封面
前折页
书名页
版权
前言
第1章 Python数据分析准备
 1.1 Python数据分析基础
  1.1.1 数据分析的基本概念
  1.1.2 为什么选择Python
  1.1.3 Pandas和Python的关系
 1.2 如何高效学习Pandas
  1.2.1 Pandas学习中的误区
  1.2.2 高效学习Pandas
 1.3 Python所需的环境搭建
  1.3.1 Python环境的选择
  1.3.2 Anaconda的下载和安装
  1.3.3 运行代码
 1.4 本章小结
第2章 Pandas快速入门
 2.1 Pandas的两大数据结构
  2.1.1 初识Pandas
  2.1.2 Series和DataFrame
 2.2 数据读取和存储
  2.2.1 Excel文件的读取
  2.2.2 CSV文件的读取
  2.2.3 其他文件类型的读取
  2.2.4 存储数据
 2.3 快速认识数据
  2.3.1 查看数据
  2.3.2 查看数据类型
  2.3.3 统计信息概览
 2.4 数据处理初体验
  2.4.1 增
  2.4.2 删
  2.4.3 选
  2.4.4 改
 2.5 常用数据类型及操作
  2.5.1 字符串
  2.5.2 数值型
  2.5.3 时间类型
 2.6 本章小结
第3章 玩转索引
 3.1 索引概述
  3.1.1 到底什么是索引
  3.1.2 两种索引类型
 3.2 基于位置（数字）的索引
  3.2.1 场景一：行选取
  3.2.2 场景二：列选取
  3.2.3 场景三：行列交叉选取
 3.3 基于名称（标签）的索引
  3.3.1 基于loc的行选取
  3.3.2 基于loc的列选取
  3.3.3 基于loc的交叉选取
  3.3.4 场景四：多条件索引
 3.4 本章小结
第4章 数据清洗四大核心操作
 4.1 增：拓展数据维度
  4.1.1 纵向合并
  4.1.2 横向连接
 4.2 删：剔除噪声数据
  4.2.1 缺失值处理
  4.2.2 去除重复项
 4.3 选：基于条件选择数据
  4.3.1 按条件索引/筛选
  4.3.2 排序
 4.4 改：改变数据形态
  4.4.1 转置
  4.4.2 分组
  4.4.3 切分
 4.5 本章小结
第5章 Pandas两大进阶利器
 5.1 数据透视表
  5.1.1 什么是数据透视表
  5.1.2 Pandas数据透视表简介
  5.1.3 Pandas数据透视表实例
 5.2 强大又灵活的apply
  5.2.1 apply初体验
  5.2.2 用apply计算最好、最差成绩
  5.2.3 筛选每个分组下的第3名
 5.3 本章小结
第6章 数据可视化
 6.1 Matplotlib基础知识
  6.1.1 Matplotlib简介
  6.1.2 可视化的关键步骤
 6.2 Matplotlib基础操作
  6.2.1 画图前的准备
  6.2.2 创建画布
  6.2.3 画图
  6.2.4 设置坐标轴
  6.2.5 润色
 6.3 绘制常用图形
  6.3.1 绘制折线图
  6.3.2 绘制柱状图
  6.3.3 绘制散点图
  6.3.4 绘制其他常用图形
 6.4 本章小结
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
  7.2.1 用户
  7.2.2 商家
  7.2.3 平台
 7.3 电商基础指标
  7.3.1 用户相关指标
  7.3.2 商品相关指标
 7.4 电商分析方法论及应用
  7.4.1 黄金公式
  7.4.2 GROW
  7.4.3 AIPL
  7.4.4 抖音5A与京东4A
 7.5 数据分析师重生之我是老板
  7.5.1 数据分析师和老板
  7.5.2 行业趋势分析
  7.5.3 竞争格局分析
  7.5.4 品牌策略探究
  7.5.5 用户分析——探索期
  7.5.6 用户分析——正式期
 7.6 本章小结
第8章 Python报表自动化
 8.1 行业数据报表自动化
  8.1.1 案例背景
  8.1.2 单张表的处理
  8.1.3 批量循环执行
 8.2 报表批量处理与品牌投放分析
  8.2.1 新的需求背景
  8.2.2 数据预览
  8.2.3 分析思路
  8.2.4 数据处理
  8.2.5 数据分析
 8.3 本章小结
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
  9.2.1 之前的传统思路
  9.2.2 数据预览和汇总
