Python 商務數據分析與實戰

本書以Python數據分析常用技術與真實案例相結合的方式，深入淺出地介紹Python商務數據分析應用的重要內容。本書共10章，第1章介紹商務數據分析的基本概念、流程、應用場景，以及常用數據分析工具；第2章介紹Python的環境配置，以及Python使用入門等；第3章介紹數據獲取，包括常見的數據來源、數據類型、數據讀取方式，以及常用Python數據格式轉換與讀/寫函數；第4章介紹探索性分析，包括描述性統計分析和可視化分析，以及常用Python探索性分析函數；第5章介紹數據預處理中的各個步驟，包括數據清洗、數據合並和數據變換，以及它們各自對應的Python函數；第6章介紹各類模型的構建與評價方法，包括分類與回歸、聚類分析、關聯規則、時序模式和智能推薦；第7～9章分別介紹O2O優惠券個性化投放、零售商品購物籃分析、餐飲企業綜合分析等案例；第10章介紹使用TipDM數據挖掘建模平臺實現餐飲企業綜合分析案例。第2～6章包含選擇題和操作題，第7～10章包含操作題，通過練習和操作實踐，讀者可以鞏固所學內容。

本書可作為高校數據科學或商務數據分析相關專業的教材，也可作為數據分析愛好者的自學用書。

何伟，男，中共党员，1982年出生，工学博士，副教授，硕士生导师，闽都学者拔尖人才，香港理工访问学者，入选福建省高校杰出青年科研人才培育计划。

主要研究领域：智能系统与信息融合、船海装备与新能源。近三年，承担了《系统工程》、《大数据分析与应用》《智能交通系统创新》、《物流技术与设备》等课程教学任务，先后在国内外发表学术论文30余篇，其中SCI、EI等检索收录论文20余篇；主持和参与国家自然科学基金、省自然科学基金项目等省部级以上项目十余项；获得福建省教学成果特等奖、福建省科技进步二等奖、中国航海学会科学技术一等奖等多项省部级奖项。现兼任福建省创新创业创造教育指导委员会委员，中国智能交通协会水路交通专业委员会委员，福建省船舶与海洋工程学会委员。

张良均 高级信息系统项目管理师，泰迪杯全国大学生数据挖掘竞赛（www.tipdm.org）的发起人。华南师范大学、广东工业大学兼职教授，广东省工业与应用数学学会理事。兼有大型高科技企业和高校的工作经历，主要从事大数据挖掘及其应用的策划、研发及咨询培训。全国计算机技术与软件专业技术资格（水平）考试继续教育和CDA数据分析师培训讲师。发表数据挖掘相关论文数二十余篇，已取得国家发明专利12项，主编图书《神经网络实用教程》、《数据挖掘:实用案例分析》、《MATLAB数据分析与挖掘实战》等9本畅销图书，主持并完成科技项目9项。获得SAS、SPSS数据挖掘认证及Hadoop开发工程师证书，具有电力、电信、银行、制造企业、电子商务和电子政务的项目经验和行业背景。

张良均

资深大数据专家，广东泰迪智能科技股份有限公司董事长，国家科技部入库技术专家，教育部全国专业学位水平评估专家，工信部教育与考试中心入库专家，中国工业与应用数学学会理事，广东省工业与应用数学学会副理事长，广东省高等职业教育教学指导委员会委员，华南师范大学、中南财经政法大学等40余所高校校外硕导或兼职教授，泰迪杯全国数据挖掘挑战赛发起人。

曾在国内外重要学术刊物上发表学术论文10余篇，主导编写图书专著60余部，其中获普通高等教育“十一五”规划教材一部，“十三五”职业教育国家规划教材一部；参与标准建设4项，主持国家级课题1项、省部级课题4项。获得SAS、SPSS数据挖掘认证及Hadoop开发工程师证书，具有信访、电力、电信、银行、制造企业、电子商务和电子政务的项目经验和行业背景，并荣获中国产学研合作促进奖、中国南方电网公司发明专利一等奖、广东省农业技术推广二等奖、广州市荔湾区科学技术进步奖。

