Python数据分析

目录




上篇Pandas数据分析基础

第1章数据分析初探

1.1“数据+”时代的到来

1.2什么是数据分析

1.2.1数据分析的目标

1.2.2数据分析分类

1.2.3典型的数据分析方法

1.3数据分析的基本流程

1.3.1问题定义

1.3.2收集数据

1.3.3数据处理

1.3.4数据分析

1.3.5结果解读与应用

1.4硝烟中的数据分析

1.4.1数据分析的产生

1.4.2验证问题

1.4.3寻找原因

1.4.4数据怎么说

1.4.5数据分析中应该避免的典型问题

第2章搭建数据科学开发环境

2.1为什么选择Python

2.1.1人生苦短，我用Python

2.1.2为何Python是数据科学家的最佳选择

2.2Python数据科学开发栈

2.2.1Cython

2.2.2NumPy

2.2.3IPython

2.2.4Jupyter

2.2.5SciPy

2.2.6Matplotlib

2.2.7Pandas

2.2.8Scikitlearn


2.2.9NetworkX


2.2.10PyMC3

2.2.11数据科学领域中最新的一些Python包

2.3Anaconda的安装与使用

2.3.1安装Anaconda

2.3.2利用Conda管理Python环境

2.3.3利用Conda管理Python包

2.3.4安装本书所需的包

2.4使用Jupyter Notebook进行可重复数据分析

2.4.1Jupyter Notebook的配置

2.4.2Jupyter Notebook中的单元格

2.4.3Jupyter Notebook中的命令模式与编辑模式键

2.4.4使用Jupyter Notebook进行数据分析





第3章Pandas基础

3.1什么是DataFrame

3.1.1DataFrame的基本要素

3.1.2数据类型

3.1.3了解Series

3.1.4链式方法

3.2索引与列

3.2.1修改索引与列

3.2.2添加、修改或删除列

3.3选择多列

第4章数据筛选

4.1使用.loc和.iloc筛选行与列数据

4.1.1选择Series和DataFrame中的行

4.1.2同时选择行与列

4.2布尔选择

4.2.1计算布尔值

4.2.2多条件筛选数据

第5章开始利用Pandas进行数据分析

5.1了解元数据

5.2数据类型转换

5.3缺失数据与异常数据处理

5.3.1缺失值与重复值

5.3.2处理缺失数据

5.3.3NumPy与Pandas对缺失数据的不同处理方式

5.3.4填充缺失值

5.4处理重复数据

5.5异常值

5.6描述性统计


第6章数据整理

6.1什么是数据整理

6.1.1数据的语义

6.1.2整齐的数据


6.2数据整理实战

6.2.1列标题是值，而非变量名

6.2.2多个变量存储在一列中

6.2.3变量既在列中存储，又在行中存储

6.2.4多个观测单元存储在同一表中

6.2.5一个观测单元存储在多个表中

6.2.6思考

第7章分组统计

7.1分组、应用和聚合

7.2Pandas中的GroupBy操作

7.2.1单列数据分组统计

7.2.2多列数据分组统计

7.2.3使用自定义函数进行分组统计

7.2.4数据过滤与变换

第8章数据整合

8.1数据读入

8.1.1基本数据读入方法

8.1.2文件读取进阶

8.1.3读取其他格式文件

8.2数据合并

8.2.1认识merge操作

8.2.2merge进阶

8.2.3join与concat

第9章数据可视化

9.1Matplotlib

9.1.1绘制第一个散点图

9.1.2理解figure与axes

9.1.3Matplotlib中面向对象与类Matlab语法的区别

9.1.4修改坐标轴属性

9.1.5修改图形属性

9.1.6定制图例，添加标注

9.1.7子图

9.1.8利用Matplotlib绘制各种图形

9.2Pandas绘图

9.2.1Pandas基础绘图

9.2.2整合Pandas绘图与Matplotlib绘图

9.3Seaborn

9.3.1Seaborn中的样式

9.3.2Seaborn绘制统计图形

9.4可视化进阶

9.4.1其他可视化工具

