商务数据分析与应用

第1篇基础篇

第1章商务数据分析理论基础2

1.1商务数据类型2

1.2商务数据分析流程2

1.3商务数据分析阶段和方法3

1.3.1商务数据分析的阶段3

1.3.2商务数据分析的方法4

1.4用Python进行商务数据分析5

课后习题5

第2章Python基础知识6

2.1Python环境搭建6

2.1.1Python版本6

2.1.2安装Anaconda发行版6

2.1.3检验安装是否成功11

2.2Python解释器12

2.2.1数据类型12

2.2.2变量13

2.2.3列表13

2.2.4字典14

2.2.5布尔型15

2.2.6if语句15

2.2.7for语句16

2.2.8函数16

2.3NumPy16

2.3.1导入NumPy17

2.3.2生成NumPy数组17

2.3.3NumPy的算术运算17

2.3.4NumPy的N维数组18

2.3.5广播19

2.3.6访问元素19

2.4Pandas20

2.4.1Series21

2.4.2DataFrame25

2.4.3索引对象31

2.5Matplotlib33

2.5.1绘制简单图形33

2.5.2Pyplot的功能34

2.5.3显示图像35

课后习题35

第2篇方法篇

第3章商务数据分析方法概述37

3.1数据预处理37

3.2特征工程37

3.3机器学习方法37

3.4深度学习方法38

3.4.1深度学习简介38

3.4.2深度学习方法简介40

3.4.3深度学习框架40

课后习题47

第4章数据预处理48

4.1数据探索性分析48

4.2数据清洗50

4.2.1缺失值处理50

4.2.2异常值处理51

4.2.3泰坦尼克号数据清洗过程52

4.3数据重构53

4.4数据可视化55

4.5京东冰箱订单数据预处理60

4.5.1数据集信息60

4.5.2缺失值处理61

4.5.3订单分析62

课后习题73

第5章特征工程74

5.1特征缩放74

5.1.1归一化74

5.1.2正则化75

5.2特征编码75

5.2.1序号编码75

5.2.2独热编码76

5.2.3二进制编码76

5.2.4多元化77

5.2.5离散化77

5.3特征提取78

5.3.1主成分分析78

5.3.2线性判别分析79

5.3.3独立成分分析79

5.4特征选择79

5.4.1特征选择原理80

5.4.2过滤式选择81

5.4.3包裹式选择82

5.4.4嵌入式选择82

5.5特征构建83

5.6泰坦尼克号数据特征工程83

5.6.1缺失值填充83

5.6.2编码分类变量83

课后习题84

第6章决策树方法及其应用85

6.1决策树简介85

6.2决策树的构造过程86

6.2.1特征选择86

6.2.2决策树生成87

6.2.3决策树剪枝87

6.3决策树算法实现87

6.3.1结点定义88

6.3.2特征选取88

6.3.3结点分裂89

6.4基于决策树的用户购买行为预测90

课后习题94

第7章支持向量机方法及其应用95

7.1分类超平面与*大间隔95

7.2对偶问题与拉格朗日乘子法97

7.3核函数98

7.4软间隔与正则化100

7.5基于支持向量机的鸢尾花分类预测101

课后习题104

第8章集成学习方法及其应用106

8.1Bagging算法106

8.2Boosting算法106

8.3随机森林106

8.4XGBoost算法107

8.5基于随机森林的鸢尾花分类预测108

8.6基于随机森林的泰坦尼克号生存概率预测110

8.6.1切割训练集和测试集110

8.6.2模型创建111

8.6.3输出模型预测结果111

8.6.4模型评估112

课后习题115

第9章神经网络及其应用116

9.1前馈神经网络116

9.2反馈神经网络117

9.3激活函数118

9.4损失函数121

9.4.1回归损失121

9.4.2分类损失122

9.5基于BP神经网络的港口货物吞吐量预测125

9.5.1数据描述125

9.5.2参数介绍126

9.5.3代码实现127

课后习题130

第10章卷积神经网络及其应用131

10.1卷积神经网络的结构131

10.2卷积层132

10.2.1卷积运算132

10.2.2填充132

10.2.3步幅134

10.2.4三维数据的卷积运算135

10.2.5批处理137

10.3池化层137

10.4卷积神经网络的实现138

10.5常见卷积神经网络141

10.5.1LeNet141

10.5.2AlexNet141

10.6基于卷积神经网络的股票趋势预测142

课后习题146

第11章循环神经网络及其应用147

11.1循环神经网络的记忆能力147

11.2循环神经网络的结构148

11.2.1单向循环神经网络148

11.2.2双向循环神经网络148

11.3长短期记忆网络149

11.3.1长短期记忆网络与循环神经网络的异同149

11.3.2长短期记忆网络的结构151

11.3.3长短期记忆网络变体152

11.4基于长短期记忆网络算法的通货膨胀率预测153

11.4.1业务背景分析153

11.4.2指标选择与数据说明154

11.4.3训练方法及优化器选择156

11.4.4超参数的设定和网络结构的选择156

11.4.5动态预测过程156

11.4.6预测误差指标156

11.4.7代码实现157

课后习题164

第12章深度森林及其应用165

12.1多粒度扫描165

12.2级联森林166

12.3深度森林算法流程167

12.4基于深度森林的母婴商品销量预测168

12.4.1项目分析168

12.4.2数据探索性分析168

12.4.3模型构建181

课后习题184

第3篇案例篇

第13章二手车交易价格预测186

13.1项目分析186

13.2数据预处理187

13.3特征工程197

13.4模型构建203

13.4.1XGB模型203

13.4.2XGB和LGB融合模型207

13.5预测结果对比分析211

第14章电商企业商品销量预测212

14.1项目分析212

14.2数据探索性分析214

14.3数据预处理221

14.4特征工程228

14.5模型构建239

14.5.1随机森林模型240

14.5.2XGBoost模型242

14.5.3深度神经网络模型245

14.5.4深度森林模型251

14.5.5加权深度森林模型252

14.6预测结果对比分析256

第15章区域物流需求量预测258

15.1项目分析258

15.2数据描述258

15.3模型构建259

15.4预测结果分析264

参考文献265