目录__eol__第1 章　EDIT 模型概述. 1__eol__1.1　探索阶段 4__eol__1.2　诊断阶段 5__eol__1.3　指导阶段 8__eol__1.4　工具支持 9__eol__1.5　本章练习题 10__eol____eol__第2 章　数据处理 12__eol__2.1　使用pandas 读取结构化数据 .13__eol__2.1.1　读取数据 .14__eol__2.1.2　写出数据 .17__eol__2.2　数据整合 17__eol__2.2.1　行、列操作 .17__eol__2.2.2　条件查询 .21__eol__2.2.3　横向连接 .24__eol__2.2.4　纵向合并 .27__eol__2.2.5　排序 .30__eol__2.2.6　分组汇总 .31__eol__2.2.7　拆分列 .35__eol__2.2.8　赋值与条件赋值 .36__eol__2.3　数据清洗 39__eol__2.3.1　重复值处理 .39__eol__2.3.2　缺失值处理 .40__eol__2.4　本章练习题 43__eol____eol__第3 章　指标体系与数据可视化. 45__eol__3.1　Python 可视化 45__eol__3.1.1　Matplotlib 绘图库 .45__eol__3.1.2　Seaborn 绘图库.54__eol__3.2　描述性统计分析与绘图 60__eol__3.2.1　描述性统计进行数据探索 .60__eol__3.2.2　制作报表与统计制图 .69__eol__3.2.3　制图的步骤 .76__eol__3.3　指标体系 81__eol__3.3.1　建立指标标准 .82__eol__3.3.2　什么是指标体系 .83__eol__3.3.3　构建指标体系的意义 .85__eol__3.3.4　构建指标库 .86__eol__3.3.5　搭建管理分析视图和指标应用模式 .89__eol__3.4　本章练习题 90__eol____eol__第4 章　数据采集与数据预处理. 92__eol__4.1　数据采集方法 92__eol__4.1.1　市场研究中的数据 .92__eol__4.1.2　概率抽样方法 .93__eol__4.1.3　非概率抽样方法 .99__eol__4.1.4　概率抽样和非概率抽样的比较 .101__eol__4.2　市场调研和数据录入 101__eol__4.2.1　市场调研流程 .101__eol__4.2.2　市场调研目标设定 .102__eol__4.2.3　市场调研前的准备工作 .102__eol__4.2.4　实施调研 .109__eol__4.3　数据预处理基础 110__eol__4.3.1　数据预处理基本步骤 .110__eol__4.3.2　错误数据识别与处理 .111__eol__4.3.3　连续型变量离群值识别与处理 .116__eol__4.3.4　分类型变量概化处理 .117__eol__4.3.5　缺失值处理 .118__eol__4.3.6　连续型变量分布形态转换 .122__eol__4.3.7　连续型变量中心标准化或归一化 .122__eol__4.3.8　变量降维 .123__eol__4.3.9　WoE 转换 124__eol__4.4　本章练习题 125__eol____eol__第5 章　宏观业务分析方法 129__eol__5.1　矩阵分析法 129__eol__5.2　连续型变量降维 134__eol__5.2.1　方法概述 .135__eol__5.2.2　变量筛选 .136__eol__5.2.3　维度归约 .136__eol__5.3　主成分分析法 137__eol__5.3.1　主成分分析简介 .137__eol__5.3.2　主成分分析原理 .138__eol__5.3.3　主成分分析的运用 .141__eol__5.3.4　实战案例：在Python 中实现主成分分析 .142__eol__5.3.5　基于主成分的冗余变量筛选 .145__eol__5.4　因子分析 146__eol__5.4.1　因子分析模型 .146__eol__5.4.2　因子分析算法 .148__eol__5.4.3　实战案例：在Python 中实现因子分析 .151__eol__5.5　多维尺度分析 155__eol__5.6　本章练习题 159__eol____eol__第6 章　用户标签体系与用户画像 165__eol__6.1　标签体系的整体框架 167__eol__6.2　标签的分类 168__eol__6.2.1　从研究客体的数据类型角度分类 .168__eol__6.2.2　