Python數(shù)據(jù)科學：技術詳解與商業(yè)實踐

前言 

第1章數(shù)據(jù)科學家的武器庫 

1.1數(shù)據(jù)科學的基本概念 

1.2數(shù)理統(tǒng)計技術 

1.2.1描述性統(tǒng)計分析 

1.2.2統(tǒng)計推斷與統(tǒng)計建模 

1.3數(shù)據(jù)挖掘的技術與方法 

1.4描述性數(shù)據(jù)挖掘算法示例 

1.4.1聚類分析——客戶細分 

1.4.2關聯(lián)規(guī)則分析 

1.5預測性數(shù)據(jù)挖掘算法示例 

1.5.1決策樹 

1.5.2KNN算法 

1.5.3Logistic回歸 

1.5.4神經(jīng)網(wǎng)絡 

1.5.5支持向量機 

1.5.6集成學習 

1.5.7預測類模型講解 

1.5.8預測類模型評估概述 

第2章Python概述 

2.1Python概述 

2.1.1Python簡介 

2.1.2Python與數(shù)據(jù)科學 

2.1.3Python2與Python3 

2.2Anaconda Python的安裝、使用 

2.2.1下載與安裝 

2.2.2使用Jupyter Notebook 

2.2.3使用Spyder 

2.2.4使用conda或pip管理 

第三方庫 

第3章數(shù)據(jù)科學的Python編程基礎 

3.1Python的基本數(shù)據(jù)類型 

3.1.1字符串(str) 

3.1.2浮點數(shù)和整數(shù)（float、int） 

3.1.3布爾值（Bool：True/False） 

3.1.4其他 

3.2Python的基本數(shù)據(jù)結構 

3.2.1列表（list） 

3.2.2元組（tuple） 

3.2.3集合（set） 

3.2.4字典（dict） 

3.3Python的程序控制 

3.3.1三種基本的編程結構簡介 

3.3.2順承結構 

3.3.3分支結構 

3.3.4循環(huán)結構 

3.4Python的函數(shù)與模塊 

3.4.1Python的函數(shù) 

3.4.2Python的模塊 

3.5Pandas讀取結構化數(shù)據(jù) 

3.5.1讀取數(shù)據(jù) 

3.5.2寫出數(shù)據(jù) 

第4章描述性統(tǒng)計分析與繪圖 

4.1描述性統(tǒng)計進行數(shù)據(jù)探索 

4.1.1變量度量類型與分布類型 

4.1.2分類變量的統(tǒng)計量 

4.1.3連續(xù)變量的分布與集中趨勢 

4.1.4連續(xù)變量的離散程度 

4.1.5數(shù)據(jù)分布的對稱與高矮 

4.2制作報表與統(tǒng)計制圖 

4.3制圖的步驟 

第5章數(shù)據(jù)整合和數(shù)據(jù)清洗 

5.1數(shù)據(jù)整合 

5.1.1行列操作 

5.1.2條件查詢 

5.1.3橫向連接 

5.1.4縱向合并 

5.1.5排序 

5.1.6分組匯總 

5.1.7拆分、堆疊列 

5.1.8賦值與條件賦值 

5.2數(shù)據(jù)清洗 

5.2.1重復值處理 

5.2.2缺失值處理 

5.2.3噪聲值處理 

5.3RFM方法在客戶行為分析上的運用 

5.3.1行為特征提取的RFM方法論 

5.3.2使用RFM方法計算變量 

5.3.3數(shù)據(jù)整理與匯報 

第6章數(shù)據(jù)科學的統(tǒng)計推斷基礎 

6.1基本的統(tǒng)計學概念 

6.1.1總體與樣本 

6.1.2統(tǒng)計量 

6.1.3點估計、區(qū)間估計和中心極限定理 

6.2假設檢驗與單樣本t檢驗 

6.2.1假設檢驗 

6.2.2單樣本t檢驗 

6.3雙樣本t檢驗 

6.4方差分析（分類變量和連續(xù)變量關系檢驗） 

6.4.1單因素方差分析 

6.4.2多因素方差分析 

6.5相關分析（兩連續(xù)變量關系檢驗） 

6.5.1相關系數(shù) 

