这是一个数据驱动的时代，如何解读数据，将数据转变为知识、利用知识做出决策将是所有企业必不可少的能力。在数据分析过程中我们清洗数据，探索数据，利用数据进行决策。本书将以当前z流行数据科学分析工具Python为基础介绍如何构建基于Python的数据科学环境，利用Pandas处理与分析数据，如何利用Matplotlib以及Seaborn进行数据可视化。同时本书还将以商业应用为目标，通过学习还将掌握何利用学习到的Python数据分析知识来完成客户留存分析，同期群分析，时间序列分析，产品销售数据的关联分析，客户聚类，统计检验等数据分析。

上篇Pandas数据分析基础
章数据分析初探
1.1“数据+”时代的到来
1.2什么是数据分析
1.2.1数据分析的目标
1.2.2数据分析分类
1.2.3典型的数据分析方法
1.3数据分析的基本流程
1.3.1问题定义
1.3.2收集数据
1.3.3数据处理
1.3.4数据分析
1.3.5结果解读与应用
1.4硝烟中的数据分析
1.4.1数据分析的产生
1.4.2验证问题
1.4.3寻找原因
1.4.4数据怎么说
1.4.5数据分析中应该避免的典型问题
第2章搭建数据科学开发环境
2.1为什么选择Python
2.1.1人生苦短，我用Python
2.1.2为何Python是数据科学家的最佳选择
2.2Python数据科学开发栈
2.2.1Cython
2.2.2NumPy
2.2.3IPython
2.2.4Jupyter
2.2.5SciPy
2.2.6Matplotlib
2.2.7Pandas
2.2.8Scikitlearn
2.2.9NetworkX
2.2.10PyMC3
2.2.11数据科学领域中最新的一些Python包
2.3Anaconda的安装与使用
2.3.1安装Anaconda
2.3.2利用Conda管理Python环境
2.3.3利用Conda管理Python包
2.3.4安装本书所需的包
2.4使用JupyterNotebook进行可重复数据分析
2.4.1JupyterNotebook的配置
2.4.2JupyterNotebook中的单元格
2.4.3JupyterNotebook中的命令模式与编辑模式键
2.4.4使用JupyterNotebook进行数据分析
第3章Pandas基础
3.1什么是DataFrame
3.1.1DataFrame的基本要素
3.1.2数据类型
3.1.3了解Series
3.1.4链式方法
3.2索引与列
3.2.1修改索引与列
3.2.2添加、修改或删除列
3.3选择多列
第4章数据筛选
4.1使用.loc和.iloc筛选行与列数据
4.1.1选择Series和DataFrame中的行
4.1.2同时选择行与列
4.2布尔选择
4.2.1计算布尔值
4.2.2多条件筛选数据
第5章开始利用Pandas进行数据分析
5.1了解元数据
5.2数据类型转换
5.3缺失数据与异常数据处理
5.3.1缺失值与重复值
5.3.2处理缺失数据
5.3.3NumPy与Pandas对缺失数据的不同处理方式
5.3.4填充缺失值
5.4处理重复数据
5.5异常值
5.6描述性统计
第6章数据整理
6.1什么是数据整理
6.1.1数据的语义
6.1.2整齐的数据
6.2数据整理实战
6.2.1列标题是值，而非变量名
6.2.2多个变量存储在一列中
6.2.3变量既在列中存储，又在行中存储
6.2.4多个观测单元存储在同一表中
6.2.5一个观测单元存储在多个表中
6.2.6思考
第7章分组统计
7.1分组、应用和聚合
7.2Pandas中的GroupBy操作
7.2.1单列数据分组统计
7.2.2多列数据分组统计
7.2.3使用自定义函数进行分组统计
7.2.4数据过滤与变换
第8章数据整合
8.1数据读入
8.1.1基本数据读入方法
8.1.2文件读取进阶
8.1.3读取其他格式文件
8.2数据合并
8.2.1认识merge操作
8.2.2merge进阶
8.2.3join与concat
第9章数据可视化
9.1Matplotlib
9.1.1绘制个散点图
9.1.2理解figure与axes
9.1.3Matplotlib中面向对象与类Matlab语法的区别
9.1.4修改坐标轴属性
9.1.5修改图形属性
9.1.6定制图例，添加标注
9.1.7子图
9.1.8利用Matplotlib绘制各种图形
