n
1.4.2　案例過程20 \n
1.4.3　案例小結28 \n
1.5　本章小結28 \n
第2章　數據化運營的數據來源31 \n
2.1　數據化運營的數據來源類型31 \n
2.1.1　數據文件31 \n
2.1.2　數據庫32 \n
2.1.3　API33 \n
2.1.4　流式數據34 \n
2.1.5　外部公開數據34 \n
2.1.6　其他35 \n
2.2　使用Python獲取運營數據35 \n
2.2.1　從文本文件讀取運營數據35 \n
2.2.2　從Excel獲取運營數據46 \n
2.2.3　從關系型數據庫MySQL讀取運營數據48 \n
2.2.4　從非關系型數據庫MongoDB讀取運營數據56 \n
2.2.5　從API獲取運營數據59 \n
2.3　內容延伸：讀取非結構化網頁、文本、圖像、視頻、語音64 \n
2.3.1　從網頁中爬取運營數據64 \n
2.3.2　讀取非結構化文本數據65 \n
2.3.3　讀取圖像數據65 \n
2.3.4　讀取視頻數據68 \n
2.3.5　讀取語音數據70 \n
2.4　本章小結75 \n
第3章　11條數據化運營不得不知道的數據預處理經驗76 \n
3.1　數據清洗：缺失值、異常值和重復值的處理76 \n
3.1.1　數據列缺失的4種處理方法76 \n
3.1.2　不要輕易拋棄異常數據78 \n
3.1.3　 數據重復就需要去重嗎79 \n
3.1.4　代碼實操：Python數據清洗81 \n
3.2　將分類數據和順序數據轉換為標志變量89 \n
3.2.1　分類數據和順序數據是什么89 \n
3.2.2　運用標志方法處理分類和順序數據90 \n
3.2.3　代碼實操：Python標志轉換90 \n
3.3　大數據時代的數據降維94 \n
3.3.1　需要數據降維的情況94 \n
3.3.2　基于特征選擇的降維94 \n
3.3.3　基于維度轉換的降維96 \n
3.3.4　代碼實操：Python數據降維97 \n
3.4　解決樣本類別分布不均衡的問題100 \n
3.4.1　哪些運營場景中容易出現樣本不均衡100 \n
3.4.2　通過過抽樣和欠抽樣解決樣本不均衡101 \n
3.4.3　通過正負樣本的懲罰權重解決樣本不均衡101 \n
3.4.4　通過組合/集成方法解決樣本不均衡102 \n
3.4.5　通過特征選擇解決樣本不均衡102 \n
3.4.6　代碼實操：Python處理樣本不均衡102 \n
3.5　如何解決運營數據源的沖突問題106 \n
3.5.1　為什么會出現多數據源的沖突107 \n
3.5.2　如何應對多數據源的沖突問題109 \n
3.6　數據化運營要抽樣還是全量數據109 \n
3.6.1　什么時候需要抽樣110 \n
3.6.2　如何進行抽樣110 \n
3.6.3　抽樣需要注意的幾個問題111 \n
3.6.4　代碼實操：Python數據抽樣113 \n
3.7　解決運營數據的共線性問題116 \n
3.7.1　如何檢驗共線性117 \n
3.7.2　解決共線性的5種常用方法117 \n
3.7.3　代碼實操：Python處理共線性問題118 \n
3.8　有關相關性分析的混沌120 \n
3.8.1　相關和因果是一回事嗎120 \n
3.8.2　相關系數低就是不相關嗎121 \n
3.8.3　代碼實操：Python相關性分析121 \n
3.9　標準化，讓運營數據落入相同的范圍122 \n
3.9.1　實現中心化和正態(tài)分布的Z-Score122 \n
3.9.2　實現歸一化的Max-Min123 \n
3.9.3　用于稀疏數據的MaxAbs123 \n
3.9.4　針對離群點的RobustScaler123 \n
3.9.5　代碼實操：Python數據標準化處理123 \n
3.10　離散化，對運營數據做邏輯分層126 \n
3.10.1　針對時間數據的離散化127 \n
3.10.2　針對多值離散數據的離散化127 \n
3.10.3　針對連續(xù)數據的離散化127 \n
3.10.4　針對連續(xù)數據的二值化128 \n
3.10.5　代碼實操：Python數據離散化處理128 \n
3.11　數據處理應該考慮哪些運營業(yè)務因素133 \n
3.11.1　考慮固定和突發(fā)運營周期133 \n
3.11.2　考慮運營需求的有效性134 \n
3.11.3　考慮交付時要貼合運營落地場景134 \n
3.11.4　不要忽視業(yè)務專家經驗135 \n
3.11.5　考慮業(yè)務需求的變動因素136 \n
3.12　內容延伸：非結構化數據的預處理137 \n
3.12.1　網頁數據解析137 \n
3.12.2　網絡用戶日志解析144 \n
3.12.3　圖像的基本預處理148 \n
3.12.4　自然語言文本預處理154 \n
3.13　本章小結157 \n
第4章　跳過運營數據分析和挖掘的“大坑”159 \n
4.1　聚類分析159 \n
4.1.1　當心數據異常對聚類結果的影響160 \n
4.1.2　超大數據量時應該放棄K均值算法160 \n
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 \n
4.1.4　高維數據上無法應用聚類嗎163 \n
4.1.5　如何選擇聚類分析算法164 \n
4.1.6　代碼實操：Python聚類分析164 \n
4.2　回歸分析172 \n
4.2.1　注意回歸自變量之間的共線性問題172 \n
4.2.2　相關系數、判定系數和回歸系數之間到底什么關系172 \n
4.2.3　判定系數是否意味著相應的因果聯系173 \n
4.2.4　注意應用回歸模型時研究自變量是否產生變化173 \n
4.2.5　如何選擇回歸分析算法174 \n
4.2.6　代碼實操：Python回歸分析174 \n
4.3　分類分析183 \n
4.3.1　防止分類模型的過擬合問題183 \n
4.3.2　使用關聯算法做分類分析183 \n
4.3.3　用分類分析來提煉規(guī)則、提取變量、處理缺失值184 \n
4.3.4