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資料分析需求。全書涵蓋資料獲取、資料存儲、資料處理、資料分析、資料視覺化和資料建模的內容。

本書適合零售和電子商務運營人員以及想要從事商業資料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。

作者介紹

零一，原名陳海城。杭州沐垚科技有限公司總經理，具有11年電商數據分析從業經驗。代表作品有《Python資料爬蟲、清洗及視覺化實戰》《淘寶、天貓電商數據分析與挖掘實戰》。

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 資料類型 11
1.2.5 Python 控制語句與函數 17
1.2.6 Python 自訂函數 20

2 Python 商業資料分析基礎 21
2.1 什麼是資料分析 22
2.1.1 理解資料分析 22
2.1.2 資料分析的兩個核心思維 23
2.1.3 資料分析的方法論 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 在商業分析應用中的優勢 33
2.3 資料獲取 33
2.3.1 採集資料前的準備工作 33
2.3.2 Requests 庫 40
2.4 資料庫操作及檔讀寫 48
2.4.1 MySQL 資料庫 48
2.4.2 資料庫操作 50
2.5 NumPy 陣列處理 54
2.5.1 一維陣列操作 54
2.5.2 多維陣列操作 56
2.5.3 陣列運算 60
2.6 Pandas 資料處理 61
2.6.1 數據導入與匯出 61
2.6.2 資料描述性統計 62
2.6.3 資料透視匯總 63
2.7 商業分析視覺化 65
2.7.1 柱狀圖 66
2.7.2 圓形圖 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 案例背景及資料理解 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 繪製柱狀圖和圓形圖 79
3.2 案例：市場趨勢分析 81
3.2.1 案例背景及資料理解 82
3.2.2 根據時間合併市場資料 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 案例背景及資料理解 96
3.3.2 類別的分佈分析 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 案例背景及資料理解 116
4.1.2 關鍵字詞根分詞與統計 117
4.1.3 視覺化圖形 118
4.2 案例：用Python 做推廣方案 122
4.2.1 案例背景及資料理解 122
4.2.2 計算管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管道的最優解 127
4.3 案例：用Python 分析競品 131
4.3.1 案例背景及資料理解 131
4.3.2 採集資料 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 演算法原理及案例背景 138
5.1.2 創建商品項集 141
5.1.3 建立函數挑選最小支援度項集 143
5.1.4 訓練步驟項集函數 144
5.2 案例：基於聚類演算法的商品推薦 147
5.2.1 演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：基於協同過濾演算法的產品推薦 176
5.3.1 演算法原理及案例背景 176
5.3.2 數據準備 178
5.3.3 推薦演算法建模 179
5.4 案例：消費者輿情分析 183
5.4.1 案例背景及資料理解 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演算法模型 188
6.1.1 案例背景及資料理解 188
6.1.2 案例實現 188
6.2 案例：基於時序演算法預測庫存 189
6.2.1 演算法原理及案例背景 189
6.2.2 資料及時序檢查 191
6.2.3 時間序列建模 198
6.2.4 迴圈反覆運算的ARIMA 模型 203
6.3 案例：電商的庫存預測演算法建模 207
6.3.1 演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 演算法原理及案例背景 212
6.4.2 數據準備 215
6.4.3 資料採擷 243
6.5 案例：用戶流失預測 246
6.5.1 演算法原理及案例背景 246
6.5.2 數據準備 249
6.5.3 資料採擷 254

看更多