Python電商數(shù)據(jù)分析實戰(zhàn)

目　　錄 Contents
前　言
第1章　Python數(shù)據(jù)分析準(zhǔn)備　　1
1.1　Python數(shù)據(jù)分析基礎(chǔ)　　1
1.1.1　數(shù)據(jù)分析的基本概念　　1
1.1.2　為什么選擇Python　　2
1.1.3　Pandas和Python的關(guān)系　　2
1.2　如何高效學(xué)習(xí)Pandas　　3
1.2.1　Pandas學(xué)習(xí)中的誤區(qū)　　3
1.2.2　高效學(xué)習(xí)Pandas　　3
1.3　Python所需的環(huán)境搭建　　5
1.3.1　Python環(huán)境的選擇　　5
1.3.2　Anaconda的下載和安裝　　5
1.3.3　運行代碼　　7
1.4　本章小結(jié)　　13
第2章　Pandas快速入門　　14
2.1　Pandas的兩大數(shù)據(jù)結(jié)構(gòu)　　14
2.1.1　初識Pandas　　14
2.1.2　Series和DataFrame　　15
2.2　數(shù)據(jù)讀取和存儲　　17
2.2.1　Excel文件的讀取　　17
2.2.2　CSV文件的讀取　　20
2.2.3　其他文件類型的讀取　　21
2.2.4　存儲數(shù)據(jù)　　22
2.3　快速認(rèn)識數(shù)據(jù)　　22
2.3.1　查看數(shù)據(jù)　　22
2.3.2　查看數(shù)據(jù)類型　　23
2.3.3　統(tǒng)計信息概覽　　23
2.4　數(shù)據(jù)處理初體驗　　24
2.4.1　增　　24
2.4.2　刪　　24
2.4.3　選　　25
2.4.4　改　　25
2.5　常用數(shù)據(jù)類型及操作　　25
2.5.1　字符串　　25
2.5.2　數(shù)值型　　26
2.5.3　時間類型　　28
2.6　本章小結(jié)　　29
第3章　玩轉(zhuǎn)索引　　30
3.1　索引概述　　30
3.1.1　到底什么是索引　　30
3.1.2　兩種索引類型　　31
3.2　基于位置（數(shù)字）的索引　　31
3.2.1　場景一：行選取　　32
3.2.2　場景二：列選取　　32
3.2.3　場景三：行列交叉選取　　33
3.3　基于名稱（標(biāo)簽）的索引　　33
3.3.1　基于loc的行選取　　34
3.3.2　基于loc的列選取　　35
3.3.3　基于loc的交叉選取　　35
3.3.4　場景四：多條件索引　　36
3.4　本章小結(jié)　　38
第4章　數(shù)據(jù)清洗四大核心操作　　39
4.1　增：拓展數(shù)據(jù)維度　　39
4.1.1　縱向合并　　39
4.1.2　橫向連接　　41
4.2　刪：剔除噪聲數(shù)據(jù)　　44
4.2.1　缺失值處理　　44
4.2.2　去除重復(fù)項　　47
4.3　選：基于條件選擇數(shù)據(jù)　　48
4.3.1　按條件索引/篩選　　48
4.3.2　排序　　49
4.4　改：改變數(shù)據(jù)形態(tài)　　50
4.4.1　轉(zhuǎn)置　　50
4.4.2　分組　　50
4.4.3　切分　　52
4.5　本章小結(jié)　　54
第5章　Pandas兩大進(jìn)階利器　　55
5.1　數(shù)據(jù)透視表　　55
5.1.1　什么是數(shù)據(jù)透視表　　55
5.1.2　Pandas數(shù)據(jù)透視表簡介　　55
5.1.3　Pandas數(shù)據(jù)透視表實例　　56
5.2　強(qiáng)大又靈活的apply　　58
5.2.1　apply初體驗　　59
5.2.2　用apply計算最好、最差
成績　　59
5.2.3　篩選每個分組下的第3名　　61
5.3　本章小結(jié)　　64
第6章　數(shù)據(jù)可視化　　65
6.1　Matplotlib基礎(chǔ)知識　　65
6.1.1　Matplotlib簡介　　65
6.1.2　可視化的關(guān)鍵步驟　　65
6.2　Matplotlib基礎(chǔ)操作　　66
6.2.1　畫圖前的準(zhǔn)備　　66
6.2.2　創(chuàng)建畫布　　66
6.2.3　畫圖　　68
6.2.4　設(shè)置坐標(biāo)軸　　69
6.2.5　潤色　　71
