作品简介

这既是一本能带领读者零基础快速掌握Python数据分析方法与流程的工具书,又是一本从电商出发指导读者解决各类数据分析问题的实用指南。首先,本书以Python数据分析中使用率极高的Pandas为切入点,注重对数据分析思维和技能的培养,详细讲解了Pandas的操作以及数据分析的方法,可覆盖80%以上的数据分析应用场景,为数据分析师打下坚实基础。然后,本书以电商这个广大读者熟知且普适性极强的业务领域为依托,通过大量案例讲解了报表自动化、行业机会挖掘、用户分层、用户分群、用户偏好分析、同期群分析、指标波动归因分析、品牌分析等8大电商场景的数据分析方法,理论与案例深度融合。

本书以实用为本,聚焦重点,Python数据分析常用的高频功能不到Python数据分析能力的20%,本书去繁就简,只专注于能解决大部分问题的重点模块。本书以实战制胜,案例牵引,从表层直观地看,这些案例能解决各种电商业务问题;从深层仔细地分析,作者的本意实则是通过对这些案例抽丝剥茧,手把手教读者在实战中掌握数据分析的通用思维、方法和技能。所以,如果你是关注电商业务的数据分析师,本书针对常见电商数据分析场景给出了具体的方法和解决方案,可照搬使用;如果你是一位没有任何数据分析基础的小白,这本书更加适合你,不仅能快速掌握数据分析的基本思维和方法,而且能在大量案例中获得实战技能和经验。

作品目录

  • Preface 前言
  • Chapter 1 第1章Python数据分析准备
  • 1.1 Python数据分析基础
  • 1.2 如何高效学习Pandas
  • 1.3 Python所需的环境搭建
  • 1.4 本章小结
  • Chapter 2 第2章Pandas快速入门
  • 2.1 Pandas的两大数据结构
  • 2.2 数据读取和存储
  • 2.3 快速认识数据
  • 2.4 数据处理初体验
  • 2.5 常用数据类型及操作
  • 2.6 本章小结
  • Chapter 3 第3章玩转索引
  • 3.1 索引概述
  • 3.2 基于位置(数字)的索引
  • 3.3 基于名称(标签)的索引
  • 3.4 本章小结
  • Chapter 4 第4章数据清洗四大核心操作
  • 4.1 增:拓展数据维度
  • 4.2 删:剔除噪声数据
  • 4.3 选:基于条件选择数据
  • 4.4 改:改变数据形态
  • 4.5 本章小结
  • Chapter 5 第5章Pandas两大进阶利器
  • 5.1 数据透视表
  • 5.2 强大又灵活的apply
  • 5.3 本章小结
  • Chapter 6 第6章数据可视化
  • 6.1 Matplotlib基础知识
  • 6.2 Matplotlib基础操作
  • 6.3 绘制常用图形
  • 6.4 本章小结
  • Chapter 7 第7章走近电商:商业方法论与分析体系
  • 7.1 什么是电商
  • 7.2 三大关键角色
  • 7.3 电商基础指标
  • 7.4 电商分析方法论及应用
  • 7.5 数据分析师重生之我是老板
  • 7.6 本章小结
  • Chapter 8 第8章Python报表自动化
  • 8.1 行业数据报表自动化
  • 8.2 报表批量处理与品牌投放分析
  • 8.3 本章小结
  • Chapter 9 第9章行业机会分析与权重确定
  • 9.1 案例背景介绍
  • 9.2 传统的解题方法
  • 9.3 权重确定方法
  • 9.4 Pandas权重计算和分析
  • 9.5 本章小结
  • Chapter 10 第10章用户分层实战
  • 10.1 用户分层的基本概念
  • 10.2 二八法则
  • 10.3 拐点法
  • 10.4 本章小结
  • Chapter 11 第11章用户分群实战与加强版RFM模型
  • 11.1 走近用户分群
  • 11.2 RFM用户分群实战
  • 11.3 关于RFM模型的重要思考
  • 11.4 RFM模型的加强和拓展
  • 11.5 本章小结
  • Chapter 12 第12章用户偏好分析
  • 12.1 用户偏好分析和TGI
  • 12.2 用Pandas实现TGI分析
  • 12.3 本章小结
  • Chapter 13 第13章万能的同期群分析
  • 13.1 数据分析师必知必会的同期群分析
  • 13.2 Pandas同期群分析实战
  • 13.3 本章小结
  • Chapter 14 第14章指标波动归因分析
  • 14.1 指标波动贡献率
  • 14.2 Adtributor算法
  • 14.3 本章小结
  • Chapter 15 第15章一份全面的品牌分析报告
  • 15.1 探索性数据分析简介
  • 15.2 数据预处理
  • 15.3 数据总览分析
  • 15.4 用户数据分析
  • 15.5 商品数据分析
  • 15.6 购物篮关联分析
  • 15.7 本章小结
展开全部