Python 商業數據分析:零售和電子商務案例詳解

零一

  • 出版商: 電子工業
  • 出版日期: 2021-07-01
  • 售價: $474
  • 貴賓價: 9.5$450
  • 語言: 簡體中文
  • 頁數: 264
  • 裝訂: 平裝
  • ISBN: 7121413817
  • ISBN-13: 9787121413810
  • 相關分類: 資料科學電子商務 E-commerce
  • 立即出貨 (庫存 < 3)

買這商品的人也買了...

商品描述

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數據分析需求。全書涵蓋數據採集、數據存儲、數據處理、數據分析、數據可視化和數據建模的內容。本書適合零售和電子商務運營人員以及想要從事商業數據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。

作者簡介

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數據爬蟲、清洗及可視化實戰》《淘寶、天貓電商數據分析與挖掘實戰》。

目錄大綱

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 變量11
1.2.4 Python 數據類型11
1.2.5 Python 控制語句與函數17
1.2.6 Python 自定義函數20

2 Python 商業數據分析基礎21
2.1 什麼是數據分析22
2.1.1 理解數據分析22
2.1.2 數據分析的兩個核心思維23
2.1.3 數據分析的方法論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 數據採集33
2.3.1 採集數據前的準備工作33
2.3.2 Requests 庫40
2.4 數據庫操作及文件讀寫48
2.4.1 MySQL 數據庫48
2.4.2 數據庫操作50
2.5 NumPy 數組處理54
2.5.1 一維數組操作54
2.5.2 多維數組操作56
2.5.3 數組運算60
2.6 Pandas 數據處理61
2.6.1 數據導入與導出61
2.6.2 數據描述性統計62
2.6.3 數據透視匯總63
2.7 商業分析可視化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 案例背景及數據理解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 繪製柱狀圖和餅圖79
3.2 案例:市場趨勢分析81
3.2.1 案例背景及數據理解82
3.2.2 根據時間合併市場數據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 案例背景及數據理解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 案例背景及數據理解116
4.1.2 關鍵詞詞根分詞與統計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 案例背景及數據理解122
4.2.2 計算渠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渠道的最優解127
4.3 案例:用Python 分析競品131
4.3.1 案例背景及數據理解131
4.3.2 採集數據131
4.3.3 競品調價預警134

5 Python 與數字營銷案例137
5.1 案例:基於關聯規則的產品推薦138
5.1.1 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持度項集143
5.1.4 訓練步驟項集函數144
5.2 案例:基於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:基於協同過濾算法的產品推薦176
5.3.1 算法原理及案例背景176
5.3.2 數據準備178
5.3.3 推薦算法建模179
5.4 案例:消費者輿情分析183
5.4.1 案例背景及數據理解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算法模型188
6.1.1 案例背景及數據理解188
6.1.2 案例實現188
6.2 案例:基於時序算法預測庫存189
6.2.1 算法原理及案例背景189
6.2.2 數據及時序檢查191
6.2.3 時間序列建模198
6.2.4 循環迭代的ARIMA 模型203
6.3 案例:電商的庫存預測算法建模207
6.3.1 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 算法原理及案例背景212
6.4.2 數據準備215
6.4.3 數據挖掘243
6.5 案例:用戶流失預測246
6.5.1 算法原理及案例背景246
6.5.2 數據準備249
6.5.3 數據挖掘254