6.5.2散點矩陣圖 

6.6卡方檢驗（二分類變量關系檢驗） 

6.6.1列聯(lián)表 

6.6.2卡方檢驗 

第7章客戶價值預測：線性回歸模型與診斷 

7.1線性回歸 

7.1.1簡單線性回歸 

7.1.2多元線性回歸 

7.1.3多元線性回歸的變量篩選 

7.2線性回歸診斷 

7.2.1殘差分析 

7.2.2強影響點分析 

7.2.3多重共線性分析 

7.2.4小結線性回歸診斷 

7.3正則化方法 

7.3.1嶺回歸 

7.3.2LASSO回歸 

第8章Logistic回歸構建初始信用評級 

8.1Logistic回歸的相關關系分析 

8.2Logistic回歸模型及實現(xiàn) 

8.2.1Logistic回歸與發(fā)生比 

8.2.2Logistic回歸的基本原理 

8.2.3在Python中實現(xiàn)Logistic回歸 

8.3Logistic回歸的極大似然估計 

8.3.1極大似然估計的概念 

8.3.2Logistics回歸的極大似然估計 

8.4模型評估 

8.4.1模型評估方法 

8.4.2ROC曲線的概念 

8.4.3在Python中實現(xiàn)ROC曲線 

第9章使用決策樹進行初始信用評級 

9.1決策樹概述 

9.2決策樹算法 

9.2.1ID3建樹算法原理 

9.2.2C4.5建樹算法原理 

9.2.3CART建樹算法原理 

9.2.4決策樹的剪枝 

9.3在Python中實現(xiàn)決策樹 

9.3.1建模 

9.3.2模型評估 

9.3.3決策樹的可視化 

9.3.4參數(shù)搜索調(diào)優(yōu) 

第10章神經(jīng)網(wǎng)絡 

10.1神經(jīng)元模型 

10.2單層感知器 

10.3BP神經(jīng)網(wǎng)絡 

10.4多層感知器的scikitlearn代碼實現(xiàn) 

第11章分類器入門：最近鄰域與樸素貝葉斯 

11.1KNN算法 

11.1.1KNN算法原理 

11.1.2在Python中實現(xiàn)KNN算法 

11.2樸素貝葉斯分類 

11.2.1貝葉斯公式 

11.2.2樸素貝葉斯分類原理 

11.2.3樸素貝葉斯的參數(shù)估計 

11.2.4在Python中實現(xiàn)樸素貝葉斯 

第12章高級分類器：支持向量機 

12.1線性可分與線性不可分 

12.2線性可分支持向量機 

12.2.1函數(shù)間隔和幾何間隔 

12.2.2學習策略 

12.2.3對偶方法求解 

12.2.4線性可分支持向量機例題 

12.3線性支持向量機與軟間隔最大化 

12.4非線性支持向量機與核函數(shù) 

12.4.1核函數(shù) 

12.4.2非線性支持向量機的學習 

12.4.3示例與Python實現(xiàn) 

12.5使用支持向量機的案例 

第13章連續(xù)變量的特征選擇與轉換 

13.1方法概述 

13.2主成分分析 

13.2.1主成分分析簡介 

13.2.2主成分分析原理 

13.2.3主成分分析的運用 

13.2.4在Python中實現(xiàn)主成分分析 

13.3基于主成分的冗余變量篩選 

13.4因子分析 

13.4.1因子分析模型 

13.4.2因子分析算法 

13.4.3在Python中實現(xiàn)因子分析 

第14章客戶分群與聚類 

14.1聚類算法概述 

14.2聚類算法基本概念 

14.2.1變量標準化與分布形態(tài)轉換 

14.2.2變量的維度分析 

14.3聚類模型的評估 

14.4層次聚類 

14.4.1層次聚類原理 

14.4.2層次聚類在Python中的實現(xiàn) 

14.5基于劃分的聚類 

14.5.1kmeans聚類原理 

14.5.2kmeans聚類