Python商業(yè)數(shù)據(jù)分析：零售和電子商務(wù)案例詳解（雙色）

1 Python 基礎(chǔ) 1
1.1 安裝Python 環(huán)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 變量 11
1.2.4 Python 數(shù)據(jù)類型 11
1.2.5 Python 控制語句與函數(shù) 17
1.2.6 Python 自定義函數(shù) 20
2 Python 商業(yè)數(shù)據(jù)分析基礎(chǔ) 21
2.1 什么是數(shù)據(jù)分析 22
2.1.1 理解數(shù)據(jù)分析 22
2.1.2 數(shù)據(jù)分析的兩個(gè)核心思維 23
2.1.3 數(shù)據(jù)分析的方法論 23
2.2 Python 在商業(yè)分析中的價(jià)值 32
2.2.1 人生苦短，我用Python 32
2.2.2 Python 在商業(yè)分析應(yīng)用中的優(yōu)勢 33
2.3 數(shù)據(jù)采集 33
2.3.1 采集數(shù)據(jù)前的準(zhǔn)備工作 33
2.3.2 Requests 庫 40
2.4 數(shù)據(jù)庫操作及文件讀寫 48
2.4.1 MySQL 數(shù)據(jù)庫 48
2.4.2 數(shù)據(jù)庫操作 50
2.5 NumPy 數(shù)組處理 54
2.5.1 一維數(shù)組操作 54
2.5.2 多維數(shù)組操作 56
2.5.3 數(shù)組運(yùn)算 60
2.6 Pandas 數(shù)據(jù)處理 61
2.6.1 數(shù)據(jù)導(dǎo)入與導(dǎo)出 61
2.6.2 數(shù)據(jù)描述性統(tǒng)計(jì) 62
2.6.3 數(shù)據(jù)透視匯總 63
2.7 商業(yè)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(diǎn)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(shù)據(jù)理解 75
3.1.2 計(jì)算市場絕對規(guī)模 76
3.1.3 計(jì)算市場相對規(guī)模 78
3.1.4 繪制柱狀圖和餅圖 79
3.2 案例：市場趨勢分析 81
3.2.1 案例背景及數(shù)據(jù)理解 82
3.2.2 根據(jù)時(shí)間合并市場數(shù)據(jù) 83
3.2.3 補(bǔ)齊缺失月的數(shù)據(jù) 84
3.2.4 繪制趨勢圖 89
3.2.5 計(jì)算市場增量 94
3.2.6 繪制組合圖 94
3.3 案例：細(xì)分市場分析 95
3.3.1 案例背景及數(shù)據(jù)理解 96
3.3.2 類別的分布分析 96
3.3.3 識(shí)別潛力細(xì)分市場 99
3.3.4 潛力細(xì)分市場需求分析 104
3.3.5 消費(fèi)者需求分析 106
4 Python 與店鋪數(shù)據(jù)化運(yùn)營案例 115
4.1 案例：用Python 做SEO 116
4.1.1 案例背景及數(shù)據(jù)理解 116
4.1.2 關(guān)鍵詞詞根分詞與統(tǒng)計(jì) 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(shù)據(jù)理解 122
4.2.2 計(jì)算渠道投放預(yù)算的最優(yōu)解 124
4.2.3 計(jì)算品類投放預(yù)算的最優(yōu)解 126
4.2.4 計(jì)算各個(gè)品類在不同渠道的最優(yōu)解 127
4.3 案例：用Python 分析競品 131
4.3.1 案例背景及數(shù)據(jù)理解 131
4.3.2 采集數(shù)據(jù) 131
4.3.3 競品調(diào)價(jià)預(yù)警 134
5 Python 與數(shù)字營銷案例 137
5.1 案例：基于關(guān)聯(lián)規(guī)則的產(chǎn)品推薦 138
5.1.1 算法原理及案例背景 138
5.1.2 創(chuàng)建商品項(xiàng)集 141
5.1.3 建立函數(shù)挑選最小支持度項(xiàng)集 143
5.1.4 訓(xùn)練步驟項(xiàng)集函數(shù) 144
5.2 案例：基于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(fèi)者聚類 150
5.2.3 基于消費(fèi)者聚類的推薦 167
5.3 案例：基于協(xié)同過濾算法的產(chǎn)品推薦 176
5.3.1 算法原理及案例背景 176
5.3.2 數(shù)據(jù)準(zhǔn)備 178
5.3.3 推薦算法建模 179
5.4 案例：消費(fèi)者輿情分析 183
5.4.1 案例背景及數(shù)據(jù)理解 183
5.4.2 案例實(shí)現(xiàn) 183
6 Python 與銷售預(yù)測案例 187
6.1 案例：基于業(yè)務(wù)邏輯的預(yù)測算法模型 188
6.1.1 案例背景及數(shù)據(jù)理解 188
6.1.2 案例實(shí)現(xiàn) 188
6.2 案例：基于時(shí)序算法預(yù)測庫存 189
6.2.1 算法原理及案例背景 189
6.2.2 數(shù)據(jù)及時(shí)序檢查 191
6.2.3 時(shí)間序列建模 198
6.2.4 循環(huán)迭代的ARIMA 模型 203
6.3 案例：電商的庫存預(yù)測算法建模 207
6.3.1 算法原理及案例背景 208
6.3.2 準(zhǔn)備數(shù)據(jù) 209
6.3.3 計(jì)算補(bǔ)貨量 211
6.4 案例：用戶成單預(yù)測 212
6.4.1 算法原理及案例背景 212
6.4.2 數(shù)據(jù)準(zhǔn)備 215
6.4.3 數(shù)據(jù)挖掘 243
6.5 案例：用戶流失預(yù)測 246
6.5.1 算法原理及案例背景 246
6.5.2 數(shù)據(jù)準(zhǔn)備 249
6.5.3 數(shù)據(jù)挖掘 254