第 1章 商務數據分析概述　1

1.1　商務數據分析的基本概念　1

1.2　數據分析流程　2

1.2.1　需求分析　3

1.2.2　數據獲取　3

1.2.3　探索性分析　3

1.2.4　數據預處理　3

1.2.5　構建模型　3

1.2.6　模型評價　4

1.2.7　應用　4

1.3　商務數據分析應用場景　4

1.4　數據分析工具　6

1.4.1　常用的數據分析工具　6

1.4.2　Python數據分析的優勢　7

1.4.3　Python數據分析常用庫　7

小結　9

課後習題　9

第　2章 Python數據分析簡介　10

2.1　Python數據分析環境　10

2.1.1　Python的Anaconda發行版　10

2.1.2　Anaconda安裝　11

2.2　Python使用入門　15

2.2.1　運行方式　16

2.2.2　基本命令　17

2.2.3　庫的導入與添加　19

小結　20

課後習題　21

第3章　數據獲取　22

3.1　常見的數據來源　22

3.2　數據類型　23

3.3　數據讀取方式　24

3.3.1　數據庫連接　24

3.3.2　文件讀取　25

3.4　常用的Python數據格式轉換與讀/寫函數　27

3.4.1　常用的Python數據格式轉換函數　27

3.4.2　常用的Python數據讀/寫函數　28

小結　31

課後習題　31

第4章　探索性分析　33

4.1　描述性統計分析　33

4.1.1　集中趨勢統計指標　33

4.1.2　離散程度統計指標　34

4.2　可視化分析　36

4.2.1　散點圖　36

4.2.2　折線圖　37

4.2.3　柱形圖　40

4.2.4　餅圖　41

4.2.5　箱線圖　42

4.2.6　熱力圖　44

4.3　常用的Python探索性分析函數　48

4.3.1　常用的Python基本統計分析函數　48

4.3.2　常用的Python作圖函數　48

小結　52

課後習題　53

第5章　數據預處理　54

5.1　數據清洗　54

5.1.1　缺失值處理　55

5.1.2　異常值處理　58

5.2　數據合並　61

5.2.1　多表合並　62

5.2.2　分組聚合　69

5.3　數據變換　76

5.3.1　函數變換　77

5.3.2　數據標準化　77

5.3.3　連續屬性離散化　79

5.3.4　屬性構造　82

5.4　Python的主要數據預處理函數　83

小結　85

課後習題　85

第6章　構建模型　87

6.1　分類與回歸　87

6.1.1　實現過程　88

6.1.2　常用的分類與回歸算法　89

6.1.3　回歸分析　89

6.1.4　決策樹　93

6.1.5　人工神經網絡　99

6.1.6　分類與回歸算法評價　105

6.1.7　常用的Python分類與回歸算法　109

6.2　聚類分析　109

6.2.1　常用的聚類分析算法　110

6.2.2　K-Means算法　111

6.2.3　聚類分析算法評價　116

6.2.4　常用的Python聚類分析算法　118

6.3　關聯規則　120

6.3.1　常用的關聯規則算法　120

6.3.2　Apriori算法實現　121

6.4　時序模式　126

6.4.1　時間序列分析方法與模型　126

6.4.2　時間序列的預處理　127

6.4.3　平穩時間序列分析　129

6.4.4　非平穩時間序列分析　132

6.4.5　常用的Python時序模式算法　139

6.5　智能推薦　141

6.5.1　常見的智能推薦算法　142

6.5.2　智能推薦算法評價　143

6.5.3　Python智能推薦算法　145

小結　153

課後習題　153

第7章　O2O優惠券個性化投放　155

7.1　業務背景與項目目標　155

7.2　分析方法與過程　156

7.2.1　數據獲取　157

7.2.2　探索性分析　158

7.2.3　數據預處理　166

7.2.4　構建模型　171

7.2.5　模型評價　174

7.2.6　應用　176

小結　177

課後習題　177

第8章　零售商品購物籃分析　178

8.1　業務背景與項目目標　178

8.2　分析方法與過程　179

8.2.1　數據獲取　179

8.2.2　探索性分析　180

8.2.3　數據預處理　186

8.2.4　構建模型　187

8.2.5　模型評價　189

8.2.6　應用　189

小結　189

課後習題　190

第9章　餐飲企業綜合分析　191

9.1　業務背景與項目目標　191

9.2　分析方法與過程　193

9.2.1　數據獲取　193

9.2.2　探索性分析　196

9.2.3　數據預處理　201

9.2.4　構建模型　203

9.2.5　模型評價　225

9.2.6　應用　231

小結　231

課後習題　231

第　10章 基於TipDM數據挖掘建模平臺進行餐飲企業綜合分析　232

10.1　平臺簡介　232

10.1.1　首頁　233

10.1.2　數據源　234

10.1.3　工程　235

10.1.4　系統組件　236

10.1.5　TipDM數據挖掘建模平臺的本地化部署　237

10.2　快速構建餐飲企業綜合分析工程　239

10.2.1　數據獲取　240

10.2.2　數據預處理　243

10.2.3　探索性分析　244

10.2.4　構建模型　247

小結　251

課後習題　251

參考文獻　252