PYTHON数据分析和业务应用实战:广告投放、产品运营、商业分析

文件处理 1.1 基本环境介绍 /1 1.2 Pandas 文件的读取 /1 1.3 初识 DataFrame 数据类型 /3 1.4 DataFrame 数据类型的访问 /5 1.4.1 如何使用 head() 方法查看数据 /5 1.4.2 如何查看数据类型 /6 1.4.3 如何同时访问多列数据 /7 1.4.4 如何进行数据类型的筛选 /7 1.5 区域访问的方法 /8 1.6 DataFrame 数据类型的新增、删除 /11 1.6.1 DataFrame 数据类型的新增操作方法 /11 1.6.2 DataFrame 数据类型的删除操作方法 /13 1.7 探索性分析项目实战 /15 企业数据分析与挖掘项目标准化流程 2.1 基本流程介绍 /22 2.2 如何进行目标定义 /23 2.2.1 在线产品 /23 2.2.2 线下服务业 /23 2.2.3 内部分析目标 /24 2.3 数据的来源与获取 /25 2.4 数据抽样的常用方法 /25 2.5 数据探索的目标与任务 /26 I 2.6 数据预处理 /28 2.7 数据建模与评价 /29 使用 Python 进行科学运算 3.1 Pandas 计算利器 Series /30 3.1.1 DataFrame 与 Series 的关系 /30 3.1.2 声明一个 Series 类型 /31 3.1.3 Series 判断缺失值 /32 3.1.4 Series 的运算 /33 3.2 一个必不可少的运算库 NumPy /34 3.3 类型推断 /35 3.4 NumPy 的矢量化操作 /36 3.5 NumPy 的切片 /37 3.6 花式索引 Fancy Indexing /39 3.7 降维运算 /41 3.8 堆叠运算 /42 3.9 广播运算 /44 Matplotlib 数据可视化 4.1 销售额走势的折线图 /48 4.1.1 环境安装及引入 /48 4.1.2 Excel 中整数日期的处理 /49 4.1.3 绘制简单折线图 /50 4.1.4 解决 x 轴刻度重叠问题 /51 4.1.5 调整画布大小问题 /52 4.1.6 多项数据对比绘制折线图 /52 4.2 长尾分布的柱状图 /55 4.2.1 简单柱状图 /55 4.2.2 边框颜色与隐藏问题 /56 4.2.3 刻度显示问题 /57 II 4.3 躺着的柱状图就是条形图 /58 4.4 说明占比的饼图 /60 4.4.1 基本饼图 /60 4.4.2 饼图的数据计算 /60 4.4.3 丰富饼图属性 /61 4.5 观察分布的散点图 /63 4.5.1 普通散点图 /63 4.5.2 由散点图到气泡图的演变 /63 4.5.3 自开发 RGB 颜色生成器 /64 全面了解 MySQL 5.1 掌握数据库的结构 /66 5.1.1 实例与库 /66 5.1.2 表与字段的创建 /70 5.2 SQL 的数据操作 /72 5.2.1 数据写入 /72 5.2.2 数据更新 /73 5.2.3 数据的物理删除与逻辑删除 /74 5.3 使用 Python 操作 MySQL /75 5.3.1 表结构的创建 /75 5.3.2 外部数据导入 /76 使用 Python 进行 SQL 的查询与计算 6.1 有条件限制的查询语句 /78 6.1.1 基本查询语句 /78 6.1.2 单一条件限制的查询语句 /79 6.1.3 模糊的条件限制 /81 6.1.4 多条件限制的查询语句 /82 6.1.5 关于空值的判断 /83 6.1.6 返回部分结果的控制 /84 III 6.2 多个表查询结果展示在一起的联合查询 /85 6.3 统计结果中的分组方法与筛选技巧 /86 6.3.1 掌握结果分组 /86 6.3.2 过滤筛选分组后的结果 /87 6.3.3 排序中的大小顺序 /89 6.4 多表之间的子查询 /90 6.4.1 两表之间的子查询 /90 6.4.2 三表之间的子查询 /91 6.5 多表之间的关联查询 /92 6.5.1 先给数据起个别名 /92 6.5.2 两表之间的左关联 /93 6.5.3 两表之间的右关联 /94 6.5.4 两表之间的全关联 /95 6.6 使用 Python 进行 SQL 数据查询 /95 6.6.1 一般的查询方法 /95 6.6.2 使用 Pandas 的查询方法 /96 基于用户行为的用户价值分析 7.1 项目数据介绍 /98 7.1.1 项目介绍及脱敏 /98 7.1.2 数据介绍 /98 7.2 项目开始前的数据预处理 /100 7.2.1 数据获取 /100 7.2.2 数据预处理 /101 