Análise de dados de comércio eletrônico em Python Combate real Zhou Zhipeng Banco de dados Máquinas Indústria Imprensa

(1) Autor experiente: O autor é um especialista em análise de dados com vasta experiência em análise de dados em e-commerce, beleza, catering e outras áreas. O número de artigos originais lidos em toda a rede ultrapassou 1 milhão. (2) Profundamente ciente dos pontos fracos dos leitores: O autor está muito familiarizado com os pontos fracos de aprendizagem dos analistas de dados em termos de pensamento, habilidades e negócios. Este livro preparou um conjunto de métodos "pensamento + habilidades + teoria + prática" especialmente para esse propósito. (3) Orientado para a praticidade, com foco nos pontos-chave: As operações de alta frequência comumente usadas na análise de dados do Pandas representam menos de 20% das funções reais do Pandas, mas podem resolver mais de 80% dos problemas. Este livro simplifica e se concentra apenas nos módulos-chave que podem resolver a maioria dos problemas. (4) Vencendo em combate real, guiado por casos: O livro contém um grande número de casos reais, abrangendo a maioria dos cenários de análise de dados e peer-to-peer.

●Prefácio
Capítulo 1 Preparação para Análise de Dados Python 1
1.1 Noções básicas de análise de dados em Python 1
1.1.1 Conceitos básicos de análise de dados 1
1.1.2 Por que Python 2?
1.1.3 Relação entre Pandas e Python 2
1.2 Como aprender Pandas 3 de forma eficiente
1.2.1 Mal-entendidos no Pandas Learning 3
1.2.2 Aprendendo Pandas 3 com eficiência
1.3 Configuração do ambiente Python 5
1.3.1 Seleção do ambiente Python 5
1.3.2 Baixe e instale o Anaconda 5
1.3.3 Execute o código 7
1.4 Resumo do Capítulo 13
Capítulo 2 Pandas Início Rápido 14
2.1 As duas estruturas de dados do Pandas 14
2.1.1 Introdução ao Pandas 14
2.1.2 Série e DataFrame 15
2.2 Leitura e armazenamento de dados 17
2.2.1 Lendo arquivos Excel 17
2.2.2 Lendo arquivos CSV 20
2.2.3 Lendo outros tipos de arquivo 21
2.2.4 Armazenamento de dados 22
2.3 Compreenda rapidamente os dados 22
2.3.1 Exibir dados 22
2.3.2 Exibir tipo de dados 23
2.3.3 Visão geral das informações estatísticas 23
2.4 Primeira experiência com processamento de dados 24
2.4.1 Adicionar 24
2.4.2 Excluir 24
2.4.3 Selecione 25
2.4.4 Alteração 25
2.5 Tipos de dados e operações comuns 25
2.5.1 Cordas 25
2.5.2 Tipo Numérico 26
2.5.3 Tipo de tempo 28
2.6 Resumo do Capítulo 29
Capítulo 3 Brincando com Índices 30
3.1 Visão geral do índice 30
3.1.1 O que é índice 30?
3.1.2 Dois tipos de índices 31
3.2 Indexação baseada em posição (numérica) 31
3.2.1 Cenário 1: Seleção de Linha 32
3.2.2 Cenário 2: Seleção de Coluna 32
3.2.3 Cenário 3: Seleção cruzada de linhas e colunas 33
3.3 Indexação baseada em nome (rótulo) 33
3.3.1 Seleção de linha com base em loc 34
3.3.2 Seleção de coluna com base em loc 35
3.3.3 Seleção cruzada com base em Loc 35
3.3.4 Cenário 4: Índice de multicondição 36
3.4 Resumo do Capítulo 38
Capítulo 4 Quatro Operações Principais de Limpeza de Dados 39
4.1 Adição: Expansão das Dimensões de Dados 39
4.1.1 Fusão vertical 39
4.1.2 Conexão horizontal 41
4.2 Exclusão: Eliminando Dados de Ruído 44
4.2.1 Processamento de Valores Ausentes 44
4.2.2 Removendo Duplicatas 47
4.3 Seleção: Seleção de dados com base nas condições 48
4.3.1 Indexação/Filtragem por Condições 48
4.3.2 Classificação 49
4.4 Modificação: Alteração do formulário de dados 50
4.4.1 Transpor 50
4.4.2 Agrupamento 50
4.4.3 Divisão 52
4.5 Resumo do Capítulo 54
Capítulo 5 Duas Ferramentas Avançadas do Pandas 55
5.1 Tabela Dinâmica 55
5.1.1 O que é uma tabela dinâmica? 55
5.1.2 Introdução às Tabelas Dinâmicas do Pandas 55
5.1.3 Exemplo de tabela dinâmica Pandas 56
5.2 Aplicação poderosa e flexível 58
5.2.1 Aplicar a Primeira Experiência 59
5.2.2 Usando apply para calcular as melhores e piores pontuações 59
5.2.3 Filtrar o terceiro lugar em cada grupo 61
5.3 Resumo do Capítulo 64
Capítulo 6 Visualização de Dados 65
6.1 Noções básicas do Matplotlib 65
6.1.1 Introdução ao Matplotlib 65
6.1.2 Etapas principais na visualização 65
6.2 Operações básicas do Matplotlib 66
6.2.1 Preparação antes do desenho 66
6.2.2 Criando uma tela 66
6.2.3 Desenho 68
6.2.4 Definindo o eixo de coordenadas 69
6.2.5 Polimento 71
6.3 Desenhando Gráficos Comuns 74
6.3.1 Desenhando um gráfico de linhas 74
6.3.2 Desenhando um gráfico de barras 75
6.3.3 Desenhando um gráfico de dispersão 76
6.3.4 Desenho de outros gráficos comumente usados 77
6.4 Resumo do Capítulo 78
Capítulo 7 Abordando o comércio eletrônico: metodologia de negócios e
Sistema de Análise 79
7.1 O que é comércio eletrônico? 79
7.2 Três papéis principais 80
7.2.1 Usuário 80
7.2.2 Comerciantes 80
7.2.3 Plataforma 81
7.3 Indicadores básicos do comércio eletrônico 82
7.3.1 Indicadores relacionados ao usuário 83
7.3.2 Indicadores relacionados ao produto 83
7.4 Metodologia e aplicação de análise de comércio eletrônico 84
7.4.1 Fórmula de Ouro 84
7.4.2 CRESCER 86
7.4.3 AIPL 88
7.4.4 Douyin 5A e JD 4A 89
7.5 Analista de Dados Renascido: Eu sou o Chefe 90
7.5.1 Analistas de Dados e Chefes 90
7.5.2 Análise de Tendências da Indústria 91
7.5.3 Análise do cenário competitivo 92
7.5.4 Pesquisa de estratégia de marca 92
7.5.5 Análise do Usuário — Período de Exploração 93
7.5.6 Análise do Usuário — Fase Formal 94
7.6 Resumo do Capítulo 95
Capítulo 8 Automação de Relatórios Python 97
8.1 Automação de Relatórios de Dados da Indústria 97
8.1.1 Histórico do caso 97
8.1.2 Processamento de tabela única 99
8.1.3 Execução de loop em lote 101
8.2 Processamento em lote de relatórios e análise de posicionamento de marca 102
8.2.1 Novo Histórico de Demanda 102
8.2.2 Visualização de dados 102
8.2.3 Ideias de análise 104
8.2.4 Processamento de Dados 104
8.2.5 Análise de Dados 105
8.3 Resumo do Capítulo 108
Capítulo 9 Análise de oportunidades da indústria e determinação de ponderação 109
9.1 Histórico do caso 109
9.2 Métodos tradicionais de resolução de problemas 109
9.2.1 Pensamento tradicional anterior 109
9.2.2 Visualização e sumarização de dados 110
9.2.3 As subcategorias de crescimento mais rápido em cada categoria 111
9.3 Método de determinação de peso 113
9.3.1 Método de nível 113
9.3.2 Método da Tabela de Julgamento do Fator de Peso 113
9.3.3 Método do coeficiente de variação 115
9.4 Cálculo e análise de peso de pandas 117
9.4.1 Integração de Dados 117
9.4.2 Cálculo de indicadores-chave 118
9.4.3 Cálculo de pesos 119
9.4.4 Padronização de Dados 122
9.4.5 Índice de Desenvolvimento Abrangente 123
9.5 Resumo do Capítulo 124
Capítulo 10 Segmentação de usuários em ação 125
10.1 Conceitos básicos de segmentação de usuários 125
10.1.1 Segmentação de Usuários Ubíquos 125
10.1.2 Tipos de segmentação de usuários 126
10.1.3 Características da Estratificação do Usuário 126
10.1.4 Por que precisamos fazer segmentação de usuários? 127
10.1.5 Duas questões de estratificação 127
10.2 O Princípio de Pareto 128
10.2.1 Aplicação da regra 80/20 na segmentação de usuários 128
10.2.2 Visualização de dados 129
10.2.3 Limpeza de Dados 131
……

