数据分析师养成宝典 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

程显毅 著

图书标签:

• 数据分析
• 数据挖掘
• Python
• SQL
• Excel
• 统计学
• 机器学习
• 商业分析
• 数据可视化
• 职场技能

出版社： 机械工业出版社

ISBN：9787111595106

版次：1

商品编码：12351766

品牌：机工出版

包装：平装

开本：16开

出版时间：2018-04-01

用纸：胶版纸

页数：311

编辑推荐

适读人群 ：数据科学相关技术人员 高等院校数据科学相关专业
只要学会数据思维，数据分析任你摆布
只要有想法肯动脑，有无基础皆可学会
只要懂得指标设计，项目落地信手捏来

内容简介

在数据为主导的今天，对于一种已经成型的模型，“怎么用”通常不是问题，用个软件或者编几行程序就能得到结果了，问题一般都出在模型“什么时候用”和“用完了，然后呢”。《数据分析师养成宝典》就集中讨论后面两件事情。
《数据分析师养成宝典》共27章，分为业务理解篇（第1~4章）、指标设计篇（第5~7章）、数据建模篇（第8~16章）、价值展现篇（第17~19章）和实战进阶篇（第20~27章）。业务理解篇的目的是让读者建立正确的思维观，理解数据，熟悉业务；指标设计篇学习把数据转换为专家数据的一些技巧；数据建模篇以R语言为计算平台实施数据分析全过程；价值展现篇主要讨论如何撰写有价值的数据分析报告；实战进阶篇通过对8个经典案例的分析，使读者能够把学到的思维方法、实施工具应用到解决实际问题中，把数据变成价值。
本书可供数据科学相关技术人员阅读，也可作为高等院校数据科学相关专业的教材或培训教材，以及数据分析爱好者的参考读物。

