Python数据科学 下载 pdf 百度网盘 epub 免费 2025 电子书 mobi 在线

这是一本以Python为工具，以商业实战为导向的数据科学家养成手册，从技术、业务、商业实战3个维度为有志成为数据科学家的读者提供了系统化的学习路径。

3位作者是数据科学和金融领域的资深专家，不仅技术精湛、经验丰富，而且在本书的写作上也颇下功夫：首先，将数学和算法等复杂的技术用图形化的方式来展现，尽可能降低读者的理解难度；其次，本书不是一本教科书或案例集，而是针对数据科学家的能力模型提供系统化的解决方案。

全书一共19章：内容依次围绕技术、业务和商业实战3个维度展开：

技术维度：较为系统和深度地讲解了数据挖掘、数据分析以及机器学习等数据科学中核心的技术。

业务维度：围绕宏观业务分析和微观客户分析展现了数据科学在市场研究、企业管理、客户画像与分析、精准营销、风险度量、流失预警等方面的知识点。

实战维度：以案例的形式全面展现了著名咨询公司从事客户量化分析的方法论，为读者提供了标准的数据科学工作模板。

本书脚本请到作者的Github主页上下载（https://github.com/changgz/Pydsci）。

前言

第1章数据科学家的武器库

1.1数据科学的基本概念

1.2数理统计技术

1.2.1描述性统计分析

1.2.2统计推断与统计建模

1.3数据挖掘的技术与方法

1.4描述性数据挖掘算法示例

1.4.1聚类分析——客户细分

1.4.2关联规则分析

1.5预测性数据挖掘算法示例

1.5.1决策树

1.5.2KNN算法

1.5.3Logistic回归

1.5.4神经网络

1.5.5支持向量机

1.5.6集成学习

1.5.7预测类模型讲解

1.5.8预测类模型评估概述

第2章Python概述

2.1Python概述

2.1.1Python简介

2.1.2Python与数据科学

2.1.3Python2与Python3

2.2Anaconda Python的安装、使用

2.2.1下载与安装

2.2.2使用Jupyter Notebook

2.2.3使用Spyder

2.2.4使用conda或pip管理

第三方库

第3章数据科学的Python编程基础

3.1Python的基本数据类型

3.1.1字符串(str)

