Python數據分析與應用（微課版）
丁菊玲
相關主題
商品描述
本書深入淺出地介紹數據分析的完整流程及Python實現，分為三篇共10章。第一篇為基礎篇（第1章～第5章），包括數據分析概述、Python基礎、數據處理、數據分析、數據可視化；第二篇為應用篇（第6章～第9章），包括電影評論數據爬取、文學作品文本分析、股票行情分析、電商用戶行為分析；第三篇為綜合實踐篇（第10章），包括抖音短視頻數據分析。
本書采用通俗易懂的語言，結合清晰的步驟和豐富的實例，全面闡述數據分析全流程以及Python在其中的應用。此外，本書配有PPT課件、教學大綱、電子教案、實例和實訓素材、實訓答案、課後習題答案等豐富的教學資源，讀者可在人郵教育社區免費下載使用。
本書可作為高等院校數據分析與應用相關課程的教材，也可作為社會各類培訓機構的參考書，還可作為對數據分析與應用感興趣的讀者的自學讀物。
作者簡介
丁菊玲 江西財經大學信息管理學院副教授，博士，英國約克大學訪問學者。主要研究方向為網絡輿情危機管理、社交媒體大數據分析。在國內外學術期刊上發表論文20多篇，申請實用新型專利2項，軟件著作權2項；主持完成國家社會科學基金青年項目1項，參與完成國家級項目多項，主持和參與完成省部級課題30多項；出版學術專著2部，教材2部；曾多次榮獲江西財經大學“金牌主講教師”“網絡優秀教師”等稱號。
目錄大綱
第 一篇 基礎篇 1
第 1章 數據分析概述 2
1.1 數據分析基礎 2
1.1.1 數據的定義 2
1.1.2 數據分析的定義 3
1.1.3 數據分析方法 3
1.1.4 數據分析步驟 4
1.2 Python數據分析 5
1.3 應用實例——使用Python進行簡單的數據分析 6
本章習題 8
本章實訓 8
實訓一 安裝和使用Anaconda 8
實訓二 數據探索 9
實訓三 數據可視化 9
第 2章 Python基礎 11
2.1 Python簡介 11
2.1.1 Python特點 11
2.1.2 Python主要功能 12
2.2 Anaconda的安裝與使用 13
2.2.1 Anaconda簡介 13
2.2.2 安裝Anaconda 13
2.2.3 使用Spyder 15
2.3 變量 16
2.3.1 變量定義 16
2.3.2 變量賦值 16
2.3.3 變量命名 16
2.4 數據類型 17
2.4.1 數值型 17
2.4.2 字符型 18
2.4.3 邏輯型 18
2.5 數據結構 19
2.5.1 列表 19
2.5.2 元組 19
2.5.3 字典 19
2.5.4 序列 19
2.5.5 數據框 20
2.6 函數 20
2.6.1 函數簡介 20
2.6.2 Python內置函數 21
2.6.3 使用函數 21
2.7 程序結構 22
2.7.1 順序結構 22
2.7.2 選擇結構 22
2.7.3 循環結構 23
2.7.4 程序結構應用實例 23
2.8 模塊 24
2.8.1 模塊簡介 25
2.8.2 Python標準模塊 25
2.8.3 使用模塊 25
2.9 應用實例——猜數遊戲 26
本章習題 27
本章實訓 28
第3章 數據處理 29
3.1 數據導入導出 29
3.1.1 數據導入 30
3.1.2 數據導出 31
3.2 數據清洗 32
3.2.1 數據排序 32
3.2.2 重復數據處理 33
3.2.3 缺失值處理 34
3.3 數據轉換 35
3.3.1 數據類型查看 36
3.3.2 數值轉字符串 38
3.3.3 字符串轉數值 38
3.3.4 字符串轉日期時間對象 39
3.3.5 日期時間對象轉字符串 39
3.4 數據抽取 40
3.4.1 字符串拆分 40
3.4.2 記錄抽取 41
3.5 數據合並 42
3.5.1 記錄合並 42
3.5.2 字段合並 44
3.5.3 字段匹配 45
3.6 數據計算 46
3.6.1 簡單計算 46
3.6.2 時間計算 47
3.6.3 數據分組 48
3.7 應用實例——電影票房統計之數據處理 49
3.7.1 數據收集 49
3.7.2 數據清洗和轉換 50
本章習題 51
本章實訓 51
第4章 數據分析 52
4.1 描述性分析 52
4.1.1 描述性分析概述 53
4.1.2 商品價格描述性分析 53
4.2 分組分析 55
4.2.1 分組分析概述 55
4.2.2 商品價格分組分析 56
4.3 結構分析 57
4.3.1 結構分析概述 57
4.3.2 商品結構分析 57
4.4 分布分析 58
4.4.1 分布分析概述 58
4.4.2 商品分布分析 58
4.5 對比分析 59
4.5.1 對比分析概述 59
4.5.2 廠商銷量對比分析 59
4.6 簡單線性回歸 62
4.6.1 簡單線性回歸概述 62
4.6.2 基於簡單線性回歸模型的銷售額預測 63
4.7 預測分析 66
4.7.1 預測分析概述 66
4.7.2 股票收益率預測分析 67
4.8 時間序列分析 70
4.8.1 時間序列分析概述 70
4.8.2 流通現金的時間序列分析 70
4.9 應用實例——電影票房統計之數據分析 74
4.9.1 電影票房統計 74
