《Python電商數據分析實戰》是機械工業出版社出版的圖書，作者周志鵬。
基本介紹
- 中文名：Python電商數據分析實戰
- 作者：周志鵬
- 出版時間：2023年12月1日
- 出版社：機械工業出版社
- ISBN：9787111737841
- 開本：16 開
內容簡介,圖書目錄,作者簡介,
內容簡介
這既是一本能帶領讀者零基礎快速掌握Python數據分析方法與流程的工具書，又是一本從電商出發指導讀者解決各類數據分析問題的實用指南。
首先，本書以Python數據分析中使用率極高的Pandas為切入點，注重對數據分析思維和技能的培養，詳細講解了Pandas的操作以及數據分析的方法，可覆蓋80%以上的數據分析套用場景，為數據分析師打下堅實基礎。
然後，本書以電商這個廣大讀者熟知且普適性極強的業務領域為依託，通過大量案例講解了報表自動化、行業機會挖掘、用戶分層、用戶分群、用戶偏好分析、同期群分析、指標波動歸因分析、品牌分析等8大電商場景的數據分析方法，理論與案例深度融合。
本書以實用為本，聚焦重點，Python數據分析常用的高頻功能不到Python數據分析能力的20%，本書去繁就簡，只專注於能解決大部分問題的重點模組。本書以實戰制勝，案例牽引，從表層直觀地看，這些案例能解決各種電商業務問題；從深層仔細地分析，作者的本意實則是通過對這些案例抽絲剝繭，手把手教讀者在實戰中掌握數據分析的通用思維、方法和技能。
所以，如果你是關注電商業務的數據分析師，本書針對常見電商數據分析場景給出了具體的方法和解決方案，可照搬使用；如果你是一位沒有任何數據分析基礎的小白，這本書更加適合你，不僅能快速掌握數據分析的基本思維和方法，而且能在大量案例中獲得實戰技能和經驗。
圖書目錄
第1章 Python數據分析準備 1
1.1 Python數據分析基礎 1
1.1.1 數據分析的基本概念 1
1.1.2 為什麼選擇Python 2
1.1.3 Pandas和Python的關係 2
1.2 如何高效學習Pandas 3
1.2.1 Pandas學習中的誤區 3
1.2.2 高效學習Pandas 3
1.3 Python所需的環境搭建 5
1.3.1 Python環境的選擇 5
1.3.2 Anaconda的下載和安裝 5
1.3.3 運行代碼 7
1.4 本章小結 13
第2章 Pandas快速入門 14
2.1 Pandas的兩大數據結構 14
2.1.1 初識Pandas 14
2.1.2 Series和DataFrame 15
2.2 數據讀取和存儲 17
2.2.1 Excel檔案的讀取 17
2.2.2 CSV檔案的讀取 20
2.2.3 其他檔案類型的讀取 21
2.2.4 存儲數據 22
2.3 快速認識數據 22
2.3.1 查看數據 22
2.3.2 查看數據類型 23
2.3.3 統計信息概覽 23
2.4 數據處理初體驗 24
2.4.1 增 24
2.4.2 刪 24
2.4.3 選 25
2.4.4 改 25
2.5 常用數據類型及操作 25
2.5.1 字元串 25
2.5.2 數值型 26
2.5.3 時間類型 28
2.6 本章小結 29
第3章 玩轉索引 30
3.1 索引概述 30
3.1.1 到底什麼是索引 30
3.1.2 兩種索引類型 31
3.2 基於位置（數字）的索引 31
3.2.1 場景一：行選取 32
3.2.2 場景二：列選取 32
3.2.3 場景三：行列交叉選取 33
3.3 基於名稱（標籤）的索引 33
3.3.1 基於loc的行選取 34
3.3.2 基於loc的列選取 35
3.3.3 基於loc的交叉選取 35
3.3.4 場景四：多條件索引 36
3.4 本章小結 38
第4章 數據清洗四大核心操作 39
4.1 增：拓展數據維度 39
4.1.1 縱向合併 39
4.1.2 橫向連線 41
4.2 刪：剔除噪聲數據 44
4.2.1 缺失值處理 44
4.2.2 去除重複項 47
4.3 選：基於條件選擇數據 48
4.3.1 按條件索引/篩選 48
4.3.2 排序 49
4.4 改：改變數據形態 50
4.4.1 轉置 50
4.4.2 分組 50
