本書以任務為導向，全面地介紹數據分析的流程和Python數據分析庫的應用，詳細講解利用Python解決企業實際問題的方法。全書共9章，第1章介紹了數據分析的基本概念等相關知識；第2～6章介紹了Python數據分析的常用庫及其應用，涵蓋NumPy數值計算、Matplotlib數據可視化、pandas統計分析、使用pandas進行數據預處理、使用scikit-learn構建模型，較為全面地闡述了Python數據分析方法；第7～9章結合之前所學的數據分析技術，進行企業綜合案例數據分析。除第1章外，本書各章都包含了實訓與課后習題，通過練習和操作實踐，幫助讀者鞏固所學的內容。本書可作為高校大數據技術類專業的教材，也可以作為大數據技術愛好者的自學用書。張良均，高級信息系統項目管理師，泰迪杯全國大學生數據挖掘競賽（www.tipdm.org）的發起人。華南師范大學、廣東工業大學兼職教授，廣東省工業與應用數學學會理事。兼有大型高科技企業和高校的工作經歷，主要從事大數據挖掘及其應用的策划、研發及咨詢培訓。全國計算機技術與軟件專業技術資格（水平）考試繼續教育和CDA數據分析師培訓講師。發表數據挖掘相關論文數二十余篇，已取得國家發明專利12項，主編圖書《神經網絡實用教程》《數據挖掘:實用案例分析》《Python數據分析與挖掘》等多本暢銷圖書，主持並完成科技項目9項。獲得SAS、SPSS數據挖掘認證及Hadoop開發工程師證書，具有電力、電信、銀行、制造企業、電子商務和電子政務的項目經驗和行業背景。

第1章　Python數據分析概述　1任務1.1　認識數據分析　11.1.1　掌握數據分析的概念　21.1.2　掌握數據分析的流程　21.1.3　了解數據分析應用場景　4任務1.2　熟悉Python數據分析的工具　51.2.1　了解數據分析常用工具　61.2.2　了解Python數據分析的優勢　71.2.3　了解Python數據分析常用類庫　7任務1.3　安裝Python的Anaconda發行版　91.3.1　了解Python的Anaconda發行版　91.3.2　在Windows系統中安裝Anaconda　91.3.3　在Linux系統中安裝Anaconda　12任務1.4　掌握Jupyter Notebook常用功能　141.4.1　掌握Jupyter Notebook的基本功能　141.4.2　掌握Jupyter Notebook的高 級功能　16小結　19課后習題　19第2章　NumPy數值計算基礎　21任務2.1　掌握NumPy數組對象ndarray　212.1.1　創建數組對象　212.1.2　生成隨機數　272.1.3　通過索引訪問數組　292.1.4　變換數組的形態　31任務2.2　掌握NumPy矩陣與通用函數　342.2.1　創建NumPy矩陣　342.2.2　掌握ufunc函數　37任務2.3　利用NumPy進行統計分析　412.3.1　讀/寫文件　412.3.2　使用函數進行簡單的統計分析　442.3.3　任務實現　48小結　50實訓　50實訓1　創建數組並進行運算　50實訓2　創建一個國際象棋的棋盤　50課后習題　51第3章　Matplotlib數據可視化基礎　52任務3.1　掌握繪圖基礎語法與常用參數　523.1.1　掌握pyplot基礎語法　533.1.2　設置pyplot的動態rc參數　56任務3.2　分析特征間的關系　593.2.1　繪制散點圖　593.2.2　繪制折線圖　623.2.3　任務實現　65任務3.3　分析特征內部數據分布與分散狀況　683.3.1　繪制直方圖　683.3.2　繪制餅圖　703.3.3　繪制箱線圖　713.3.4　任務實現　73小結　77實訓　78實訓1　分析1996～2015年人口數據特征間的關系　78實訓2　分析1996～2015年人口數據各個特征的分布與分散狀況　78課后習題　79第4章　pandas統計分析基礎　80任務4.1　讀/寫不同數據源的數據　804.1.1　讀/寫數據庫數據　804.1.2　讀/寫文本文件　834.1.3　讀/寫Excel文件　874.1.4　任務實現　88任務4.2　掌握DataFrame的常用操作　894.2.1　查看DataFrame的常用屬性　894.2.2　查改增刪DataFrame數據　914.2.3　描述分析DataFrame數據　1014.2.4　任務實現　104任務4.3　轉換與處理時間序列數據　1074.3.1　轉換字符串時間為標准時間　1074.3.2　提取時間序列數據信息　1094.3.3　加減時間數據　1104.3.4　任務實現　111任務4.4　使用分組聚合進行組內計算　1134.4.1　使用groupby方法拆分數據　1144.4.2　使用agg方法聚合數據　1164.4.3　使用apply方法聚合數據　1194.4.4　使用transform方法聚合數據　1214.4.5　任務實現　121任務4.5　創建透視表與交叉表　1234.5.1　使用pivot_table函數創建透視表　1234.5.2　使用crosstab函數創建交叉表　1274.5.3　任務實現　128小結　130實訓　130實訓1　讀取並查看P2P網絡貸款數據主表的基本信息　130實訓2　提取用戶信息更新表和登錄信息表的時間信息　130實訓3　使用分組聚合方法進一步分析用戶信息更新表和登錄信息表　131實訓4　對用戶信息更新表和登錄信息表進行長寬表轉換　