6.3　繪制常用圖形　　74
6.3.1　繪制折線圖　　74
6.3.2　繪制柱狀圖　　75
6.3.3　繪制散點圖　　76
6.3.4　繪制其他常用圖形　　77
6.4　本章小結(jié)　　78
第7章　走近電商：商業(yè)方法論與
分析體系　　79
7.1　什么是電商　　79
7.2　三大關(guān)鍵角色　　80
7.2.1　用戶　　80
7.2.2　商家　　80
7.2.3　平臺　　81
7.3　電商基礎(chǔ)指標(biāo)　　82
7.3.1　用戶相關(guān)指標(biāo)　　83
7.3.2　商品相關(guān)指標(biāo)　　83
7.4　電商分析方法論及應(yīng)用　　84
7.4.1　黃金公式　　84
7.4.2　GROW　　86
7.4.3　AIPL　　88
7.4.4　抖音5A與京東4A　　89
7.5　數(shù)據(jù)分析師重生之我是老板　　90
7.5.1　數(shù)據(jù)分析師和老板　　90
7.5.2　行業(yè)趨勢分析　　91
7.5.3　競爭格局分析　　92
7.5.4　品牌策略探究　　92
7.5.5　用戶分析—探索期　　93
7.5.6　用戶分析—正式期　　94
7.6　本章小結(jié)　　95
第8章　Python報表自動化　　97
8.1　行業(yè)數(shù)據(jù)報表自動化　　97
8.1.1　案例背景　　97
8.1.2　單張表的處理　　99
8.1.3　批量循環(huán)執(zhí)行　　101
8.2　報表批量處理與品牌投放
分析　　102
8.2.1　新的需求背景　　102
8.2.2　數(shù)據(jù)預(yù)覽　　102
8.2.3　分析思路　　104
8.2.4　數(shù)據(jù)處理　　104
8.2.5　數(shù)據(jù)分析　　105
8.3　本章小結(jié)　　108
第9章　行業(yè)機(jī)會分析與權(quán)重確定　　109
9.1　案例背景介紹　　109
9.2　傳統(tǒng)的解題方法　　109
9.2.1　之前的傳統(tǒng)思路　　109
9.2.2　數(shù)據(jù)預(yù)覽和匯總　　110
9.2.3　每個類目增長最快的細(xì)分
類目　　111
9.3　權(quán)重確定方法　　113
9.3.1　級別法　　113
9.3.2　權(quán)值因子判表法　　113
9.3.3　變異系數(shù)法　　115
9.4　Pandas權(quán)重計算和分析　　117
9.4.1　數(shù)據(jù)整合　　117
9.4.2　關(guān)鍵指標(biāo)計算　　118
9.4.3　權(quán)重的計算　　119
9.4.4　數(shù)據(jù)標(biāo)準(zhǔn)化　　122
9.4.5　綜合發(fā)展指數(shù)　　123
9.5　本章小結(jié)　　124
第10章　用戶分層實戰(zhàn)　　125
10.1　用戶分層的基本概念　　125
10.1.1　無處不在的用戶分層　　125
10.1.2　用戶分層的類型　　126
10.1.3　用戶分層的特征　　126
10.1.4　為什么要做用戶分層　　127
10.1.5　分層的兩個問題　　127
10.2　二八法則　　128
10.2.1　二八法則在用戶分層上的
應(yīng)用　　128
10.2.2　數(shù)據(jù)預(yù)覽　　129
10.2.3　數(shù)據(jù)清洗　　131
10.2.4　二八法則下的用戶分層　　134
10.3　拐點法　　136
10.3.1　什么是拐點法　　136
10.3.2　拐點法在用戶分層上的
應(yīng)用　　136
10.3.3　基于Pandas的拐點法
分層　　137
10.4　本章小結(jié)　　143
第11章　用戶分群實戰(zhàn)與加強(qiáng)版
RFM模型　　144
11.1　走近用戶分群　　144
11.1.1　用戶分群的定義及作用　　144
11.1.2　用戶分群和用戶分層的
區(qū)別　　144
11.2　RFM用戶分群實戰(zhàn)　　145
11.2.1　經(jīng)典的RFM模型　　145
11.2.2　第一步：數(shù)據(jù)概覽　　146
11.2.3　第二步：數(shù)據(jù)處理　　147
11.2.4　第三步：維度打分　　149
11.2.5　第四步：分值計算　　150
11.2.6　第五步：用戶分層　　152
11.2.7　RFM模型結(jié)果分析　　154
