《Python商業數據分析：零售和電子商務案例詳解（雙色）》是2021年電子工業出版社出版的圖書，作者是零一。
基本介紹
- 中文名：Python商業數據分析：零售和電子商務案例詳解（雙色）
- 作者：零一
- 出版社：電子工業出版社
- 出版時間：2021年7月
- 頁數：264 頁
- 定價：79 元
- 開本：16 開
- ISBN： 9787121413810
內容簡介,圖書目錄,
內容簡介
本書以零售和電子商務為業務背景，使用Python工具解決業務場景中的數據分析需求。全書涵蓋數據採集、數據存儲、數據處理、數據分析、數據可視化和數據建模的內容。本書適合零售和電子商務運營人員以及想要從事商業數據分析工作的人員閱讀，也可以作為高校和培訓機構相關課程的教材。
圖書目錄
1 Python 基礎 1
1.1 安裝Python 環境 2
1.1.1 Python 3.6.2 安裝與配置 2
1.1.2 獲取PyCharm 4
1.1.3 獲取Anaconda 4
1.2 Python 操作入門 6
1.2.1 編寫第一段Python 代碼 6
1.2.2 Python 基本操作 9
1.2.3 Python 變數 11
1.2.4 Python 數據類型 11
1.2.5 Python 控制語句與函式 17
1.2.6 Python 自定義函式 20
2 Python 商業數據分析基礎 21
2.1 什麼是數據分析 22
2.1.1 理解數據分析 22
2.1.2 數據分析的兩個核心思維 23
2.1.3 數據分析的方法論 23
2.2 Python 在商業分析中的價值 32
2.2.1 人生苦短，我用Python 32
2.2.2 Python 在商業分析套用中的優勢 33
2.3 數據採集 33
2.3.1 採集數據前的準備工作 33
2.3.2 Requests 庫 40
2.4 資料庫操作及檔案讀寫 48
2.4.1 MySQL 資料庫 48
2.4.2 資料庫操作 50
2.5 NumPy 數組處理 54
2.5.1 一維數組操作 54
2.5.2 多維數組操作 56
2.5.3 數組運算 60
2.6 Pandas 數據處理 61
2.6.1 數據導入與導出 61
2.6.2 數據描述性統計 62
2.6.3 數據透視匯總 63
2.7 商業分析可視化 65
2.7.1 柱狀圖 66
2.7.2 餅圖 68
2.7.3 線圖 69
2.7.4 散點圖 70
3 Python 與市場分析案例 73
3.1 案例：市場大盤容量分析 75
3.1.1 案例背景及數據理解 75
3.1.2 計算市場絕對規模 76
3.1.3 計算市場相對規模 78
3.1.4 繪製柱狀圖和餅圖 79
3.2 案例：市場趨勢分析 81
3.2.1 案例背景及數據理解 82
3.2.2 根據時間合併市場數據 83
3.2.3 補齊缺失月的數據 84
3.2.4 繪製趨勢圖 89
3.2.5 計算市場增量 94
3.2.6 繪製組合圖 94
3.3 案例：細分市場分析 95
3.3.1 案例背景及數據理解 96
3.3.2 類別的分布分析 96
3.3.3 識別潛力細分市場 99
3.3.4 潛力細分市場需求分析 104
3.3.5 消費者需求分析 106
4 Python 與店鋪數據化運營案例 115
4.1 案例：用Python 做SEO 116
4.1.1 案例背景及數據理解 116
4.1.2 關鍵字詞根分詞與統計 117
4.1.3 可視化圖形 118
4.2 案例：用Python 做推廣方案 122
4.2.1 案例背景及數據理解 122
4.2.2 計算渠道投放預算的最優解 124
4.2.3 計算品類投放預算的最優解 126
4.2.4 計算各個品類在不同渠道的最優解 127
4.3 案例：用Python 分析競品 131
4.3.1 案例背景及數據理解 131
4.3.2 採集數據 131
4.3.3 競品調價預警 134
5 Python 與數字行銷案例 137
5.1 案例：基於關聯規則的產品推薦 138
5.1.1 算法原理及案例背景 138
5.1.2 創建商品項集 141
5.1.3 建立函式挑選最小支持度項集 143
5.1.4 訓練步驟項集函式 144
5.2 案例：基於聚類算法的商品推薦 147
5.2.1 算法原理及案例背景 147
5.2.2 消費者聚類 150
5.2.3 基於消費者聚類的推薦 167
5.3 案例：基於協同過濾算法的產品推薦 176
5.3.1 算法原理及案例背景 176
5.3.2 數據準備 178
5.3.3 推薦算法建模 179
5.4 案例：消費者輿情分析 183
5.4.1 案例背景及數據理解 183
5.4.2 案例實現 183
6 Python 與銷售預測案例 187
6.1 案例：基於業務邏輯的預測算法模型 188
6.1.1 案例背景及數據理解 188
6.1.2 案例實現 188
6.2 案例：基於時序算法預測庫存 189
6.2.1 算法原理及案例背景 189
6.2.2 數據及時序檢查 191
6.2.3 時間序列建模 198
6.2.4 循環疊代的ARIMA 模型 203
6.3 案例：電商的庫存預測算法建模 207
6.3.1 算法原理及案例背景 208
6.3.2 準備數據 209
6.3.3 計算補貨量 211
6.4 案例：用戶成單預測 212
6.4.1 算法原理及案例背景 212
6.4.2 數據準備 215
6.4.3 數據挖掘 243
6.5 案例：用戶流失預測 246
6.5.1 算法原理及案例背景 246
6.5.2 數據準備 249
6.5.3 數據挖掘 254