7.3 指标分析与价值分析 /102 7.3.1 流量指标分析 /102 7.3.2 转化指标分析 /104 7.3.3 基于 RFM 模型的用户价值分析 /104 IV 数据分析的具体介绍 8.1 数据与信息的关系 /107 8.2 数据能做什么——以微信私域流量数字化经营为例 /108 8.3 数据分析基本概念及数学基础 9.1 数据分析的基本思路 /119 9.2 描述性分析 /120 9.2.1 数值分析 /120 9.2.2 分布分析 /121 9.2.3 可视化分析 /124 9.3 诊断性分析 /129 9.3.1 关联分析 /129 9.3.2 波动分析（以周权重指数为例） /130 9.4 预测性分析 /131 9.4.1 线性回归 /131 9.4.2 非线性回归 /133 9.5 仿真模拟 /136 9.5.1 仿真模拟的理论应用 /136 9.5.2 仿真模拟的业务应用 /137 V 数据分析思维在业务中的应用——以 B 站广告增长投放为例 10.1 B 站基本信息及广告形式 /144 10.1.1 B 站基本信息 /144 10.1.2 B 站的广告形式 /145 10.2 影响 CPC 广告投放效果的要素 /147 10.2.1 广告投放营销漏斗转化模型 /147 10.2.2 CPC 广告展示量（曝光量）涉及要素 /148 10.2.3 CPC 广告点击量涉及要素 /153 10.2.4 CPC 广告访问量涉及要素 /157 10.2.5 CPC 广告成交量（转化量）涉及要素 /157 10.3 B 站内 CPC 广告业务场景与优化 /159 10.4 B 站内 CPC 广告业务优化思路与数据分析 /160 10.4.1 针对广告投放 ROI 偏低问题的数据汇总 /160 10.4.2 针对广告投放 ROI 偏低问题的优化思路 /161 10.4.3 针对广告曝光点击率偏低问题的业务背景 /164 10.4.4 针对广告曝光点击率偏低问题的优化思路 /165 10.5 B 站内 CPC 广告优化在复杂业务环境下考虑的要素 /168 数据分析在电商平台订单分析中的应用——以 B 站会员购电商平台为例 11.1 B 站会员购平台业务背景介绍 /172 11.2 B 站会员购平台相关数据介绍 /173 11.3 订单数据的数据分析基本思路 /175 11.4 B 站会员购时间相关订单数据的分析思路及业务应用 /178 11.4.1 订单时间分布分析 /178 11.4.2 订单价格分布分析 /179 11.4.3 订单时间分布与价格分布的交叉分析 /180 11.4.4 不同时间相关订单数据的分析汇总 /180 VI 11.5 B 站会员购商品相关订单数据的分析思路及业务应用 /181 11.5.1 商品客单价分布分析 /181 11.5.2 商品销量分布分析 /182 11.5.3 商品销量波动趋势分析 /183 11.5.4 商品地区客单价分析 /185 11.6 B 站会员购多日订单数据的汇总 /186 11.7 B 站会员购订单数据针对地区品牌渗透度基本判别的分析 /186 数据分析在商业分析中的应用——以商品多渠道管理为例 12.1 什么是商业分析 /190 12.2 商业分析和数据分析的区别是什么 /190 12.3 多渠道商业分析项目背景介绍 /193 12.4 相关数据介绍 /196 12.5 多渠道商业分析的数据处理 /198 12.5.1 多渠道商业分析的数据背景及分析价值 /198 12.5.2 多渠道商业分析的操作步骤 /200 12.5.3 多渠道商业分析的数据分析思路及操作 /200 12.6 不同渠道对销量影响程度的判断 /209 12.7 多渠道商业分析在销售管理上的应用 /211 数据分析在市场调研的应用——商品画像分析 13.1 什么是商品画像体系 /212 13.2 商品画像体系的数据来源 /212 13.2.1 平台数据来源 /212 13.2.2 第三方数据来源 /220 13.3 商品画像数据的抓取方法 /223 13.3.1 人工采集 /223 13.3.2 第三方爬虫工具采集 /223 13.3.3 自有编程爬虫脚本采集 /224 VII 13.4 商品画像体系的应用 /225 13.4.1 数据维度说明 /225 13.4.2 数据清洗及有效数据筛选 /228 13.4.3 商品曝光价格分布分析 /229 13.4.4 商品曝光价格趋势分析 /230 13.4.5 商品评分及数量分布分析 /231 13.4.6 商品评分趋势分析 /235 13.4.7 商品排名分布趋势分析 /236 13.4.8 商品标题词频分析 /237 13.4.9 商品评价词频分析 /244