11.3　關(guān)于RFM模型的重要思考　　156
11.3.1　RFM模型隱藏的問題　　156
11.3.2　為什么用平均金額作
為M　　157
11.4　RFM模型的加強(qiáng)和拓展　　158
11.4.1　模型加強(qiáng)和拓展的方向　　158
11.4.2　RFM加強(qiáng)版實戰(zhàn)案例　　158
11.5　本章小結(jié)　　161
第12章　用戶偏好分析　　162
12.1　用戶偏好分析和TGI　　162
12.1.1　用戶偏好分析與TGI的
關(guān)系　　162
12.1.2　TGI的定義　　162
12.1.3　通過拆解指標(biāo)來理解
TGI　　163
12.2　用Pandas實現(xiàn)TGI分析　　163
12.2.1　項目背景　　163
12.2.2　用戶打標(biāo)　　165
12.2.3　匹配城市　　165
12.2.4　高客單價TGI計算　　166
12.2.5　TGI計算中隱藏的問題　　168
12.3　本章小結(jié)　　169
第13章　萬能的同期群分析　　170
13.1　數(shù)據(jù)分析師必知必會的同期
群分析　　170
13.1.1　同期群分析的基本概念　　170
13.1.2　同期群分析的價值　　171
13.1.3　同期群分析的萬能之處　　171
13.2　Pandas同期群分析實戰(zhàn)　　173
13.2.1　數(shù)據(jù)概覽　　173
13.2.2　實現(xiàn)思路剖析　　173
13.2.3　單月實現(xiàn)　　174
13.2.4　遍歷合并和分析　　176
13.2.5　回購客單價的同期群
實現(xiàn)　　179
13.3　本章小結(jié)　　181
第14章　指標(biāo)波動歸因分析　　182
14.1　指標(biāo)波動貢獻(xiàn)率　　182
14.1.1　什么是貢獻(xiàn)率　　182
14.1.2　可加型指標(biāo)波動貢獻(xiàn)率的
計算　　183
14.1.3　乘法型指標(biāo)波動貢獻(xiàn)率的
計算　　185
14.1.4　除法型指標(biāo)波動貢獻(xiàn)率的
計算　　187
14.2　Adtributor算法　　193
14.2.1　Adtributor介紹　　193
14.2.2　單個維度的基礎(chǔ)案例　　194
14.2.3　多個維度的算法邏輯和
Pandas實現(xiàn)　　196
14.3　本章小結(jié)　　200
第15章　一份全面的品牌分析
報告　　202
15.1　探索性數(shù)據(jù)分析簡介　　202
15.1.1　常規(guī)的探索性數(shù)據(jù)分析　　202
15.1.2　探索性數(shù)據(jù)分析的價值　　202
15.1.3　不一樣的探索性數(shù)據(jù)
分析　　203
15.2　數(shù)據(jù)預(yù)處理　　203
15.2.1　數(shù)據(jù)導(dǎo)入　　203
15.2.2　數(shù)據(jù)預(yù)覽　　203
15.2.3　重復(fù)項檢驗　　205
15.2.4　缺失值處理　　205
15.2.5　異常值清洗　　206
15.2.6　字段格式規(guī)整　　207
15.2.7　訂單狀態(tài)篩選　　208
15.3　數(shù)據(jù)總覽分析　　208
15.3.1　年度銷售額變化　　208
15.3.2　年度用戶數(shù)和客單價
變化　　209
15.4　用戶數(shù)據(jù)分析　　210
15.4.1　銷售額和用戶數(shù)月度
趨勢　　210
15.4.2　客單價月度趨勢　　212
15.4.3　客單價細(xì)拆　　213
15.4.4　新老用戶分析　　214
15.4.5　復(fù)購率分析　　217
15.4.6　用戶購買時間間隔　　218
15.5　商品數(shù)據(jù)分析　　221
15.5.1　品類銷售結(jié)構(gòu)　　221
15.5.2　價格帶分析　　223
15.5.3　商品銷售集中度分析　　226
15.6　購物籃關(guān)聯(lián)分析　　228
15.6.1　什么是購物籃關(guān)聯(lián)分析　　228
15.6.2　購物籃關(guān)聯(lián)分析的三大核心
指標(biāo)　　229
15.6.3　購物籃關(guān)聯(lián)分析實戰(zhàn)　　230
15.7　本章小結(jié)　　238