3.1.2浮点数和整数（float、int）

3.1.3布尔值（Bool：True/False）

3.1.4其他

3.2Python的基本数据结构

3.2.1列表（list）

3.2.2元组（tuple）

3.2.3集合（set）

3.2.4字典（dict）

3.3Python的程序控制

3.3.1三种基本的编程结构简介

3.3.2顺承结构

3.3.3分支结构

3.3.4循环结构

3.4Python的函数与模块

3.4.1Python的函数

3.4.2Python的模块

3.5Pandas读取结构化数据

3.5.1读取数据

3.5.2写出数据

第4章描述性统计分析与绘图

4.1描述性统计进行数据探索

4.1.1变量度量类型与分布类型

4.1.2分类变量的统计量

4.1.3连续变量的分布与集中趋势

4.1.4连续变量的离散程度

4.1.5数据分布的对称与高矮

4.2制作报表与统计制图

4.3制图的步骤

第5章数据整合和数据清洗

5.1数据整合

5.1.1行列操作

5.1.2条件查询

5.1.3横向连接

5.1.4纵向合并

5.1.5排序

5.1.6分组汇总

5.1.7拆分、堆叠列

5.1.8赋值与条件赋值

5.2数据清洗

5.2.1重复值处理

5.2.2缺失值处理

5.2.3噪声值处理

5.3RFM方法在客户行为分析上的运用

5.3.1行为特征提取的RFM方法论

5.3.2使用RFM方法计算变量

5.3.3数据整理与汇报

第6章数据科学的统计推断基础

6.1基本的统计学概念

6.1.1总体与样本

6.1.2统计量

6.1.3点估计、区间估计和中心极限定理

6.2假设检验与单样本t检验

6.2.1假设检验

6.2.2单样本t检验

6.3双样本t检验

6.4方差分析（分类变量和连续变量关系检验）

6.4.1单因素方差分析

6.4.2多因素方差分析

6.5相关分析（两连续变量关系检验）

6.5.1相关系数

6.5.2散点矩阵图

6.6卡方检验（二分类变量关系检验）

6.6.1列联表

6.6.2卡方检验

第7章客户价值预测：线性回归模型与诊断

7.1线性回归

7.1.1简单线性回归

7.1.2多元线性回归

7.1.3多元线性回归的变量筛选

7.2线性回归诊断

7.2.1残差分析

7.2.2强影响点分析

7.2.3多重共线性分析

7.2.4小结线性回归诊断

7.3正则化方法

7.3.1岭回归

7.3.2LASSO回归

第8章Logistic回归构建初始信用评级

8.1Logistic回归的相关关系分析

8.2Logistic回归模型及实现

8.2.1Logistic回归与发生比

8.2.2Logistic回归的基本原理

8.2.3在Python中实现Logistic回归

8.3Logistic回归的极大似然估计

8.3.1极大似然估计的概念

8.3.2Logistics回归的极大似然估计

8.4模型评估

8.4.1模型评估方法

8.4.2ROC曲线的概念

8.4.3在Python中实现ROC曲线

第9章使用决策树进行初始信用评级

9.1决策树概述

9.2决策树算法

9.2.1ID3建树算法原理

9.2.2C4.5建树算法原理

9.2.3CART建树算法原理

9.2.4决策树的剪枝

9.3在Python中实现决策树

9.3.1建模

9.3.2模型评估

9.3.3决策树的可视化

9.3.4参数搜索调优

第10章神经网络

10.1神经元模型

10.2单层感知器

10.3BP神经网络

10.4多层感知器的scikitlearn代码实现

第11章分类器入门：最近邻域与朴素贝叶斯

11.1KNN算法

11.1.1KNN算法原理

11.1.2在Python中实现KNN算法

11.2朴素贝叶斯分类

11.2.1贝叶斯公式

11.2.2朴素贝叶斯分类原理

11.2.3朴素贝叶斯的参数估计

11.2.4在Python中实现朴素贝叶斯

第12章高级分类器：支持向量机

12.1线性可分与线性不可分

12.2线性可分支持向量机

12.2.1函数间隔和几何间隔

12.2.2学习策略

12.2.3对偶方法求解

12.2.4线性可分支持向量机例题

12.3线性支持向量机与软间隔最大化

12.4非线性支持向量机与核函数

12.4.1核函数

12.4.2非线性支持向量机的学习

12.4.3示例与Python实现

12.5使用支持向量机的案例

第13章连续变量的特征选择与转换

13.1方法概述

13.2主成分分析

13.2.1主成分分析简介

13.2.2主成分分析原理

13.2.3主成分分析的运用

13.2.4在Python中实现主成分分析

13.3基于主成分的冗余变量筛选

13.4因子分析

13.4.1因子分析模型

13.4.2因子分析算法

13.4.3在Python中实现因子分析

第14章客户分群与聚类

14.1聚类算法概述

14.2聚类算法基本概念

14.2.1变量标准化与分布形态转换

14.2.2变量的维度分析

14.3聚类模型的评估

14.4层次聚类

14.4.1层次聚类原理

