1 Python 基礎 1
1.1 安裝Python 環(huán)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(yè)數據分析基礎 21
2.1 什么是數據分析 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(yè)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(yè)分析應用中的優(yōu)勢 33
2.3 數據采集 33
2.3.1 采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(tǒng)計 62
2.6.3 數據透視匯總 63
2.7 商業(yè)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(guī)模 76
3.1.3 計算市場相對規(guī)模 78
3.1.4 繪制柱狀圖和餅圖 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 根據時間合并市場數據 83
3.2.3 補齊缺失月的數據 84
3.2.4 繪制趨勢圖 89
3.2.5 計算市場增量 94
3.2.6 繪制組合圖 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 類別的分布分析 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(tǒng)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(yōu)解 124
4.2.3 計算品類投放預算的最優(yōu)解 126
4.2.4 計算各個品類在不同渠道的最優(yōu)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 采集數據 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：基于關聯規(guī)則的產品推薦 138
5.1.1 算法原理及案例背景 138
5.1.2 創(chuàng)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：基于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 基于消費者聚類的推薦 167
5.3 案例：基于協(xié)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：基于業(yè)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：基于時序算法預測庫存 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(huán)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