任务1.1　认识数据分析　2
【知识准备】　2
1.1.1　掌握数据分析的概念　2
1.1.2　掌握数据分析的流程　3
1.1.3　了解数据分析的应用场景　5
任务1.2　熟悉Python数据分析的工具　6
【知识准备】　6
1.2.1　了解数据分析常用工具　6
1.2.2　了解Python在数据分析领域的优势　7
1.2.3　了解Python数据分析常用库　7
任务1.3　安装Python的Anaconda发行版　9
【任务描述】　9
【任务分析】　9
【知识准备】　9
了解Python的Anaconda发行版　9
【任务实现】　10
在Windows系统中安装Anaconda　10
任务1.4　掌握Jupyter Notebook常用功能　12
【知识准备】　12
1.4.1　掌握Jupyter Notebook的基本功能　12
1.4.2　掌握Jupyter Notebook的高级功能　14
项目小结　17
课后习题　17

项目2　粮食产量分析——NumPy数组计算基础　19
任务2.1　创建包含年份和粮食产量数据的数组　20
【任务描述】　20
【任务分析】　21
【知识准备】　21
2.1.1　创建数组对象　21
2.1.2　生成随机数　27
2.1.3　通过索引访问数组　29
2.1.4　变换数组的形状　31
【任务实现】　34
任务2.2　分析粮食产量变化情况　36
【任务描述】　36
【任务分析】　36
【知识准备】　36
2.2.1　创建NumPy矩阵　36
2.2.2　ufunc　38
【任务实现】　42
任务2.3　对粮食产量数据进行统计分析　43
【任务描述】　43
【任务分析】　44
【知识准备】　44
2.3.1　读/写文件　44
2.3.2　使用函数进行简单的统计分析　46
【任务实现】　51
项目小结　53
项目实训　53
实训1　使用数组比较运算对比超市牛奶价格　53
实训2　创建6×6的简单数独游戏矩阵　53
课后习题　54

项目3　工业产品产量统计分析——pandas统计分析基础　56
任务3.1　读取工业产品产量数据　58
【任务描述】　58
【任务分析】　58
【知识准备】　58
3.1.1　认识pandas库　58
3.1.2　读/写文本文件　59
3.1.3　读/写Excel文件　62
3.1.4　读/写数据库数据　64
【任务实现】　67
读取工业产品产量数据　67
任务3.2　分析工业产品产量数据的基本情况　67
【任务描述】　67
【任务分析】　67
【知识准备】　68
3.2.1　查看DataFrame的基本属性　68
3.2.2　查、改、增、删DataFrame数据　69
3.2.3　对DataFrame进行描述性统计　75
【任务实现】　78
任务3.3　分析一定时间周期内工业产品产量变化情况　79
【任务描述】　79
【任务分析】　79
【知识准备】　79
3.3.1　转换时间字符串为标准的日期时间格式　79
3.3.2　提取时间数据　82
3.3.3　加减时间数据　83
【任务实现】　84
任务3.4　工业产品产量数据统计分析　85
【任务描述】　85
【任务分析】　85
【知识准备】　86
3.4.1　使用groupby()方法拆分数据　86
3.4.2　使用agg()方法聚合数据　88
3.4.3　使用apply()方法聚合数据　90
3.4.4　使用transform()方法聚合数据　91
【任务实现】　92
项目小结　95
项目实训　95
实训1　读取并查看某地区房屋销售数据的基本信息　95
实训2　提取房屋售出时间信息并描述房屋价格信息　96
实训3　使用分组聚合方法分析房屋销售情况　96
课后习题　97

项目4　电商产品销售数据预处理——使用pandas进行数据预处理　99
任务4.1　合并订单信息数据和商品信息数据　100
【任务描述】　100
【任务分析】　101
【知识准备】　101
4.1.1　堆叠合并数据　101
4.1.2　主键合并数据　104
4.1.3　重叠合并数据　106
【任务实现】　107
合并订单信息数据和商品信息数据　107
任务4.2　清洗电商产品销售数据　108
【任务描述】　108
【任务分析】　108
【知识准备】　109
4.2.1　检测与处理重复值　109
4.2.2　检测与处理缺失值　112
4.2.3　检测与处理异常值　115
【任务实现】　117
任务4.3　标准化电商产品销售数据　120
【任务描述】　120
【任务分析】　121
【知识准备】　121
4.3.1　离差标准化数据　121
4.3.2　标准差标准化数据　121
4.3.3　小数定标标准化数据　122
【任务实现】　123
对商品售出价格进行标准差标准化　123
任务4.4　变换电商产品销售数据　124
【任务描述】　124
【任务分析】　124
【知识准备】　124
4.4.1　哑变量处理类别型数据　124
4.4.2　离散化连续型数据　125
【任务实现】　128
项目小结　131
项目实训　131
实训1　合并年龄、平均血糖和中风患者信息数据　131
实训2　删除年龄异常的数据　132
实训3　离散化“年龄/岁”特征　132
课后习题　132