14.4.2层次聚类在Python中的实现

14.5基于划分的聚类

14.5.1kmeans聚类原理

14.5.2kmeans聚类的应用场景

14.5.3在Python中实现kmeans聚类

14.6基于密度的聚类

14.6.1详谈基于密度聚类

14.6.2在Python中实现密度聚类

14.7案例:通信客户业务使用偏好聚类

14.7.1保持原始变量分布形态进行聚类

14.7.2对变量进行分布形态转换后聚类

第15章关联规则

15.1关联规则

15.1.1关联规则的一些概念

15.1.2Apriori算法原理

15.1.3在Python中实现关联规则

15.2序列模式

15.2.1序列模式简介与概念

15.2.2序列模式算法

15.2.3在Python中实现序列模式

第16章排序模型的不平衡分类处理

16.1不平衡分类概述

16.2欠采样法

16.2.1随机欠采样法

16.2.2Tomek Link法

16.3过采样法

16.3.1随机过采样法

16.3.2SMOTE法

16.4综合采样法

16.5在Python中实现不平衡分类处理

第17章集成学习

17.1集成学习概述

17.2Bagging

17.2.1Bagging算法实现

17.2.2随机森林

17.3Boosting

17.4偏差（Bias）、方差（Variance）与集成方法

17.4.1偏差与方差

17.4.2Bagging与Boosting的直观理解

第18章时间序列建模

18.1认识时间序列

18.2效应分解法时间序列分析

18.3平稳时间序列分析ARMA模型

18.3.1平稳时间序列

18.3.2ARMA模型

18.3.3在Python中进行AR建模

18.4非平稳时间序列分析ARIMA模型

18.4.1差分与ARIMA模型

18.4.2在Python中进行ARIMA建模

18.5ARIMA方法建模总结

第19章商业数据挖掘案例

19.1个人贷款违约预测模型

19.1.1数据介绍

19.1.2业务分析

19.1.3数据理解

19.1.4数据整理

19.1.5建立分析模型

19.1.6模型运用

19.1.7流程回顾

19.2慈善机构精准营销案例

19.2.1构造营销响应模型

19.2.2构造客户价值预测模型

19.2.3制订营销策略

19.2.4案例过程回顾与不足

19.3旅游企业客户洞察案例

19.3.1案例说明

19.3.2数据预处理

19.3.3使用kmeans聚类建模

19.3.4对各个簇的特征进行描述

19.4个人3C产品精准营销案例

19.4.1案例说明

19.4.2数据预处理

19.4.3建模

19.4.4模型评估

19.4.5下一步建议

附录A 数据说明

参考文献

常国珍

资深数据科学专家和金融技术专家。北京大学会计学博士，中国大数据产业生态联盟专家委员会委员。

2005年进入数据科学领域，先后在亚信、德勤等企业从事电信、金融行业数据挖掘工作，现就职于中银消费金融有限公司数据管理部。专注于消费金融领域的数据治理、客户智能与风险智能。

赵仁乾

资深数据科学家，在电信大数据和机器学习领域有丰富的实践经验。

现就职于北京电信规划设计院任高级经济师，负责通信、ICT项目工程与业务咨询，专注电信市场数据分析，重点研究方向包括离网用户挖掘、市场细分与精准营销、移动网络价值区域分析、大数据及人工智能运营规划等。

张秋剑

资深大数据专家和金融行业技术专家，上海师范大学计算机科学技术硕士。

现任星环科技金融事业部总监，大数据技术架构行业顾问专家，云析学院发起人，AICUG社区联合发起人，曾在IEEE等期刊发表多篇论文。目前主要为银行、证券和保险等行业客户提供大数据平台及人工智能平台的整体规划和项目建设等工作。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：Python数据科学在线阅读

在线听书地址：Python数据科学在线收听

在线购买地址：Python数据科学在线购买

暂无原文赏析，正在全力查找中！

书籍介绍

这是一本以Python为工具，以商业实战为导向的数据科学家养成手册，从技术、业务、商业实战3个维度为有志成为数据科学家的读者提供了系统化的学习路径。

3位作者是数据科学和金融领域的资深专家，不仅技术精湛、经验丰富，而且在本书的写作上也颇下功夫：首先，将数学和算法等复杂的技术用图形化的方式来展现，尽可能降低读者的理解难度；其次，本书不是一本教科书或案例集，而是针对数据科学家的能力模型提供系统化的解决方案。

全书一共19章：内容依次围绕技术、业务和商业实战3个维度展开：

技术维度：较为系统和深度地讲解了数据挖掘、数据分析以及机器学习等数据科学中核心的技术。

业务维度：围绕宏观业务分析和微观客户分析展现了数据科学在市场研究、企业管理、客户画像与分析、精准营销、风险度量、流失预警等方面的知识点。

实战维度：以案例的形式全面展现了著名咨询公司从事客户量化分析的方法论，为读者提供了标准的数据科学工作模板。

本书脚本请到作者的Github主页上下载（https://github.com/changgz/Pydsci）。