4.4.3 切分 52
4.5 本章小結 54
第5章 Pandas兩大進階利器 55
5.1 數據透視表 55
5.1.1 什麼是數據透視表 55
5.1.2 Pandas數據透視表簡介 55
5.1.3 Pandas數據透視表實例 56
5.2 強大又靈活的apply 58
5.2.1 apply初體驗 59
5.2.2 用apply計算最好、最差
成績 59
5.2.3 篩選每個分組下的第3名 61
5.3 本章小結 64
第6章 數據可視化 65
6.1 Matplotlib基礎知識 65
6.1.1 Matplotlib簡介 65
6.1.2 可視化的關鍵步驟 65
6.2 Matplotlib基礎操作 66
6.2.1 畫圖前的準備 66
6.2.2 創建畫布 66
6.2.3 畫圖 68
6.2.4 設定坐標軸 69
6.2.5 潤色 71
6.3 繪製常用圖形 74
6.3.1 繪製折線圖 74
6.3.2 繪製柱狀圖 75
6.3.3 繪製散點圖 76
6.3.4 繪製其他常用圖形 77
6.4 本章小結 78
第7章 走近電商：商業方法論與
分析體系 79
7.1 什麼是電商 79
7.2 三大關鍵角色 80
7.2.1 用戶 80
7.2.2 商家 80
7.2.3 平台 81
7.3 電商基礎指標 82
7.3.1 用戶相關指標 83
7.3.2 商品相關指標 83
7.4 電商分析方法論及套用 84
7.4.1 黃金公式 84
7.4.2 GROW 86
7.4.3 AIPL 88
7.4.4 抖音5A與京東4A 89
7.5 數據分析師重生之我是老闆 90
7.5.1 數據分析師和老闆 90
7.5.2 行業趨勢分析 91
7.5.3 競爭格局分析 92
7.5.4 品牌策略探究 92
7.5.5 用戶分析—探索期 93
7.5.6 用戶分析—正式期 94
7.6 本章小結 95
第8章 Python報表自動化 97
8.1 行業數據報表自動化 97
8.1.1 案例背景 97
8.1.2 單張表的處理 99
8.1.3 批量循環執行 101
8.2 報表批量處理與品牌投放
分析 102
8.2.1 新的需求背景 102
8.2.2 數據預覽 102
8.2.3 分析思路 104
8.2.4 數據處理 104
8.2.5 數據分析 105
8.3 本章小結 108
第9章 行業機會分析與權重確定 109
9.1 案例背景介紹 109
9.2 傳統的解題方法 109
9.2.1 之前的傳統思路 109
9.2.2 數據預覽和匯總 110
9.2.3 每個類目增長最快的細分
類目 111
9.3 權重確定方法 113
9.3.1 級別法 113
9.3.2 權值因子判表法 113
9.3.3 變異係數法 115
9.4 Pandas權重計算和分析 117
9.4.1 數據整合 117
9.4.2 關鍵指標計算 118
9.4.3 權重的計算 119
9.4.4 數據標準化 122
9.4.5 綜合發展指數 123
9.5 本章小結 124
第10章 用戶分層實戰 125
10.1 用戶分層的基本概念 125
10.1.1 無處不在的用戶分層 125
10.1.2 用戶分層的類型 126
10.1.3 用戶分層的特徵 126
10.1.4 為什麼要做用戶分層 127
10.1.5 分層的兩個問題 127
10.2 二八法則 128
10.2.1 二八法則在用戶分層上的
套用 128
10.2.2 數據預覽 129
10.2.3 數據清洗 131
10.2.4 二八法則下的用戶分層 134
10.3 拐點法 136
10.3.1 什麼是拐點法 136
10.3.2 拐點法在用戶分層上的
套用 136
10.3.3 基於Pandas的拐點法
分層 137
10.4 本章小結 143
第11章 用戶分群實戰與加強版
RFM模型 144
11.1 走近用戶分群 144
11.1.1 用戶分群的定義及作用 144
11.1.2 用戶分群和用戶分層的
區別 144
11.2 RFM用戶分群實戰 145
11.2.1 經典的RFM模型 145
11.2.2 第一步：數據概覽 146