目录

如何使用本书
第0章说在前面的话
0.1大数据分析案例
0.2数据分析
0.2.1数据分析不同于信息化系统
0.2.2数据分析不同于统计分析
0.2.3数据分析不同于数据挖掘
0.2.4数据分析不同于数据管理
0.2.5数据分析不同于商业智能
0.2.6数据分析的内容
0.3数据分析师
0.3.1什么是数据分析师
0.3.2基本要求
0.4数据分析过程
0.4.1业务理解
0.4.2指标设计
0.4.3数据建模
0.4.4分析报告
业务理解篇
第1章正确的思维观
1.1数据思维
1.2统计思维
1.2.1统计学
1.2.2描述
1.2.3概括
1.2.4分析
1.3逻辑思维
1.3.1上取/下钻思维
1.3.2求同/求异思维
1.3.3抽离/联合思维
1.3.4离开/接近思维
1.3.5层次思维
第2章理解数据
2.1数据是什么
2.2数据所依存的背景
2.3数据维度
2.4数据敏感
2.5数据质量
2.6理解数据要注意的问题
2.6.1不要对完美数据的盲目执着
2.6.2小样本数据也能做数据分析
第3章理解业务
3.1全局了解——业务模型
3.2动态了解——流程模型
3.3静态了解——数据模型
3.4动静结合——关键业务分析
3.5数据业务化
第4章理解用户
4.1由粗到细，从宏观到微观
4.2由少到多，收集不同层次的需求
4.3数据分析师对理解用户需求的思考
4.3.1如何用需求分析明确产品目标？
4.3.2数据分析师理解用户需求应该具备的基本素养
4.3.3如何根据用户行为去驱动产品？
指标设计篇
第5章数据准备
5.1数据探索
5.1.1缺失值分析与处理
5.1.2异常值分析与处理
5.1.3不一致数据分析
5.2数据整理
5.2.1规范化
5.2.2数据选择
5.2.3数据归约
5.2.4数据变换
5.3数据集成
5.3.1通过向量化重构数据
5.3.2为数据添加新变量
5.3.3数据透视表
5.3.4列联表
5.3.5数据整合
5.3.6分组计算
第6章数据指标
6.1指标和维度
6.2特征工程
6.2.1特征工程作用
6.2.2特征设计
6.2.3特征选择
6.2.4特征提取
6.3指标设计基本方法
6.3.1生成用于判别的变量
6.3.2生成离散变量
6.3.3业务标签化
6.4典型业务指标设计
6.4.1零售店铺数据分析指标
6.4.2电商数据分析指标
第7章数据认知
7.1认知数据的平均水平和波动情况
7.2认知数据的分布
7.3利用相关系数理解数据之间的关系
7.4通过对比认知数据
7.5通过多维交叉来深入认知数据
7.6周期性分析
7.7贡献度分析
7.8因子分析
数据建模篇
第8章神经网络
8.1模型原理
8.2进阶指导
第9章回归分析
9.1模型原理
9.2进阶指导
第10章聚类分析
10.1模型原理
10.2进阶指导
第11章关联分析
11.1模型原理
11.2进阶指导
第12章决策树
12.1模型原理
12.2进阶指导
第13章随机森林决策树
13.1模型原理
13.2进阶指导
第14章自适应选择决策树
14.1模型原理
14.2进阶指导
第15章SVM
15.1模型原理
15.2进阶指导
第16章建模指导
16.1建模要注意的问题
16.2R语言中建模常用包
16.3数据分析模型的原理和应用场景
价值展现篇
第17章如何写好数据分析报告
17.1数据的价值
17.1.1收入
17.1.2支出
17.1.3风险
17.1.4参照系
17.2讲故事
17.2.1数据讲故事的四大要点
17.2.2阿里指数能告诉你……
17.3如何写报告
17.3.1写作原则
17.3.2报告的类型和分析能力
17.3.3报告的细节
17.4报告的结构
17.4.1标题
17.4.2背景与目标
17.4.3项目说明
17.4.4分析思路
17.4.5分析主体
17.4.6总结与建议
17.5文字表达
17.5.1突出关键信息
17.5.2避免啰嗦的表达
17.5.3站在读者角度
17.5.4不带主观臆断
17.6分析过程
17.6.1样本选择
17.6.2方法实施
17.7注意事项
第18章数据可视化
18.1什么是数据可视化
18.2数据可视化的作用
18.3可视化建议
18.4科学与艺术的结合
18.5可视化细节
18.6R语言绘图
18.6.1低水平绘图命令
18.6.2高水平绘图命令
18.6.3交互式绘图命令
18.7图形适用场景
第19章数据分析报告制作工具
19.1knitr包
19.1.1安装knitr
19.1.2Markdown语法
19.1.3报告制作
19.2rmarkdown包
19.2.1创建R Markdown
19.2.2R Markdown文本处理
19.2.3插入代码块
19.2.4结果的输出
实战进阶篇
第20章校园网中推荐者的推荐价值分析
20.1业务理解
20.2指标设计
20.3描述性分析
20.4模型分析
20.5分析报告
第21章上市企业财务报表分析与ST预测
21.1业务理解
21.2指标设计
21.3描述性分析
21.4模型分析
21.5分析报告
第22章为什么销售会减少——验证性分析
22.1业务理解
22.2指标设计
22.3描述性分析
22.4结论与建议
第23章什么样的顾客会选择离开——探索性分析
23.1业务理解
23.2指标设计
23.3描述性分析
23.4结论与建议
第24章哪种广告的效果更好——假设检验
24.1业务理解
24.2数据建模
24.3模型分析
24.4结论与建议
第25章如何获得更多的用户——多元回归分析
25.1业务理解
25.2数据建模
25.3模型分析
25.4结论与建议
第26章航空公司顾客价值分析——聚类
26.1业务理解
26.2指标设计
26.3模型构建
26.4模型评价
26.5结论与建议
第27章窃电用户行为分析——决策树
27.1业务理解
27.2简单指标设计
27.3描述性分析
27.4复杂指标设计