4.9.2 電影票房前10統計 75
4.9.3 平均票價分析 76
4.9.4 場均人次分析 76
4.9.5 不同年份高票房電影數量統計 77
本章習題 78
本章實訓 79
第5章 數據可視化 80
5.1 Python數據可視化簡介 80
5.1.1 數據可視化的概念 80
5.1.2 數據可視化常用圖表 81
5.1.3 Python可視化模塊 81
5.2 Matplotlib入門 81
5.3 餅圖 82
5.4 柱狀圖 82
5.5 折線圖 83
5.6 面積圖 84
5.7 散點圖 85
5.8 矩陣圖 87
5.9 應用實例——學生成績可視化分析 88
5.9.1 成績分布直方圖 88
5.9.2 學生課程成績分布餅圖 91
5.9.3 單科成績分布散點圖 93
本章習題 95
本章實訓 95
第二篇 應用篇 97
第6章 電影評論數據爬取 98
6.1 Python數據爬蟲概述 98
6.1.1 網絡爬蟲概念 98
6.1.2 網絡爬蟲基礎 99
6.2 Python爬蟲常用庫 102
6.2.1 Requests庫 102
6.2.2 BeautifulSoup庫 104
6.3 應用實例——電影《熱辣滾燙》影評數據爬取 111
6.3.1 導包 111
6.3.2 網頁分析 112
6.3.3 評論爬取 113
本章實訓 116
第7章 文學作品文本分析 117
7.1 文本分析概述 117
7.1.1 文本分析概念 118
7.1.2 文本分析相關庫 118
7.2 文本分析主要任務 120
7.2.1 分詞 120
7.2.2 關鍵詞提取 123
7.2.3 詞頻分析 125
7.2.4 情感分析 128
7.3 應用實例——《圍城》人物出場次數統計及情感分析 130
7.3.1 數據準備 130
7.3.2 人物出場次數統計 131
7.3.3 主要人物詞雲制作 134
7.3.4 情感分析 135
本章實訓 137
第8章 股票行情分析 138
8.1 財經數據接口簡介 138
8.1.1 Tushare簡介 138
8.1.2 Tushare版本 139
8.1.3 其他財經數據接口 141
8.2 滬深股票數據分析 141
8.2.1 股票實時行情數據分析 141
8.2.2 股票歷史行情數據分析 142
8.2.3 新股發行數據分析 144
8.2.4 滬深股市行業分析 146
8.3 應用實例——選股投資決策分析 149
8.3.1 Selenium環境配置 149
8.3.2 Selenium實現Web自動化 151
8.3.3 BeautifulSoup實現網頁解析 151
8.3.4 Requests庫和BeautifulSoup庫實現文章關鍵字提取 152
8.3.5 wordcloud統計詞頻 153
8.3.6 mplfinance可視化 153
本章實訓 155
第9章 電商用戶行為分析 156
9.1 電商用戶行為分析概述 156
9.1.1 電商用戶行為分析主要內容 156
9.1.2 電商用戶行為分析目標 157
9.1.3 電商用戶行為分析主要函數 157
9.2 電商用戶行為分析數據預處理 158
9.2.1 數據集概述 158
9.2.2 導入數據 159
9.2.3 數據表時間處理 159
9.2.4 數據表缺失值處理 161
9.3 頁面操作行為分析 161
9.3.1 頁面總瀏覽狀況分析 162
9.3.2 日期維度下pv和uv的變化 163
9.3.3 時間維度下pv和uv的變化 166
9.4 用戶指標分析 167
9.4.1 用戶購買次數分析 167
9.4.2 用戶復購率分析 169
9.4.3 用戶跳失率分析 169
9.4.4 用戶轉化漏鬥分析 169
9.5 用戶行為指標分析 170
9.5.1 用戶行為分析 170
9.5.2 日期維度下用戶行為變化 171
9.5.3 時間維度下用戶行為變化 173
9.6 商品數據分析 176
9.6.1 有瀏覽記錄商品分析 176
9.6.2 有銷售記錄商品類別分析 176
9.6.3 銷售排名前10商品分析 177
9.6.4 瀏覽量靠前的商品品類分析 178
9.7 應用實例——電商產品RFM分析 178
9.7.1 RFM分析概述 178
9.7.2 電商產品RFM分析 179
本章實訓 181
第三篇 綜合實踐篇 182
第 10章 抖音短視頻數據分析 183
10.1 問題背景 183
10.2 數據描述 185
10.2.1 數據來源 185
10.2.2 數據特點 185
10.2.3 數據字段 185
10.2.4 數據導入 185
10.3 數據處理 186
10.4 數據分析 187
10.4.1 用戶維度分析 187
10.4.2 創作者維度分析 192
10.4.3 視頻內容維度分析 193
10.4.4 視頻時長影響回歸分析 196
10.5 結果分析 198
10.5.1 用戶維度結果分析 198
10.5.2 創作者維度結果分析 199
10.5.3 視頻內容維度結果分析 199
10.5.4 視頻時長影響回歸結果分析 199
10.6 本章小結 199
參考文獻 200