131課后習題　131第5章　使用pandas進行數據預處理　133任務5.1　合並數據　1335.1.1　堆疊合並數據　1335.1.2　主鍵合並數據　1365.1.3　重疊合並數據　1395.1.4　任務實現　140任務5.2　清洗數據　1415.2.1　檢測與處理重復值　1415.2.2　檢測與處理缺失值　1465.2.3　檢測與處理異常值　1495.2.4　任務實現　152任務5.3　標准化數據　1545.3.1　離差標准化數據　1545.3.2　標准差標准化數據　1555.3.3　小數定標標准化數據　1565.3.4　任務實現　157任務5.4　轉換數據　1585.4.1　啞變量處理類別型數據　1585.4.2　離散化連續型數據　1605.4.3　任務實現　162小結　163實訓　164實訓1　插補用戶用電量數據缺失值　164實訓2　合並線損、用電量趨勢與線路告警數據　164實訓3　標准化建模專家樣本數據　164課后習題　165第6章　使用scikit-learn構建模型　167任務6.1　使用sklearn轉換器處理數據　1676.1.1　加載datasets模塊中的數據集　1676.1.2　將數據集划分為訓練集和測試集　1706.1.3　使用sklearn轉換器進行數據預處理與降維　1726.1.4　任務實現　174任務6.2　構建並評價聚類模型　1766.2.1　使用sklearn估計器構建聚類模型　1766.2.2　評價聚類模型　1796.2.3　任務實現　182任務6.3　構建並評價分類模型　1836.3.1　使用sklearn估計器構建分類模型　1836.3.2　評價分類模型　1866.3.3　任務實現　188任務6.4　構建並評價回歸模型　1906.4.1　使用sklearn估計器構建線性回歸模型　1906.4.2　評價回歸模型　1936.4.3　任務實現　194小結　196實訓　196實訓1　使用sklearn處理wine和wine_quality數據集　196實訓2　構建基於wine數據集的K-Means聚類模型　196實訓3　構建基於wine數據集的SVM分類模型　197實訓4　構建基於wine_quality數據集的回歸模型　197課后習題　198第7章　航空公司客戶價值分析　199任務7.1　了解航空公司現狀與客戶價值分析　1997.1.1　了解航空公司現狀　2007.1.2　認識客戶價值分析　2017.1.3　熟悉航空客戶價值分析的步驟與流程　201任務7.2　預處理航空客戶數據　2027.2.1　處理數據缺失值與異常值　2027.2.2　構建航空客戶價值分析關鍵特征　2027.2.3　標准化LRFMC模型的5個特征　2067.2.4　任務實現　207任務7.3　使用K-Means算法進行客戶分群　2097.3.1　了解K-Means聚類算法　2097.3.2　分析聚類結果　2107.3.3　模型應用　2137.3.4　任務實現　214小結　215實訓　215實訓1　處理信用卡數據異常值　215實訓2　構造信用卡客戶風險評價關鍵特征　217實訓3　構建K-Means聚類模型　218課后習題　218第8章　財政收入預測分析　220任務8.1　了解財政收入預測的背景與方法　2208.1.1　分析財政收入預測背景　2208.1.2　了解財政收入預測的方法　2228.1.3　熟悉財政收入預測的步驟與流程　223任務8.2　分析財政收入數據特征的相關性　2238.2.1　了解相關性分析　2238.2.2　分析計算結果　2248.2.3　任務實現　225任務8.3　使用Lasso回歸選取財政收入預測的關鍵特征　2258.3.1　了解Lasso回歸方法　2268.3.2　分析Lasso回歸結果　2278.3.3　任務實現　227任務8.4　使用灰色預測和SVR構建財政收入預測模型　2288.4.1　了解灰色預測算法　2288.4.2　了解SVR算法　2298.4.3　分析預測結果　2328.4.4　任務實現　234小結　236實訓　236實訓1　求取企業所得稅各特征間的相關系數　236實訓2　選取企業所得稅預測關鍵特征　237實訓3　構建企業所得稅預測模型　237課后習題　237第9章　家用熱水器用戶行為分析與事件識別　239任務9.1　了解家用熱水器用戶行為分析的背景與步驟　2399.1.1　分析家用熱水器行業現狀　2409.1.2　了解熱水器采集數據基本情況　2409.1.3　熟悉家用熱水器用戶行為分析的步驟與流程　241任務9.2　預處理熱水器用戶用水數據　2429.2.1　刪除冗余特征　2429.2.2　划分用水事件　2439.2.3　確定單次用水事件時長閾值　2449.2.4　任務實現　246任務9.3　構建用水行為特征並篩選用水事件　2479.3.1　構建用水時長與頻率特征　2489.3.2　構建用水量與波動特征　2499.3.3　篩選候選洗浴事件　2509.3.4　任務實現　251任務9.4　構建行為事件分析的BP神經網絡模型　2559.4.1　了解BP神經網絡算法原理　2559.4.2　構建模型　2599.4.3　評估模型　2609.4.4　任務實現　260小結　263實訓　263實訓1　清洗運營商客戶數據　263實訓2　篩選客戶運營商數據　264實訓3　構建神經網絡預測模型　265課后習題　265附錄A　267附錄B　270參考文獻　295