《Python金融數據挖掘與分析實戰》是2021年機械工業出版社出版的圖書。
基本介紹
- 中文名：Python金融數據挖掘與分析實戰
- 出版時間：2021年12月1日
- 出版社：機械工業出版社
- ISBN：9787111696506
內容簡介,圖書目錄,
內容簡介
這是一本金融數據挖掘與分析領域的實戰性著作，它能指導零Python編程基礎和零數據挖掘與分析基礎的讀者快速掌握金融數據挖掘與分析的工具、技術和方法。
讀完本書，你將會有如下3個方面的收穫：
（1）Python編程基礎和數據預處理
首先詳細講解了Python的核心語法，以及NumPy、Matplotlib、PySpark、Jupyter Notebook等Python數據處理工具的使用；然後詳細介紹了數據預處理的流程和技巧。通過深入淺出的語言和豐富的樣例展示，幫助初學者快速上手 Python，為之後的數據分析實戰夯實基礎。
（2）數據挖掘與分析的經典方法
詳細講解了經典的數據挖掘方法，包括聚類分析、回歸分析、分類分析、異常檢測、關聯分析、時間序列分析等。
（3）主要金融套用場景的數據挖掘方法
針對網路輿情的採集和熱點分析、輿情分析中的情感分析、股價趨勢預測、個人信用評分、企業信用評分、用戶畫像、目標客戶精準分析、銷售數據分析等金融行業的常見套用場景，給出了數據挖掘和分析的方法。
本書注重實戰，配有大量精心設計的案例，同時還有配套的視頻講解、代碼和數據資源，可操作性強。
圖書目錄
前 言
第1章 Python工作環境準備 1
1.1 Anaconda環境安裝 1
1.2 常用Python 互動工具 4
1.3 Jupyter Notebook簡介 6
1.4 習題 9
第2章 Python入門 10
2.1 Python基礎知識 10
2.2 Python基礎語法 11
2.3 Python變數類型 15
2.4 Python運算符 20
2.4.1 算術運算符 20
2.4.2 比較運算符 22
2.4.3 賦值運算符 23
2.4.4 按位運算符 24
2.4.5 邏輯運算符 25
2.4.6 成員運算符 26
2.4.7 身份運算符 27
2.4.8 運算符優先權 28
2.5 Python條件與循環語句 29
2.5.1 條件語句 29
2.5.2 循環語句 31
2.6 Python函式 38
2.7 Python模組 43
2.8 Python 檔案處理 46
2.9 Python異常 48
2.10 數據分析相關庫 50
2.10.1 NumPy 50
2.10.2 Matplotlib 51
2.10.3 PySpark 53
2.10.4 其他常用庫 54
2.11 習題 55
第3章 數據預處理 56
3.1 數據分析工作流程 56
3.2 數據預處理 58
3.2.1 數據集導入 59
3.2.2 數據概覽 60
3.2.3 數據清洗 61
3.2.4 類別變數轉換 66
3.2.5 數據分割 67
3.2.6 特徵縮放 68
3.3 鳥瞰機器學習 71
3.4 習題 72
第4章 數據挖掘方法 74
4.1 分類分析 74
4.1.1 決策樹 75
4.1.2 支持向量機 75
4.1.3 分類算法的選擇 76
4.2 聚類分析 76
4.2.1 K均值算法 77
4.2.2 聚類算法和分類算法的區別 78
4.3 回歸分析 78
4.3.1 變數間的關係 79
4.3.2 回歸分析算法的分類和步驟 79
4.3.3 回歸分析算法的選擇 81
4.4 關聯分析 81
4.4.1 關聯規則 82
4.4.2 關聯規則的序列模式 82
4.5 時間序列分析 83
4.5.1 時間序列分析方法和步驟 83
4.5.2 時間序列的三種預測模式 85
4.6 異常檢測 85
4.7 推薦算法 86
4.8 習題 89
第5章 網路輿情採集與熱點分析 90
5.1 網路輿情概述 90
5.1.1 大數據網路輿情背景 90
5.1.2 輿情處理過程 91
5.2 輿情數據採集 94
5.2.1 網路輿情採集工具 95
5.2.2 網路輿情數據爬取實例 100
5.3 實戰：微博熱點話題聚類 104
5.4 習題 110
第6章 輿情研判之情感分類 112
6.1 情感分析介紹 112
6.1.1 情感分析分類 112
6.1.2 情感分析文本預處理 114
6.1.3 實戰：中文文本處理練習 115
6.2 情感分類方法 118
6.2.1 基於詞典的情感分類 118
6.2.2 基於機器學習的情感分類 121
6.2.3 基於深度學習模型的情感分類 122
6.3 情感分類實戰演練 131
6.3.1 淘寶家電商品評論情感分類預測 131
6.3.2 京東客戶評論情感傾向預測 134
6.4 習題 140
第7章 用機器學習方法預測股價 142
7.1 股市數據分析價值 142
7.1.1 案例背景 142
7.1.2 案例價值 143
