 |
-- 會員 / 註冊 --
|
 |
|
|
|
R語言商務數據分析實戰 ( 簡體 字) |
| 作者：韓寶國 張良均 | 類別：1. -> 程式設計 -> R語言 |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 48839
詢問書籍請說出此書號！【缺書】
NT售價： 225 元 |
| 出版日：4/1/2018 |
| 頁數：228 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787115474483 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：本書以任務為導向，較為全面地介紹了商務領域中R語言數據分析的應用。全書共9章，介紹商務領域不同方向項目的數據分析方法，具體內容包括R語言數據分析概述、商品零售購物籃分析、航空公司客戶價本書以任務為導向，較為全面地介紹了商務領域中R語言數據分析的應用。全書共9章，介紹商務領域不同方向項目的數據分析方法，具體內容包括R語言數據分析概述、商品零售購物籃分析、航空公司客戶價值分析、財政收入預測分析、金融服務機構資金流量預測、P2P信用貸款風險控制、電子商務網站智能推薦服務、電商產品評論數據情感分析、餐飲企業綜合分析。除第1章外，本書各章都包含了實訓與課后習題，通過練習和操作實踐，幫助讀者鞏固所學的內容。值分析、財政收入預測分析、金融服務機構資金流量預測、P2P信用貸款風險控制、電子商務網站智能推薦服務、電商產品評論數據情感分析、餐飲企業綜合分析。本書的每個章節都包含了實訓與課后習題，通過練習和操作實踐，幫助讀者鞏固所學的內容。 |
目錄：第1章 R語言數據分析概述 1
任務1.1 認識數據分析 1
1.1.1 掌握數據分析的概念 1
1.1.2 熟悉數據分析的流程 2
1.1.3 了解數據分析應用場景 4
任務1.2 熟悉R語言數據分析工具 5
1.2.1 了解數據分析常用工具 6
1.2.2 了解R語言數據分析的優勢 6
1.2.3 了解R語言數據分析常用的Packages 7
小結 10
課后習題 10
第2章 商品零售購物籃分析 12
任務2.1 了解購物籃分析 12
2.1.1 分析商品零售企業現狀 12
2.1.2 了解某商品零售企業基本數據情況 13
2.1.3 熟悉購物籃分析的步驟與流程 13
任務2.2 分析商品銷售狀況 14
2.2.1 分析熱銷商品 14
2.2.2 分析商品結構 15
2.2.3 任務實現 17
任務2.3 使用Apriori關聯規則構建購物籃分析模型 18
2.3.1 了解Apriori算法的基本原理與使用方法 18
2.3.2 分析結果 23
2.3.3 任務實現 24
小結 24
實訓 使用Apriori算法對西餅屋訂單進行關聯分析 25
課后習題 25
第3章 航空公司客戶價值分析 28
任務3.1 了解航空公司現狀與客戶價值分析 28
3.1.1 了解航空公司現狀 28
3.1.2 了解客戶價值分析 30
3.1.3 熟悉航空客戶價值分析的步驟與流程 30
任務3.2 預處理航空客戶數據 31
3.2.1 處理數據缺失值與異常值 31
3.2.2 構建航空客戶價值分析的關鍵特征 31
3.2.3 標準化LRFMC的5個特征 35
3.2.4 任務實現 36
任務3.3 使用K-Means算法進行客戶分群 37
3.3.1 了解K-Means聚類算法 37
3.3.2 分析聚類結果 38
3.3.3 模型應用 41
3.3.4 任務實現 42
小結 43
實訓 43
實訓1 處理信用卡數據異常值 43
實訓2 構造信用卡客戶風險評價關鍵特征 45
實訓3 構建K-Means聚類模型 45
課后習題 46
第4章 財政收入預測分析 48
任務4.1 了解財政收入預測的背景與方法 48
4.1.1 分析財政收入預測背景 48
4.1.2 了解財政收入預測的方法 50
4.1.3 熟悉財政收入預測的步驟與流程 51
任務4.2 分析財政收入數據特征的相關性 51
4.2.1 了解相關性分析 51
4.2.2 分析計算結果 52
4.2.3 任務實現 53
任務4.3 使用Lasso回歸方法選取財政收入預測的關鍵特征 53
4.3.1 了解Lasso回歸方法 53
4.3.2 分析Lasso回歸結果 54
4.3.3 任務實現 54
任務4.4 使用灰色預測和SVR構建財政收入預測模型 55
4.4.1 了解灰色預測算法 55
4.4.2 了解SVR算法 56
4.4.3 分析預測結果 58
4.4.4 任務實現 60
小結 61
實訓 61
實訓1 求取企業所得稅各特征間的相關系數 61
實訓2 選取企業所得稅預測關鍵特征 62
實訓3 構建企業所得稅預測模型 62
課后習題 62
第5章 金融服務機構資金流量預測 64