11.2.3 第二步：數據處理 147
11.2.4 第三步：維度打分 149
11.2.5 第四步：分值計算 150
11.2.6 第五步：用戶分層 152
11.2.7 RFM模型結果分析 154
11.3 關於RFM模型的重要思考 156
11.3.1 RFM模型隱藏的問題 156
11.3.2 為什麼用平均金額作
為M 157
11.4 RFM模型的加強和拓展 158
11.4.1 模型加強和拓展的方向 158
11.4.2 RFM加強版實戰案例 158
11.5 本章小結 161
第12章 用戶偏好分析 162
12.1 用戶偏好分析和TGI 162
12.1.1 用戶偏好分析與TGI的
關係 162
12.1.2 TGI的定義 162
12.1.3 通過拆解指標來理解
TGI 163
12.2 用Pandas實現TGI分析 163
12.2.1 項目背景 163
12.2.2 用戶打標 165
12.2.3 匹配城市 165
12.2.4 高客單價TGI計算 166
12.2.5 TGI計算中隱藏的問題 168
12.3 本章小結 169
第13章 萬能的同期群分析 170
13.1 數據分析師必知必會的同期
群分析 170
13.1.1 同期群分析的基本概念 170
13.1.2 同期群分析的價值 171
13.1.3 同期群分析的萬能之處 171
13.2 Pandas同期群分析實戰 173
13.2.1 數據概覽 173
13.2.2 實現思路剖析 173
13.2.3 單月實現 174
13.2.4 遍歷合併和分析 176
13.2.5 回購客單價的同期群
實現 179
13.3 本章小結 181
第14章 指標波動歸因分析 182
14.1 指標波動貢獻率 182
14.1.1 什麼是貢獻率 182
14.1.2 可加型指標波動貢獻率的
計算 183
14.1.3 乘法型指標波動貢獻率的
計算 185
14.1.4 除法型指標波動貢獻率的
計算 187
14.2 Adtributor算法 193
14.2.1 Adtributor介紹 193
14.2.2 單個維度的基礎案例 194
14.2.3 多個維度的算法邏輯和
Pandas實現 196
14.3 本章小結 200
第15章 一份全面的品牌分析
報告 202
15.1 探索性數據分析簡介 202
15.1.1 常規的探索性數據分析 202
15.1.2 探索性數據分析的價值 202
15.1.3 不一樣的探索性數據
分析 203
15.2 數據預處理 203
15.2.1 數據導入 203
15.2.2 數據預覽 203
15.2.3 重複項檢驗 205
15.2.4 缺失值處理 205
15.2.5 異常值清洗 206
15.2.6 欄位格式規整 207
15.2.7 訂單狀態篩選 208
15.3 數據總覽分析 208
15.3.1 年度銷售額變化 208
15.3.2 年度用戶數和客單價
變化 209
15.4 用戶數據分析 210
15.4.1 銷售額和用戶數月度
趨勢 210
15.4.2 客單價月度趨勢 212
15.4.3 客單價細拆 213
15.4.4 新老用戶分析 214
15.4.5 復購率分析 217
15.4.6 用戶購買時間間隔 218
15.5 商品數據分析 221
15.5.1 品類銷售結構 221
15.5.2 價格帶分析 223
15.5.3 商品銷售集中度分析 226
15.6 購物籃關聯分析 228
15.6.1 什麼是購物籃關聯分析 228
15.6.2 購物籃關聯分析的三大核心
指標 229
15.6.3 購物籃關聯分析實戰 230
15.7 本章小結 238
作者簡介
周志鵬
數據分析專家，有多年數據分析從業經驗，現就職於某頭部電商品牌，擔任數據分析經理。在美妝、餐飲、寵物、保健品、母嬰等多個電商行業有豐富的數據分析經驗。負責過經營指標體系搭建、行業趨勢競爭分析、貨品策略洞察、用戶會員體系構建和落地等多個關鍵項目。
微信公眾號“數據不吹牛”主理人，原創文章全網累計閱讀量超100萬。熱愛分享，致力於將技能和實踐結合，用數據分析解決實際商業問題。