7.2 ARIMA模型 144
7.3 實戰：基於SVM和ARIMA的股價預測 145
7.4 習題 156
第8章 用人工智慧方法預測股價 157
8.1 神經網路預測方法 157
8.1.1 門控循環單元 158
8.1.2 VADER情感分析 158
8.2 實戰：基於LSTM和GRU的股價預測 159
8.3 實戰：股票市場新聞情感分析 165
8.4 習題 172
第9章 個人信用評分 173
9.1 個人信用評分概述 173
9.1.1 需求背景 174
9.1.2 國內外發展狀況 175
9.2 信用評分的技術與方法 176
9.2.1 信用評分的簡要歷史 176
9.2.2 信用評分的主要模型與方法 176
9.3 信用評分卡模型 180
9.3.1 模型介紹 180
9.3.2 數據分箱 180
9.3.3 WOE值 182
9.3.4 IV值 183
9.3.5 邏輯回歸算法原理 185
9.3.6 模型評價指標 186
9.3.7 建立信用評分卡 190
9.4 實戰：信用評分卡 190
9.4.1 讀取數據 191
9.4.2 數據預處理 191
9.4.3 探索性分析 197
9.4.4 模型分析 204
9.4.5 建立信用評分卡 208
9.5 習題 211
第10章 個人信用等級評估 213
10.1 概述 213
10.2 個人信用等級評估方法 215
10.2.1 決策樹 215
10.2.2 隨機森林 221
10.2.3 XGBoost簡介 224
10.2.4 多重共線性 228
10.2.5 數據重採樣 229
10.3 實戰：個人信用等級評估 232
10.3.1 導入相應包並讀取數據 232
10.3.2 查看數據情況 234
10.3.3 數據預處理及相關函式構建 241
10.3.4 模型訓練 244
10.3.5 預測並生成結果 251
10.4 習題 253
第11章 企業信用評估 255
11.1 企業信用評估概述 255
11.2 企業信用評估的技術與方法 257
11.2.1 支持向量機 257
11.2.2 樸素貝葉斯 259
11.2.3 感知機 260
11.3 實戰：企業信用評估 261
11.3.1 導入相應包並讀取數據 261
11.3.2 數據預處理 262
11.3.3 可視化各變數總體分布直方圖 264
11.3.4 建模分析預測企業違約情況 271
11.3.5 模型評估 273
11.3.6 模型預測 273
11.4 習題 274
第12章 用戶畫像 276
12.1 用戶畫像的價值 276
12.1.1 用戶畫像的定義 277
12.1.2 標籤體系 278
12.1.3 用戶畫像的意義 282
12.2 用戶畫像的構建 283
12.2.1 用戶畫像的構建步驟 283
12.2.2 創建用戶畫像的方法 287
12.2.3 豐富用戶畫像 290
12.3 實戰：電商用戶畫像構建 292
12.4 實戰：電商用戶行為分析 303
12.5 習題 321
第13章 目標客戶運營 322
13.1 目標客戶運營概述 322
13.2 目標客戶運營模型 323
13.2.1 目標客戶模型探索 323
13.2.2 目標客戶聚類算法 326
13.3 目標客戶的挖掘與分類 330
13.3.1 挖掘目標客戶 331
13.3.2 目標客戶的可視化工具 332
13.3.3 基於RFM模型的客戶分類 333
13.3.4 基於LRFMC模型的客戶分類 334
13.4 實戰：商場客戶細分管理 335
13.4.1 導入相關庫 335
13.4.2 數據可視化及分析 336
13.4.3 K均值聚類分析 342
13.5 實戰：航空公司VIP客戶體系管理 345
13.5.1 數據集說明 345
13.5.2 導入相關庫 346
13.5.3 數據分析及可視化 347
13.5.4 特徵屬性的相關性分析 354
13.5.5 屬性規約 355
13.5.6 構建聚類模型 357
13.5.7 客戶分群可視化 361
13.6 習題 363
第14章 智慧型推薦 364
14.1 精準行銷概述 364
14.1.1 傳統行銷 365
14.1.2 新時代行銷 366
14.2 智慧型推薦概述 367
14.2.1 Apriori算法 369
14.2.2 FP-Growth算法 374
14.2.3 關聯規則的套用實例 378
14.3 實戰：火鍋店推薦 379
14.3.1 導入相關庫 380
14.3.2 數據可視化及分析 381
14.3.3 特色菜推薦 386
14.3.4 K均值聚類分析 387
14.3.5 智慧型推薦器 388
14.4 實戰：基於關聯規則的數據挖掘 390
14.4.1 導入相關庫 391
14.4.2 數據可視化及分析 392
14.4.3 關聯分析—Apriori算法 398
14.5 習題 401
參考文獻 403
