1 Python 基础 1
1.1 安装Python 环境 2
1.1.1 Python 3.6.2 安装与配置 2
1.1.2 获取PyCharm 4
1.1.3 获取Anaconda 4
1.2 Python 操作入门 6
1.2.1 编写第壹段Python 代码 6
1.2.2 Python 基本操作 9
1.2.3 Python 变量 11
1.2.4 Python 数据类型 11
1.2.5 Python 控制语句与函数 17
1.2.6 Python 自定义函数 20
2 Python 商业数据分析基础 21
2.1 什么是数据分析 22
2.1.1 理解数据分析 22
2.1.2 数据分析的两个核心思维 23
2.1.3 数据分析的方法论 23
2.2 Python 在商业分析中的价值 32
2.2.1 人生苦短，我用Python 32
2.2.2 Python 在商业分析应用中的优势 33
2.3 数据采集 33
2.3.1 采集数据前的准备工作 33
2.3.2 Requests 库 40
2.4 数据库操作及文件读写 48
2.4.1 MySQL 数据库 48
2.4.2 数据库操作 50
2.5 NumPy 数组处理 54
2.5.1 一维数组操作 54
2.5.2 多维数组操作 56
2.5.3 数组运算 60
2.6 Pandas 数据处理 61
2.6.1 数据导入与导出 61
2.6.2 数据描述性统计 62
2.6.3 数据透视汇总 63
2.7 商业分析可视化 65
2.7.1 柱状图 66
2.7.2 饼图 68
2.7.3 线图 69
2.7.4 散点图 70
3 Python 与市场分析案例 73
3.1 案例：市场大盘容量分析 75
3.1.1 案例背景及数据理解 75
3.1.2 计算市场*规模 76
3.1.3 计算市场相对规模 78
3.1.4 绘制柱状图和饼图 79
3.2 案例：市场趋势分析 81
3.2.1 案例背景及数据理解 82
3.2.2 根据时间合并市场数据 83
3.2.3 补齐缺失月的数据 84
3.2.4 绘制趋势图 89
3.2.5 计算市场增量 94
3.2.6 绘制组合图 94
3.3 案例：细分市场分析 95
3.3.1 案例背景及数据理解 96
3.3.2 类别的分布分析 96
3.3.3 识别潜力细分市场 99
3.3.4 潜力细分市场需求分析 104
3.3.5 消费者需求分析 106
4 Python 与店铺数据化运营案例 115
4.1 案例：用Python 做SEO 116
4.1.1 案例背景及数据理解 116
4.1.2 关键词词根分词与统计 117
4.1.3 可视化图形 118
4.2 案例：用Python 做推广方案 122
4.2.1 案例背景及数据理解 122
4.2.2 计算渠道投放预算的*优解 124
4.2.3 计算品类投放预算的*优解 126
4.2.4 计算各个品类在不同渠道的*优解 127
4.3 案例：用Python 分析竞品 131
4.3.1 案例背景及数据理解 131
4.3.2 采集数据 131
4.3.3 竞品调价预警 134
5 Python 与数字营销案例 137
5.1 案例：基于关联规则的产品推荐 138
5.1.1 算法原理及案例背景 138
5.1.2 创建商品项集 141
5.1.3 建立函数挑选*小支持度项集 143
5.1.4 训练步骤项集函数 144
5.2 案例：基于聚类算法的商品推荐 147
5.2.1 算法原理及案例背景 147
5.2.2 消费者聚类 150
5.2.3 基于消费者聚类的推荐 167
5.3 案例：基于协同过滤算法的产品推荐 176
5.3.1 算法原理及案例背景 176
5.3.2 数据准备 178
5.3.3 推荐算法建模 179
5.4 案例：消费者舆情分析 183
5.4.1 案例背景及数据理解 183
5.4.2 案例实现 183
6 Python 与销售预测案例 187
6.1 案例：基于业务逻辑的预测算法模型 188
6.1.1 案例背景及数据理解 188
6.1.2 案例实现 188
6.2 案例：基于时序算法预测库存 189
6.2.1 算法原理及案例背景 189
6.2.2 数据及时序检查 191
6.2.3 时间序列建模 198
6.2.4 循环迭代的ARIMA 模型 203
6.3 案例：电商的库存预测算法建模 207
6.3.1 算法原理及案例背景 208
6.3.2 准备数据 209
6.3.3 计算补货量 211
6.4 案例：用户成单预测 212
6.4.1 算法原理及案例背景 212
6.4.2 数据准备 215
6.4.3 数据挖掘 243
6.5 案例：用户流失预测 246
6.5.1 算法原理及案例背景 246
6.5.2 数据准备 249
6.5.3 数据挖掘 254