前言/序言

随着大数据时代的到来，企业管理者对数据价值的重视程度越来越高，他们渴望从企业内部数据、外部数据中获得更多的信息财富，并以此为依据，帮助自己做出正确的战略决策。 如今在数据分析师的岗位上，大多数员工都是非统计专业出身，远远达不到专业数据分析要求，如何能够快速找到突破口，帮助对数据分析有兴趣的人员全面掌握数据分析技巧，基于此，《数据分析师养成宝典旨》在帮助读者解决如下困惑：学习前的困惑学习后将收获什么零基础入门数据分析领域只要有数据思维，数据分析任你摆布不会编程只要有想法，R语言帮你搞定对行业业务流程不了解项目实际操作从业务思路到落地技能全掌握不会写数据分析报告掌握了前三项技能，写数据分析报告是小意思
全书分为5篇：业务理解篇、指标设计篇、数据建模篇、价值展现篇和实战进阶篇，从数据到价值的演化如下图所示。
业务数据化是把数据变为价值的先决条件，目的是建立正确的思维观，理解数据，熟悉业务；对数据描述、概括和分析是把数据变为价值的核心，是一个数据分析项目的实施过程；数据分析报告是数据价值的最终形态，好的数据分析报告是企业决策的重要依据，专业的数据分析报告能体现你的职场价值。
如果把整个数据分析过程比作开饭店，业务数据化相当于菜谱，虽然是纸上谈兵，但也是不可缺少的一环；描述、概括和分析相当于烧菜的厨艺，这是开饭店的先决条件，菜烧得好可以品尝，不能保证盈利；撰写数据分析报告相当于开饭店的理由，关键是说清楚如何让饭店盈利？盈利多少？菜谱、厨艺、开饭店理由三者相辅相成，缺少任何一环,盈利的目标都难以达成。
本书的特点如下：
1�甭涞厥涤�
全书分为5篇，共27章，每一章的内容都从实际业务出发，书中所提供的思维方法、分析框架、数据指标设计与操作步骤都可以直接运用到工作当中。
2�敝氐狼崾�
“术”是数据分析方法和工具，“道”强调了如何对数据敏感，如何把数据分析工作融入商业思考，弥补许多人只懂理论脱离实践的不足。
3�绷憔嗬虢哟バ幸登把�
本书以R语言为计算平台，无论你是什么专业，无论你是否有编程基础，无论你是否学过统计，要想成为一名数据分析师，本书能帮到你。
4�碧逑低暾�
近年来，数据分析师可谓是大数据时代最热门的职业，相关的资料五花八门，让读者无所适从。从学科体系来看，无非包括三个层次：理论、工具和技巧。但由于数据分析的特殊性，依赖于思维和业务，所以，市场上成体系的书籍并不多见，大多是讲理论和工具，本书试图在数据分析完整的体系上做些探索。
在本书的编写过程，得到了许多人的支持，再次表示感谢：
感谢南通大学-南通智能信息技术联合研究中心给予的资金资助。
感谢硅湖职业技术学院在培训、实验方面所给予的支持。
感谢南通大学教材建设资金资助。
感谢我的学生沈佳杰、谢璐、胡海涛、姚泽峰、周春瑜、孙丽丽、杨琴和赵丽敏在资料整理方面所做的贡献。
其次，感谢我的妻子和儿女们，正是你们的鼓励和支持，我才会走到今天，你们的鼓励和陪伴永远是我前进的动力。
最后，特别要感谢我的母亲和已故的父亲，感谢你们的养育之恩。仅以此书献给健在的母亲，希望母亲健康，健康，更健康。
数据分析领域发展迅猛，对许多问题作者并未做深入研究，一些有价值的新内容也来不及收入本书。加上作者知识水平和实践经验有限，书中难免存在不足之处，敬请读者批评指正。