从标签的时态角度分类 .170__eol__6.2.3　从标签的加工角度分类 .171__eol__6.2.4　业务指标与用户标签的关系 .175__eol__6.3　用户画像 181__eol__6.3.1　细分市场与STP 模型 182__eol__6.3.2　快速入手用户画像 .182__eol__6.3.3　用户分群的发展历程 .185__eol__6.3.4　用户的决策进程 .186__eol__6.3.5　马斯洛需求理论 .187__eol__6.3.6　用户消费的成本与收益 .187__eol__6.3.7　用户细分的方法 .188__eol__6.3.8　基于用户分群的精准营销 .190__eol__6.3.9　标签与数据科学的过程 .191__eol__6.4　实战案例：用Python 实现用户画像 .192__eol__6.4.1　使用Python 进行用户画像的基础知识 .192__eol__6.4.2　用户画像在诊断阶段中的应用 .192__eol__6.4.3　样本数据集介绍 .193__eol__6.4.4　使用SQL 语句进行数据处理 .195__eol__6.4.5　使用Python 进行用户画像 .198__eol__6.5　本章练习题 202__eol____eol__第7 章　使用统计学方法进行变量有效性测试 205__eol__7.1　假设检验 205__eol__7.1.1　假设检验的基本概念 .206__eol__7.1.2　假设检验中的两类错误 .207__eol__7.1.3　假设检验与区间估计的联系 .209__eol__7.1.4　假设检验的基本步骤 .209__eol__7.1.5　配对样本t 检验211__eol__7.2　方差分析 211__eol__7.2.1　单因素方差分析 .212__eol__7.2.2　多因素方差分析 .217__eol__7.3　列联表分析与卡方检验 220__eol__7.3.1　列联表 .220__eol__7.3.2　卡方检验 .222__eol__7.4　线性回归 224__eol__7.4.1 简单线性回归 .225__eol__7.4.2　多元线性回归 .227__eol__7.4.3　多元线性回归的变量筛选 .236__eol__7.4.4　线性回归模型的经典假设 .239__eol__7.4.5　建立线性回归模型的基本步骤 .248__eol__7.5　Logistic 回归 249__eol__7.5.1　逻辑回归的相关关系分析 .252__eol__7.5.2　逻辑回归模型及实现 .253__eol__7.5.3　逻辑回归的极大似然估计 .264__eol__7.5.4　模型评估 .266__eol__7.5.5　因果推断模型 .274__eol__7.6　本章练习题 278__eol____eol__第8 章　使用时间序列分析方法做预报. 294__eol__8.1　认识时间序列 294__eol__8.2　效应分解法 295__eol__8.2.1　时间序列的效应分解 .296__eol__8.2.2　时间序列3 种效应的组合方式 .296__eol__8.3　平稳时间序列分析ARMA 模型 297__eol__8.3.1　平稳时间序列 .297__eol__8.3.2　ARMA 模型 298__eol__8.3.3　在Python 中进行AR 建模 304__eol__8.4　非平稳时间序列分析ARIMA 模型 .310__eol__8.4.1　差分与ARIMA 模型 .310__eol__8.4.2　在Python 中进行ARIMA 建模 313__eol__8.5　ARIMA 建模方法总结 322__eol__8.6　本章练习题 323__eol____eol__第9 章　用户分群方法 327__eol__9.1　用户细分与聚类 327__eol__9.1.1　用户细分的重要意义 .327__eol__9.1.2　用户细分的不同商业主题 .328__eol__9.2　聚类分析的基本概念 335__eol__9.3　聚类模型的评估 336__eol__9.3.1　轮廓系数 .336__eol__9.3.2　平方根标准误差 .337__eol__9.3.3　R2 .337__eol__9.3.4　ARI 338__eol__9.4　层次聚类 338__eol__9.4.1　层次聚类的算法描述 .338__eol__9.4.2　层次聚类分群数量的确定 .342__eol__9.4.3　层次聚类应用案例 .343__eol__9.4.4　层次聚类的特点 .347__eol__9.5　K-means 聚类算法 .347__eol