  9.2.3 每个类目增长最快的细分类目
 9.3 权重确定方法
  9.3.1 级别法
  9.3.2 权值因子判表法
  9.3.3 变异系数法
 9.4 Pandas权重计算和分析
  9.4.1 数据整合
  9.4.2 关键指标计算
  9.4.3 权重的计算
  9.4.4 数据标准化
  9.4.5 综合发展指数
 9.5 本章小结
第10章 用户分层实战
 10.1 用户分层的基本概念
  10.1.1 无处不在的用户分层
  10.1.2 用户分层的类型
  10.1.3 用户分层的特征
  10.1.4 为什么要做用户分层
  10.1.5 分层的两个问题
 10.2 二八法则
  10.2.1 二八法则在用户分层上的应用
  10.2.2 数据预览
  10.2.3 数据清洗
  10.2.4 二八法则下的用户分层
 10.3 拐点法
  10.3.1 什么是拐点法
  10.3.2 拐点法在用户分层上的应用
  10.3.3 基于Pandas的拐点法分层
 10.4 本章小结
第11章 用户分群实战与加强版RFM模型
 11.1 走近用户分群
  11.1.1 用户分群的定义及作用
  11.1.2 用户分群和用户分层的区别
 11.2 RFM用户分群实战
  11.2.1 经典的RFM模型
  11.2.2 第一步：数据概览
  11.2.3 第二步：数据处理
  11.2.4 第三步：维度打分
  11.2.5 第四步：分值计算
  11.2.6 第五步：用户分层
  11.2.7 RFM模型结果分析
 11.3 关于RFM模型的重要思考
  11.3.1 RFM模型隐藏的问题
  11.3.2 为什么用平均金额作为M
 11.4 RFM模型的加强和拓展
  11.4.1 模型加强和拓展的方向
  11.4.2 RFM加强版实战案例
 11.5 本章小结
第12章 用户偏好分析
 12.1 用户偏好分析和TGI
  12.1.1 用户偏好分析与TGI的关系
  12.1.2 TGI的定义
  12.1.3 通过拆解指标来理解TGI
 12.2 用Pandas实现TGI分析
  12.2.1 项目背景
  12.2.2 用户打标
  12.2.3 匹配城市
  12.2.4 高客单价TGI计算
  12.2.5 TGI计算中隐藏的问题
 12.3 本章小结
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
  13.1.1 同期群分析的基本概念
  13.1.2 同期群分析的价值
  13.1.3 同期群分析的万能之处
 13.2 Pandas同期群分析实战
  13.2.1 数据概览
  13.2.2 实现思路剖析
  13.2.3 单月实现
  13.2.4 遍历合并和分析
  13.2.5 回购客单价的同期群实现
 13.3 本章小结
第14章 指标波动归因分析
 14.1 指标波动贡献率
  14.1.1 什么是贡献率
  14.1.2 可加型指标波动贡献率的计算
  14.1.3 乘法型指标波动贡献率的计算
  14.1.4 除法型指标波动贡献率的计算
 14.2 Adtributor算法
  14.2.1 Adtributor介绍
  14.2.2 单个维度的基础案例
  14.2.3 多个维度的算法逻辑和Pandas实现
 14.3 本章小结
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
  15.1.1 常规的探索性数据分析
  15.1.2 探索性数据分析的价值
  15.1.3 不一样的探索性数据分析
 15.2 数据预处理
  15.2.1 数据导入
  15.2.2 数据预览
  15.2.3 重复项检验
  15.2.4 缺失值处理
  15.2.5 异常值清洗
  15.2.6 字段格式规整
  15.2.7 订单状态筛选
 15.3 数据总览分析
  15.3.1 年度销售额变化
  15.3.2 年度用户数和客单价变化
 15.4 用户数据分析
  15.4.1 销售额和用户数月度趋势
  15.4.2 客单价月度趋势
  15.4.3 客单价细拆
  15.4.4 新老用户分析
  15.4.5 复购率分析
  15.4.6 用户购买时间间隔
 15.5 商品数据分析
  15.5.1 品类销售结构
  15.5.2 价格带分析
  15.5.3 商品销售集中度分析
 15.6 购物篮关联分析
  15.6.1 什么是购物篮关联分析
  15.6.2 购物篮关联分析的三大核心指标
  15.6.3 购物篮关联分析实战
 15.7 本章小结
后折页
封底