《Python数据科学实战：从入门到精通》 内容简介 在这个信息爆炸的时代，数据已经成为驱动决策、创新发展和企业增长的核心要素。掌握数据分析技能，如同拥有了一双洞察未来的眼睛，能够从海量信息中发掘有价值的洞察，为个人和组织的成功奠定坚实基础。然而，面对纷繁复杂的数据处理工具和分析方法，许多初学者感到无从下手。 《Python数据科学实战：从入门到精通》正是为解决这一痛点而生。本书并非一本枯燥乏味的理论堆砌，而是一本以实践为导向、循序渐进的Python数据科学入门与进阶指南。我们相信，最有效的学习方式莫过于动手实践，通过解决实际问题来掌握理论知识。因此，本书以大量贴近实际应用场景的案例贯穿始终，从数据采集、清洗、探索性数据分析（EDA），到数据可视化、模型构建与评估，每一个环节都力求清晰易懂，操作性强。 本书特色 1. Python生态系统全面覆盖： 本书深度讲解Python在数据科学领域的核心库，包括NumPy用于高效的数值计算，Pandas提供强大的数据结构和数据分析工具，Matplotlib和Seaborn用于美观且富有洞察力的数据可视化，Scikit-learn为机器学习提供了丰富的算法和工具。这些库是数据科学家们的“瑞士军刀”，熟练掌握它们将为你的数据之旅打下坚实的基础。 2. 从零开始，零门槛学习： 即使你没有任何编程基础，本书也会从Python语言的最基础概念讲起，逐步引导你掌握数据科学所需的Python语法和编程技巧。我们会用最直观的例子解释复杂的概念，让你在不知不觉中爱上编程，并乐于用它来解决数据问题。 3. 项目驱动，实战为王： 本书最大的亮点在于其丰富的实战项目。每一个章节都会围绕一个具体的应用场景展开，例如： 社交媒体数据分析： 如何抓取用户评论、分析情感倾向，挖掘热门话题； 电商销售数据分析： 如何识别用户购买行为模式，进行商品推荐，预测销售趋势； 金融市场数据分析： 如何分析股票价格走势，构建交易策略； 医疗健康数据分析： 如何分析疾病传播模式，预测疾病风险。 通过完成这些真实世界的数据项目，你将不仅学会技术，更能理解数据分析在不同领域的实际价值。 4. 数据清洗与预处理的艺术： 真实世界的数据往往是“脏”的，充满缺失值、异常值、格式不一致等问题。本书将花费大量篇幅讲解如何有效地进行数据清洗和预处理，包括缺失值填充、异常值检测与处理、数据格式转换、特征工程等关键技术，让你能够自信地处理各种“恶劣”的数据。 5. 探索性数据分析（EDA）的深度剖析： EDA是数据分析过程中至关重要的一步，它能帮助我们理解数据的分布、发现数据中的模式和关系。本书将引导你利用统计学方法和可视化工具，系统地探索你的数据集，提出有价值的假设，并为后续的模型构建奠定基础。 6. 精通数据可视化： “一图胜千言”。本书将教你如何利用Matplotlib和Seaborn创建各种类型的图表，如折线图、柱状图、散点图、热力图、箱线图等，并教会你如何根据不同的分析目的选择最合适的图表，让你的数据洞察更直观、更具说服力。 7. 机器学习入门与实践： 在掌握了基础的数据处理和分析技能后，本书将带你进入机器学习的世界。我们将介绍监督学习（如线性回归、逻辑回归、决策树、随机森林、支持向量机）和无监督学习（如K-means聚类）的核心算法，并结合Scikit-learn库进行实际操作，让你能够构建和评估预测模型、分类模型和聚类模型。 8. 代码清晰，注释详尽： 书中的每一个Python代码示例都经过精心设计，力求简洁、高效、易于理解。代码块配有详细的注释，解释每一行代码的作用，帮助你理解其背后的逻辑。 9. 章节设计，层层递进： 本书的章节安排紧凑且逻辑清晰，从Python基础语法，到数据处理核心库，再到数据可视化和机器学习，每一个知识点都在前一个知识点的基础上进行展开，确保读者能够平滑地过渡，逐步提升技能水平。 目标读者 零基础的编程爱好者： 想要学习如何用Python进行数据分析，但对编程一无所知。 渴望转型的职场人士： 希望学习数据科学技能，以提升自己在职场上的竞争力，或转岗至数据分析、数据科学相关领域。 在校学生： 计算机科学、统计学、数学、经济学、商科等专业的学生，希望将理论知识与实践相结合。 已掌握基础Python，但缺乏数据分析经验的开发者： 希望快速掌握数据科学常用工具和方法。 需要处理和分析数据的研究人员、市场营销人员、产品经理等： 希望利用数据驱动工作决策。 学习本书，你将能够： 熟练使用Python进行数据采集、清洗、转换和整理。 掌握Pandas数据分析的核心操作，高效处理结构化数据。 运用NumPy进行快速的数值计算和数组操作。 通过Matplotlib和Seaborn创建富有洞察力的数据可视化图表。 理解并应用常见的探索性数据分析（EDA）技术。 构建和评估基本的机器学习模型，解决实际问题。 独立完成一个完整的数据分析项目。 培养解决复杂数据问题的能力和数据驱动的思维方式。 《Python数据科学实战：从入门到精通》 不仅仅是一本书，更是你开启数据科学之旅的坚实伙伴。我们期待与你一起，在数据的海洋中探索无限可能。

评分☆☆☆☆☆

我必须说，这本书的叙事方式简直是一绝！它不像我之前读过的那些教科书，上来就是一堆定义和理论，让人读得云里雾里。这本书更像是在讲一个引人入胜的故事，以一个菜鸟数据分析师的视角，慢慢探索和成长的过程。作者巧妙地将各种数据分析的技术和工具融入到这个故事线中，让我仿佛置身于真实的职场环境，与主人公一起面对挑战，解决问题。比如，在讲到数据清洗的时候，书中并不是简单列举一些数据异常的情况，而是通过一个项目中遇到的真实脏乱差的数据集，让读者感受到数据不规范带来的困扰，然后循序渐进地讲解如何识别、处理这些问题，并且给出了很多实用的Python代码示例。我发现自己不仅学到了知识，更重要的是，学会了如何去思考，如何在实际操作中灵活运用所学。书中还分享了很多作者在实际工作中的经验和心得，那些“坑”和“窍门”都是在其他地方很难看到的宝贵财富。我感觉自己不是在被动地接收信息，而是在主动地参与和学习，这种沉浸式的学习体验，是我之前从未有过的。

