Python数据科学：技术详解与商业实践

前言 

第1章数据科学家的武器库 

1.1数据科学的基本概念 

1.2数理统计技术 

1.2.1描述性统计分析 

1.2.2统计推断与统计建模 

1.3数据挖掘的技术与方法 

1.4描述性数据挖掘算法示例 

1.4.1聚类分析——客户细分 

1.4.2关联规则分析 

1.5预测性数据挖掘算法示例 

1.5.1决策树 

1.5.2KNN算法 

1.5.3Logistic回归 

1.5.4神经网络 

1.5.5支持向量机 

1.5.6集成学习 

1.5.7预测类模型讲解 

1.5.8预测类模型评估概述 

第2章Python概述 

2.1Python概述 

2.1.1Python简介 

2.1.2Python与数据科学 

2.1.3Python2与Python3 

2.2Anaconda Python的安装、使用 

2.2.1下载与安装 

2.2.2使用Jupyter Notebook 

2.2.3使用Spyder 

2.2.4使用conda或pip管理 

第三方库 

第3章数据科学的Python编程基础 

3.1Python的基本数据类型 

3.1.1字符串(str) 

3.1.2浮点数和整数（float、int） 

3.1.3布尔值（Bool：True/False） 

3.1.4其他 

3.2Python的基本数据结构 

3.2.1列表（list） 

3.2.2元组（tuple） 

3.2.3集合（set） 

3.2.4字典（dict） 

3.3Python的程序控制 

3.3.1三种基本的编程结构简介 

3.3.2顺承结构 

3.3.3分支结构 

3.3.4循环结构 

3.4Python的函数与模块 

3.4.1Python的函数 

3.4.2Python的模块 

3.5Pandas读取结构化数据 

3.5.1读取数据 

3.5.2写出数据 

第4章描述性统计分析与绘图 

4.1描述性统计进行数据探索 

4.1.1变量度量类型与分布类型 

4.1.2分类变量的统计量 

4.1.3连续变量的分布与集中趋势 

4.1.4连续变量的离散程度 

4.1.5数据分布的对称与高矮 

4.2制作报表与统计制图 

4.3制图的步骤 

第5章数据整合和数据清洗 

5.1数据整合 

5.1.1行列操作 

5.1.2条件查询 

5.1.3横向连接 

5.1.4纵向合并 

5.1.5排序 

5.1.6分组汇总 

5.1.7拆分、堆叠列 

5.1.8赋值与条件赋值 

5.2数据清洗 

5.2.1重复值处理 

5.2.2缺失值处理 

5.2.3噪声值处理 

5.3RFM方法在客户行为分析上的运用 

5.3.1行为特征提取的RFM方法论 

5.3.2使用RFM方法计算变量 

5.3.3数据整理与汇报 

第6章数据科学的统计推断基础 

6.1基本的统计学概念 

6.1.1总体与样本 

6.1.2统计量 

6.1.3点估计、区间估计和中心极限定理 

6.2假设检验与单样本t检验 

6.2.1假设检验 

6.2.2单样本t检验 

6.3双样本t检验 

6.4方差分析（分类变量和连续变量关系检验） 

6.4.1单因素方差分析 

6.4.2多因素方差分析 

6.5相关分析（两连续变量关系检验） 

6.5.1相关系数 

6.5.2散点矩阵图 

6.6卡方检验（二分类变量关系检验） 

6.6.1列联表 

6.6.2卡方检验 

第7章客户价值预测：线性回归模型与诊断 

7.1线性回归 

7.1.1简单线性回归 

7.1.2多元线性回归 

7.1.3多元线性回归的变量筛选 

7.2线性回归诊断 

7.2.1残差分析 

7.2.2强影响点分析 

7.2.3多重共线性分析 

7.2.4小结线性回归诊断 

7.3正则化方法 

7.3.1岭回归 

7.3.2LASSO回归 

第8章Logistic回归构建初始信用评级 

8.1Logistic回归的相关关系分析 

8.2Logistic回归模型及实现 

8.2.1Logistic回归与发生比 

8.2.2Logistic回归的基本原理 

8.2.3在Python中实现Logistic回归 

8.3Logistic回归的极大似然估计 

8.3.1极大似然估计的概念 

8.3.2Logistics回归的极大似然估计 

8.4模型评估 

8.4.1模型评估方法 

8.4.2ROC曲线的概念 

8.4.3在Python中实现ROC曲线 

第9章使用决策树进行初始信用评级 

9.1决策树概述 

9.2决策树算法 

9.2.1ID3建树算法原理 

9.2.2C4.5建树算法原理 

9.2.3CART建树算法原理 

9.2.4决策树的剪枝 

9.3在Python中实现决策树 

9.3.1建模 

9.3.2模型评估 

9.3.3决策树的可视化 

9.3.4参数搜索调优 

第10章神经网络 

10.1神经元模型 

10.2单层感知器 

10.3BP神经网络 

10.4多层感知器的scikitlearn代码实现 

第11章分类器入门：最近邻域与朴素贝叶斯 

11.1KNN算法 

11.1.1KNN算法原理 

11.1.2在Python中实现KNN算法 

11.2朴素贝叶斯分类 

11.2.1贝叶斯公式 

11.2.2朴素贝叶斯分类原理 

11.2.3朴素贝叶斯的参数估计 

11.2.4在Python中实现朴素贝叶斯 

第12章高级分类器：支持向量机 

12.1线性可分与线性不可分 

12.2线性可分支持向量机 

12.2.1函数间隔和几何间隔 

12.2.2学习策略 

12.2.3对偶方法求解 

12.2.4线性可分支持向量机例题 

12.3线性支持向量机与软间隔最大化 

12.4非线性支持向量机与核函数 

12.4.1核函数 

12.4.2非线性支持向量机的学习 

12.4.3示例与Python实现 

12.5使用支持向量机的案例 

第13章连续变量的特征选择与转换 

13.1方法概述 

13.2主成分分析 

13.2.1主成分分析简介 

13.2.2主成分分析原理 

13.2.3主成分分析的运用 

13.2.4在Python中实现主成分分析 

13.3基于主成分的冗余变量筛选 

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中实现因子分析 

第14章客户分群与聚类 

14.1聚类算法概述 

14.2聚类算法基本概念 

14.2.1变量标准化与分布形态转换 

14.2.2变量的维度分析 

14.3聚类模型的评估 

14.4层次聚类 

14.4.1层次聚类原理 

14.4.2层次聚类在Python中的实现 

14.5基于划分的聚类 

14.5.1kmeans聚类原理 

14.5.2kmeans聚类