项目5　电商销售可视化分析——Matplotlib、seaborn、pyecharts数据可视化基础　135
任务5.1　用户性别、年龄构成及订单数量变化分析　137
【任务描述】　137
【任务分析】　137
【知识准备】　137
5.1.1　熟悉pyplot绘图基础语法与常用参数　137
5.1.2　使用Matplotlib绘制进阶图形　143
【任务实现】　153
任务5.2　用户年龄特征与电商行为分析　155
【任务描述】　155
【任务分析】　155
【知识准备】　156
5.2.1　熟悉seaborn绘图基础　156
5.2.2　使用seaborn绘制基础图形　173
【任务实现】　174
分析商品售出价格和用户年龄的关系　174
任务5.3　年龄段、用户地区和商品偏好分析　175
【任务描述】　175
【任务分析】　175
【知识准备】　175
5.3.1　熟悉pyecharts绘图基础　175
5.3.2　使用pyecharts绘制交互式图形　180
【任务实现】　185
项目小结　188
项目实训　189
实训1　分析学生考试成绩特征的分布与分散情况　189
实训2　分析学生考试成绩与各个特征之间的关系　189
实训3　分析各空气质量指数之间的相关关系　190
实训4　绘制交互式图形　191
课后习题　191

项目6　线上书籍网站数据可视化分析　194
任务6.1　了解线上书籍网站数据可视化分析的背景和方法　195
【知识准备】　195
6.1.1　了解线上书籍网站数据可视化分析的背景　195
6.1.2　认识可视化分析　196
6.1.3　线上书籍网站数据可视化分析的步骤与流程　196
任务6.2　线上书籍网站数据预处理　197
【任务描述】　197
【任务分析】　197
【任务实现】　197
6.2.1　检测与处理缺失值　197
6.2.2　检测重复值　198
6.2.3　变换数据的格式和类型　199
任务6.3　线上书籍网站数据可视化分析　200
【任务描述】　200
【任务分析】　200
【任务实现】　200
6.3.1　绘制Top5出版社书籍数量占比饼图　200
6.3.2　绘制书籍价格区间分布柱形图　201
6.3.3　绘制不同类型评论数量关系热力图　202
6.3.4　绘制2014年—2023年书籍数量和书籍评分3D散点图　203
6.3.5　撰写线上书籍网站数据可视化分析报告　204
项目小结　206
项目实训　206
超市销售数据可视化分析　206
课后习题　207

项目7　线上书籍网站数据综合分析——使用scikit-learn构建模型　209
任务7.1　使用sklearn转换器处理线上书籍网站数据　211
【任务描述】　211
【任务分析】　211
【知识准备】　211
7.1.1　加载datasets模块中的数据集　211
7.1.2　将数据集划分为训练集和测试集　213
7.1.3　使用sklearn转换器进行数据预处理　214
【任务实现】　217
任务7.2　构建基于线上书籍网站数据的聚类模型　218
【任务描述】　218
【任务分析】　219
【知识准备】　219
7.2.1　使用sklearn估计器构建聚类模型　219
7.2.2　评价聚类模型　222
【任务实现】　224
任务7.3　构建基于线上书籍网站数据的分类模型　226
【任务描述】　226
【任务分析】　226
【知识准备】　226
7.3.1　使用sklearn估计器构建分类模型　226
7.3.2　评价分类模型　228
【任务实现】　230
任务7.4　构建基于线上书籍网站数据的回归模型　234
【任务描述】　234
【任务分析】　234
【知识准备】　234
7.4.1　使用sklearn估计器构建线性回归模型　234
7.4.2　评价回归模型　237
【任务实现】　238
项目小结　241
项目实训　241
实训1　使用sklearn处理竞标行为数据集　241
实训2　构建基于竞标行为数据集的k-means聚类模型　242
实训3　构建基于竞标行为数据集的支持向量机分类模型　243
实训4　构建基于竞标行为数据集的回归模型　243
课后习题　243

项目8　餐饮企业综合分析　246
任务8.1　了解餐饮企业综合分析的背景和方法　248
【知识准备】　248
8.1.1　了解餐饮企业综合分析的背景　248
8.1.2　认识餐饮企业综合分析　249
8.1.3　餐饮企业综合分析的步骤与流程　249
任务8.2　预处理餐饮企业数据　250
【任务描述】　250
【任务分析】　250
【任务实现】　250
任务8.3　使用k-means聚类算法进行餐饮企业客户分群　256
【任务描述】　256
【任务分析】　257
【知识准备】　257
了解k-means聚类算法　257
【任务实现】　258
任务8.4　使用决策树算法和支持向量机算法进行餐饮企业客户流失预测　261
【任务描述】　261
【任务分析】　261
【知识准备】　261
8.4.1　了解决策树算法　261
8.4.2　了解支持向量机算法　263
【任务实现】　264
预测餐饮企业客户流失　264
项目小结　266
项目实训　266
实训1　构建支持向量机分类模型预测客户服装尺寸　266
实训2　构建k-means聚类模型进行某App用户分群　267
实训3　构建线性回归模型预测二手汽车价格　269
课后习题　270

项目9　基于TipDM大数据挖掘建模平台实现客户流失预测　274
任务9.1　TipDM大数据挖掘建模平台简介　275
【知识准备】　275
9.1.1　共享库　277
9.1.2　数据连接　277
9.1.3　数据集　277
9.1.4　我的工程　278
9.1.5　个人组件　281
任务9.2　使用平台实现客户流失预测　281
【任务描述】　281
【任务分析】　281
【任务实现】　281
9.2.1　使用平台配置客户流失预测案例的步骤和流程　281
9.2.2　数据源配置　282
9.2.3　数据预处理　284
9.2.4　构建模型　289
项目小结　294
项目实训　294
预测客户服装尺寸　294
课后习题　294