9.2Pandas绘图
9.2.1Pandas基础绘图
9.2.2整合Pandas绘图与Matplotlib绘图
9.3Seaborn
9.3.1Seaborn中的样式
9.3.2Seaborn绘制统计图形
9.4可视化进阶
9.4.1其他可视化工具
9.4.2推荐读物
0章探索性数据分析——某电商销售数据分析
10.1数据清洗
10.1.1分析准备
10.1.2了解数据
10.2数据清洗与整理
10.2.1数据类型转换与错误数据删除
10.2.2添加新数据
10.3探索性数据分析
10.3.1客户分析
10.3.2订单趋势分析
10.3.3客户国家分析
10.3.4留给读者的问题
下篇Python数据分析实战
1章群组分析
11.1群组分析概述
11.1.1从AARRR到RARRA的转变
11.1.2什么是群组分析
11.2群组分析实战
11.2.1定义群组以及周期
11.2.2群组分析具体过程
11.2.3思考
2章利用RFM分析对用户进行分类
12.1RFM分析简介
12.1.1RFM模型概述
12.1.2理解RFM
12.2RFM实战
12.2.1R、F、M值的计算
12.2.2利用RFM模型对客户进行细分
12.2.3思考
3章购物篮分析
13.1购物篮分析概述
13.1.1什么是购物篮分析
13.1.2购物篮分析在超市中的应用
13.1.3购物篮分析实现
13.2购物篮分析案例
13.2.1Mlxtend库中Apriori算法使用介绍
13.2.2在线销售数据购物篮分析
13.3留给读者的思考
4章概率分布
14.1随机数
14.2常见的概率分布
14.2.1均匀分布
14.2.2正态分布
14.2.3二项分布
14.2.4泊松分布
14.2.5几何分布与指数分布
14.3点估计与置信区间
14.3.1点估计
14.3.2抽样分布与中心极限定理
14.3.3置信区间
14.4留给读者的思考
5章假设检验
15.1假设检验概述
15.1.1初识假设检验
15.1.2假设检验的步骤
15.1.3假设检验中的Ⅰ类错误与Ⅱ类错误
15.2Python中的假设检验
15.2.1单样本ttest
15.2.2双样本ttest
15.2.3配对ttest
15.2.4卡方检验
15.3留给读者的思考
6章一名数据分析师的游戏上线之旅
16.1游戏启动时间是否超过目标
16.1.1启动时间是否超过3秒
16.1.2构造启动时间监测图
16.2次日留存率是否大于30%
16.3应该在游戏第几关加入关联微信提示
16.3.1A/B测试
16.3.2贝叶斯解决方案
16.4如何定价
16.5留给读者的思考
7章利用数据分析找工作
17.1设定分析目标
17.1.1问题定义
17.1.2获取数据
17.2准备分析数据
17.2.1数据准备
17.2.2数据清洗
17.3开始数据分析
17.3.1职位来自哪里
17.3.2职位薪酬如何
17.3.3岗位要求
17.3.4思考
8章用数据解读成都房价
18.1设定分析目标
18.1.1问题定义
18.1.2获取数据
18.2解读成都二手房
18.2.1数据准备
18.2.2列名调整
18.2.3数据类型转换
18.2.4数据解读
18.2.5思考
9章时间序列分析
19.1认识时间序列数据
19.1.1读入时间序列数据
19.1.2时间序列数据的可视化
19.2时间序列数据的分解
19.2.1认识时间序列数据中的模式
19.2.2Python中进行时间序列数据的分解
19.3时间序列的平稳性
19.3.1认识平稳与非平稳时间序列
19.3.2如何让时间序列平稳
19.4利用ARIMA模型分析家具销售
19.4.1ARIMA模型简介
19.4.2数据准备
19.4.3ARIMA模型中的参数
19.5留给读者的思考
第20章股票数据分析
20.1股票收益分析
20.1.1获取股票数据
20.1.2计算每日收益
20.1.3多只股票收益比较
20.1.4股价相关性分析
20.2CAPM资产定价模型选股
20.2.1CAPM公式
20.2.2在Python中实现CAPM
20.3留给读者的思考
第21章大规模数据处理
21.1不同规模数据处理工具的选择
21.2利用Pandas处理大规模数据
21.2.1文件分块读入
21.2.2使用数据库
21.2.3使用DASK
21.3其他可选方法
21.4留给读者的思考