评分☆☆☆☆☆

从技术的角度来看，这本书的深度和广度都让我印象深刻。它并没有停留在基础的数据可视化和描述性统计层面，而是深入探讨了更高级的数据挖掘和预测建模技术。我特别惊喜地发现，书中对于机器学习在数据分析中的应用做了非常详尽的讲解，而且并非生硬地堆砌算法，而是从实际业务问题出发，选择合适的算法，并详细讲解了如何进行模型训练、评估和调优。例如，在讲解用户流失预测的时候，书中不仅介绍了常用的分类算法，还详细阐述了如何进行特征工程，如何选择合适的评估指标，以及如何解释模型的预测结果，这对于我理解模型背后的原理和实际应用非常有帮助。更难得的是，书中还提供了一些非常实用的代码库和工具的介绍，并且给出了清晰的示例，让我能够很快上手实践。我已经迫不及待地想要把书中学到的东西应用到我的实际项目中了，我相信它能极大地提升我的工作效率和分析能力。

评分☆☆☆☆☆

我一直觉得，数据分析领域发展太快了，很多书籍都跟不上潮流。但这本书却能做到既有扎实的理论基础，又能紧跟时代步伐，融入最新的技术和趋势。它在讲解传统的数据分析方法的同时，也对一些新兴的领域，比如大数据技术、人工智能在数据分析中的应用等，进行了初步的介绍和探讨。这让我感觉自己不仅仅是在学习现有的知识，更是在为未来的发展打下基础。书中对一些复杂概念的解释，总是能够用最简洁明了的方式呈现出来，并且辅以大量的图示和代码示例，让即使是初学者也能轻松理解。而且，作者并没有回避数据分析中的一些挑战和局限性，而是以一种非常坦诚的态度，和读者一起探讨如何应对这些挑战。这种开放和深入的交流，让我对数据分析这个领域有了更全面、更深刻的认识。

评分☆☆☆☆☆

这本书最让我赞赏的地方在于它对“数据思维”的培养。很多时候，我们学习了各种工具和方法，但却不知道如何将它们有效地应用到解决实际问题上。这本书恰恰弥补了这一点。它不仅仅是教授技术，更重要的是，它教会你如何从业务需求出发，将问题转化为数据分析的语言，如何设计合理的分析框架，如何从数据中挖掘有价值的洞察，并最终将这些洞察转化为 actionable insights。书中有很多章节都在强调“提问”的重要性，教会我们如何提出有意义的问题，如何设计实验来回答这些问题，以及如何清晰地将分析结果传达给非技术人员。我感觉我读这本书不仅仅是在学习一项技能，更像是在重塑我的思考方式，让我能够更系统、更全面地看待数据。这种能力，远比掌握几个具体的工具要重要得多，也更具长期价值。

评分☆☆☆☆☆

这本书真是让我眼前一亮，完全超出了我的预期！我一直对数据分析抱有浓厚的兴趣，也尝试过一些其他的入门书籍，但总感觉它们要么过于理论化，要么讲得不够深入，难以真正上手。而这本书，仿佛一股清流，用一种极其生动和接地气的方式，将原本可能枯燥的数据分析概念变得鲜活起来。我特别喜欢它在讲解每个核心概念时，都会穿插大量真实的案例研究，这些案例不仅仅是简单的数据罗列，而是真正从业务场景出发，一步步分析数据，最终提炼出有价值的洞察。例如，在讲解A/B测试的时候，作者并没有直接给出公式，而是先描述了一个电商网站如何通过A/B测试来优化用户转化率的场景，然后详细剖析了整个测试的设计、执行、数据收集和结果解读的全过程。这种“故事化”的讲解方式，让我更容易理解背后的逻辑，也更能体会到数据分析在实际工作中的强大力量。而且，书中的图表和可视化设计也做得非常出色，清晰易懂，配合文字讲解，简直是绝配。我感觉自己不仅仅是在读书，更像是在跟随一位经验丰富的导师，一步步构建自己的数据分析思维框架。