Python广告数据挖掘与分析实战

前言

第1章　Python安装方法1

1.1　Python介绍1

1.2　Anaconda安装2

1.3　PyCharm安装及环境配置9

1.4　为什么建议使用Python17

1.5　本章小结18

第2章　认识广告数据分析19

2.1　广告数据概述19

2.2　广告数据分布20

2.3　异常值诊断24

2.4　数据相关性26

2.5　显著性检验27

2.6　本章小结27

第3章　Python广告数据分析常用工具包29

3.1　数据基础运算工具：NumPy29

3.2　数据预处理工具：Pandas46

3.3　数据可视化分析工具：Matplotlib63

3.4　本章小结74

第4章　模型常用评价指标75

4.1　回归模型常用评价指标75

4.2　分类模型常用评价指标77

4.3　本章小结87

第5章　利用Python建立广告分类模型88

5.1　逻辑回归88

5.2　决策树92

5.3　KNN98

5.4　SVM101

5.5　神经网络110

5.6　本章小结118

第6章　利用Python建立广告集成模型119

6.1　随机森林119

6.2　GBDT124

6.3　XGBoost128

6.5　LR+GBDT137

6.6　FM142

6.6.1　FM的原理142

6.6.2　FM的改进145

6.6.3　FM的Python实现145

6.7　本章小结147

第7章　移动广告常用数据分析方法149

7.1　App下载数据分析149

7.2　游戏行业用户分析151

7.3　电商类App用户转化分析156

7.4　工具类App用户分析162

7.5　本地O2O婚纱摄影行业分析163

7.6　品牌广告与效果广告166

7.7　本章小结168

第8章　广告数据分析报告169

8.1　分析观点明确，逻辑清晰169

8.2　汇报结果，用数据说话170

8.3　分析过程有理有据171

8.4　图表说明171

8.5　数据验证173

8.6　分析建议173

8.7　本章小结174

第9章　广告用户数据挖掘与分析175

9.1　广告用户曝光与响应率分析175

9.2　广告用户曝光与点击率分析178

9.3　广告订单消耗与延时性分析181

9.4　Lookalike聚类分析186

9.5　Lookalike技术在广告中的应用190

9.6　本章小结192

第10章　广告数据预处理与特征选择193

10.1　广告数据预处理193

10.2　常用特征选择方法197

10.3　PCA209

10.4　本章小结214