Este não é apenas um livro de referência que pode ajudar os leitores a dominar rapidamente os métodos e processos de análise de dados em Python do zero, mas também um guia prático para orientar os leitores a resolver vários problemas de análise de dados sob a perspectiva do comércio eletrônico. Primeiramente, este livro toma o Pandas, amplamente utilizado na análise de dados em Python, como ponto de partida, com foco no desenvolvimento do pensamento e das habilidades em análise de dados, e explica em detalhes a operação do Pandas e os métodos de análise de dados, que podem cobrir mais de 80% dos cenários de aplicação de análise de dados, estabelecendo uma base sólida para analistas de dados. Em seguida, com base no comércio eletrônico, um campo de negócios bem conhecido pelos leitores e com forte universalidade, este livro utiliza um grande número de casos para explicar métodos de análise de dados para oito cenários principais de comércio eletrônico, incluindo automação de relatórios, mineração de oportunidades do setor, estratificação de usuários, agrupamento de usuários, análise de preferências de usuários, análise de coorte, análise de atribuição de flutuação de indicadores e análise de marca. Teoria e casos são profundamente integrados. Este livro é prático e se concentra em pontos-chave. As funções de alta frequência comumente usadas na análise de dados em Python representam menos de 20% dos recursos de análise de dados do Python. Este livro simplifica e foca apenas nos módulos-chave que podem resolver a maioria dos problemas. Este livro vence em combate real e é guiado por casos. À primeira vista, esses casos podem resolver diversos problemas de e-commerce.