9.4.2推荐读物

第10章探索性数据分析——某电商销售数据分析

10.1数据清洗

10.1.1分析准备

10.1.2了解数据

10.2数据清洗与整理

10.2.1数据类型转换与错误数据删除

10.2.2添加新数据

10.3探索性数据分析

10.3.1客户分析

10.3.2订单趋势分析

10.3.3客户国家分析

10.3.4留给读者的问题

下篇Python数据分析实战

第11章群组分析

11.1群组分析概述

11.1.1从AARRR到RARRA的转变

11.1.2什么是群组分析

11.2群组分析实战

11.2.1定义群组以及周期

11.2.2群组分析具体过程

11.2.3思考

第12章利用RFM分析对用户进行分类

12.1RFM分析简介

12.1.1RFM模型概述

12.1.2理解RFM

12.2RFM实战

12.2.1R、F、M值的计算

12.2.2利用RFM模型对客户进行细分

12.2.3思考

第13章购物篮分析

13.1购物篮分析概述

13.1.1什么是购物篮分析

13.1.2购物篮分析在超市中的应用

13.1.3购物篮分析实现

13.2购物篮分析案例

13.2.1Mlxtend库中Apriori算法使用介绍

13.2.2在线销售数据购物篮分析

13.3留给读者的思考

第14章概率分布

14.1随机数

14.2常见的概率分布


14.2.1均匀分布

14.2.2正态分布

14.2.3二项分布

14.2.4泊松分布

14.2.5几何分布与指数分布

14.3点估计与置信区间

14.3.1点估计

14.3.2抽样分布与中心极限定理

14.3.3置信区间

14.4留给读者的思考

第15章假设检验

15.1假设检验概述

15.1.1初识假设检验

15.1.2假设检验的步骤

15.1.3假设检验中的Ⅰ类错误与Ⅱ类错误

15.2Python中的假设检验

15.2.1单样本ttest

15.2.2双样本ttest

15.2.3配对ttest

15.2.4卡方检验

15.3留给读者的思考

第16章一名数据分析师的游戏上线之旅

16.1游戏启动时间是否超过目标

16.1.1启动时间是否超过3秒

16.1.2构造启动时间监测图

16.2次日留存率是否大于30%

16.3应该在游戏第几关加入关联微信提示

16.3.1A/B测试

16.3.2贝叶斯解决方案

16.4如何定价

16.5留给读者的思考

第17章利用数据分析找工作

17.1设定分析目标

17.1.1问题定义

17.1.2获取数据

17.2准备分析数据

17.2.1数据准备

17.2.2数据清洗

17.3开始数据分析

17.3.1职位来自哪里

17.3.2职位薪酬如何

17.3.3岗位要求

17.3.4思考

第18章用数据解读成都房价

18.1设定分析目标

18.1.1问题定义

18.1.2获取数据

18.2解读成都二手房

18.2.1数据准备

18.2.2列名调整

18.2.3数据类型转换

18.2.4数据解读

18.2.5思考

第19章时间序列分析

19.1认识时间序列数据

19.1.1读入时间序列数据

19.1.2时间序列数据的可视化

19.2时间序列数据的分解

19.2.1认识时间序列数据中的模式

19.2.2Python中进行时间序列数据的分解

19.3时间序列的平稳性

19.3.1认识平稳与非平稳时间序列

19.3.2如何让时间序列平稳

19.4利用ARIMA模型分析家具销售

19.4.1ARIMA模型简介

19.4.2数据准备

19.4.3ARIMA模型中的参数

19.5留给读者的思考

第20章股票数据分析

20.1股票收益分析

20.1.1获取股票数据

20.1.2计算每日收益

20.1.3多只股票收益比较

20.1.4股价相关性分析

20.2CAPM资产定价模型选股

20.2.1CAPM公式

20.2.2在Python中实现CAPM

20.3留给读者的思考

第21章大规模数据处理

21.1不同规模数据处理工具的选择

21.2利用Pandas处理大规模数据

21.2.1文件分块读入

21.2.2使用数据库

21.2.3使用DASK

21.3其他可选方法

21.4留给读者的思考