《Python数据分析与数据化运营（第2版）》内容简介

这是一本将数据分析技术与数据使用场景深度结合的著作，从实战角度讲解了如何利用Python进行数据分析和数据化运营。
畅销书全新、大幅升级，第1版近乎100%的好评，第2版不仅将Python升级到了*新的版本，而且对具体内容进行了大幅度的补充和优化。作者是有10余年数据分析与数据化运营的大数据专家，书中对50余个数据工作流知识点、14个数据分析与挖掘主题、4个数据化运营主题、8个综合性案例进行了全面的讲解，能让数据化运营结合数据使用场景360°落地。
全书一共9章，分为两个部分： 第一部分（第1—4章）Python数据分析与挖掘，首先介绍了Python和数据化运营的基本知识，然后详细讲解了Python数据获取（结构化和非结构化）、预处理、分析和挖掘的关键技术和经验，包含10大类预处理经验、14个数据分析与挖掘主题，50余个知识点。
第二部分（第5—9章）Python数据化运营，这是本书的核心，详细讲解了会员运营、商品运营、流量运营和内容运营4大主题，以及提升数据化运营价值的方法。每个运营主题中都包含了基本知识、评估指标、应用场景、数据分析模型、数据分析小技巧、数据分析大实话以及2个综合性的应用案例。
宋天龙，大数据技术专家，触脉咨询合伙人兼副总裁，前Webtrekk中国区技术和咨询负责人（Webtrekk，德国最大的在线数据分析服务提供商）。擅长数据挖掘、建模、分析与运营，精通端到端数据价值场景设计、业务需求转换、数据结构梳理、数据建模与学习以及数据工程交付。在电子商务、零售、银行、保险等多个行业拥有丰富的数据项目工作经验，参与过集团和企业级数据体系规划、DMP与数据仓库建设、大数据产品开发、网站流量系统建设、个性化智能推荐与精准营销、企业大数据智能等。参与实施客户案例包括联合利华、Webpower、德国OTTO集团电子商务（中国）、Esprit中国、猪八戒网、顺丰优选、乐视商城、泰康人寿、酒仙网、国美在线、迪信通等。
著有多部畅销书： 《Python数据分析与数据化运营》 《网站数据挖掘与分析：系统方法与商业实践》 《企业大数据系统构建实战：技术、架构、实施与应用》

作品目录

前言
第1章：Python和数据化运营
1.1、用Python做数据化运营
1.2、数据化运营所需的Python相关工具和组件
1.3、内容延伸：Python的OCR和tensorflow
1.4、第1个用Python实现的数据化运营分析实例、销售预测
1.5、本章小结
第2章：数据化运营的数据来源
2.1、数据化运营的数据来源类型
2.2、使用Python获取运营数据
2.3、内容延伸：读取非结构化网页、文本、图像、视频、语音
2.4、本章小结
第3章：10条数据化运营不得不知道的数据预处理经验
3.1、数据清洗：缺失值、异常值和重复值的处理
3.2、将分类数据和顺序数据转换为标志变量
3.3、大数据时代的数据降维
3.4、解决样本类别分布不均衡的问题
3.5、数据化运营要抽样还是全量数据
3.6、解决运营数据的共线性问题
3.7、有关相关性分析的混沌
3.8、标准化，让运营数据落入相同的范围
3.9、离散化，对运营数据做逻辑分层
3.10、内容延伸：非结构化数据的预处理
3.11、本章小结
第4章：跳过运营数据分析和挖掘的“大坑”
4.1、聚类分析
4.2、回归分析
4.3、分类分析
4.4、关联分析
4.5、异常检测分析
4.6、时间序列分析
4.7、路径、漏斗、归因和热力图分析
4.8、其他数据分析和挖掘的忠告
4.9、内容延伸1：非结构化数据的分析与挖掘
4.10、内容延伸2：AutoML——自动化数据挖掘与机器学习
4.11、本章小结
第5章：会员数据化运营
5.1、会员数据化运营概述
5.2、会员数据化运营关键指标
5.3、会员数据化运营应用场景
5.4、会员数据化运营分析模型
5.5、会员数据化运营分析小技巧
5.6、会员数据化运营分析的“大实话”
5.7、案例：基于RFM的精细化用户管理
5.8、案例：基于嵌套Pipeline和FeatureUnion复合数据工作流的营销响应预测
5.9、本章小结
第6章：商品数据化运营
6.1、商品数据化运营概述
6.2、商品数据化运营关键指标
6.3、商品数据化运营应用场景
6.4、商品数据化运营分析模型
6.5、商品数据化运营分析小技巧
6.6、商品数据化运营分析的“大实话”
6.7、案例：基于Gradient
Boosting的自动超参数优化的销售预测
6.8、案例：基于集成算法GBDT和RandomForest的投票组合模型的异常检测
6.9、本章小结
第7章：流量数据化运营
7.1、流量数据化运营概述
7.2、八大流量分析工具
7.3、流量采集分析系统的工作机制
7.4、流量数据与企业数据的整合
7.5、流量数据化运营指标
7.6、流量数据化运营应用场景
7.7、流量数据化运营分析模型
7.8、流量数据化运营分析小技巧
7.9、流量数据化运营分析的“大实话”
7.10、案例：基于自动节点树的数据异常原因下探分析
7.11、案例：基于自动K值的KMeans广告效果聚类分析
7.12、本章小结
第8章：内容数据化运营
8.1、内容数据化运营概述
8.2、内容数据化运营指标
8.3、内容数据化运营应用场景
8.4、内容数据化运营分析模型
8.5、内容数据化运营分析小技巧
8.6、内容数据化运营分析的“大实话”
8.7、案例：基于潜在狄利克雷分配的内容主题挖掘
8.8、案例：基于多项式贝叶斯的增量学习的文本分类
8.9、本章小结
第9章：数据化运营分析的终极秘籍
9.1、撰写出彩的数据分析报告的5个建议
9.2、数据化运营支持的4种扩展方式
9.3、提升数据化运营价值度的5种途径
9.4、本章小结
附录
附录A
公开数据集
附录B
Python数据工具箱