任務5.1 了解金融服務機構現狀與資金流量預測 64
5.1.1 分析金融服務機構現狀 64
5.1.2 認識資金流量預測 65
5.1.3 熟悉金融服務機構資金流量預測的步驟與流程 66
任務5.2 檢驗數據的平穩性 67
5.2.1 檢驗平穩性 67
5.2.2 處理非平穩序列 69
5.2.3 任務實現 71
任務5.3 檢驗數據的純隨機性 72
5.3.1 了解純隨機性檢驗 73
5.3.2 檢驗純隨機性 73
5.3.3 任務實現 74
任務5.4 建立ARIMA模型 74
5.4.1 了解ARIMA模型 74
5.4.2 識別模型階數 75
5.4.3 建立ARIMA模型 76
5.4.4 任務實現 81
小結 83
實訓 83
實訓1 檢驗資金贖回數據的平穩性與純隨機性 83
實訓2 識別資金贖回數據集的階數 83
實訓3 構建ARIMA模型 83
課后習題 84
第6章 P2P信用貸款風險控制 85
任務6.1 認識P2P信貸行業的風險控制 85
6.1.1 分析P2P信貸行業的現狀 86
6.1.2 了解某P2P平臺數據情況 86
6.1.3 熟悉用戶逾期預測的步驟與流程 87
任務6.2 探索P2P信貸用戶逾期的相關因素 88
6.2.1 分析用戶信息完善程度與逾期率的關系 88
6.2.2 分析用戶信息修改情況與逾期率的關系 89
6.2.3 分析用戶所在區域經濟發展情況與逾期率的關系 90
6.2.4 分析借款月份與逾期率的關系 91
6.2.5 任務實現 92
任務6.3 預處理P2P信貸用戶數據 95
6.3.1 使用第三方平臺信息構建新特征 95
6.3.2 對登錄信息表與更新信息表進行長寬表轉換 95
6.3.3 清洗P2P信貸數據 97
6.3.4 任務實現 98
任務6.4 構建用戶逾期還款概率預測模型 107
6.4.1 了解GBM算法 107
6.4.2 評價GBM模型 108
6.4.3 分析結果 109
6.4.4 任務實現 109
小結 111
實訓 111
實訓1 探索某銀行貸款數據規律 111
實訓2 預處理某銀行貸款數據 111
實訓3 使用GBM算法構建信貸審批模型 111
課后習題 112
第7章 電子商務網站智能推薦服務 113
任務7.1 了解某網站現狀與智能推薦系統 113
7.1.1 分析某網站現狀 113
7.1.2 了解智能推薦服務 115
7.1.3 熟悉網站智能推薦的步驟與流程 116
任務7.2 使用R連接數據庫并提取數據 117
7.2.1 訪問數據庫 117
7.2.2 任務實現 118
任務7.3 統計網頁整體流量狀況 118
7.3.1 分析網頁類型 119
7.3.2 分析網頁點擊次數 122
7.3.3 分析網頁排名 123
7.3.4 任務實現 124
任務7.4 預處理網頁瀏覽數據 130
7.4.1 刪除不符合規則的網頁 130
7.4.2 還原翻頁網址 131
7.4.3 劃分正確的網頁類別 131
7.4.4 選擇用戶和用戶訪問網頁記錄 132
7.4.5 任務實現 133
任務7.5 構建智能推薦模型 136
7.5.1 了解協同過濾算法 136
7.5.2 評價智能推薦模型 139
7.5.3 分析模型結果 142
7.5.4 任務實現 142
小結 144
實訓 實現MovieLense電影數據的智能推薦 144
實訓1 清洗MovieLense原始數據 144
實訓2 構建MovieLense智能推薦模型 144
實訓3 評估推薦系統模型 145
課后習題 145
第8章 電商產品評論數據情感分析 147
任務8.1 了解電商企業現狀與文本情感分析流程 147
8.1.1 分析電商企業現狀 147
8.1.2 了解電商產品評論數據 148
8.1.3 實現電商評論數據情感分析的步驟與流程 149
任務8.2 獲取電商產品評論數據 149
8.2.1 了解R語言獲取網絡數據的方法 149
8.2.2 了解數據獲取的方法 151
8.2.3 任務實現 153
任務8.3 對電商產品評論數據進行預處理 156
8.3.1 去除評論數據中的重復數據 156
8.3.2 清洗評論數據 156
8.3.3 對評論數據進行分詞 157
8.3.4 去除停用詞 158
8.3.5 提取有意義的評論 159
8.3.6 繪制詞云查看分詞效果 160
8.3.7 任務實現 162
任務8.4 評論數據情感傾向分析 163
8.4.1 匹配情感詞 164
8.4.2 修正情感傾向 164
8.4.3 檢驗情感分析效果 164
8.4.4 任務實現 165
任務8.5 使用LDA模型進行主題分析 169
8.5.1 了解LDA主題模型 169
8.5.2 尋找最優主題數 171
8.5.3 進行LDA主題分析 171
8.5.4 評價主題分析結果 172
8.5.5 任務實現 173
小結 176
實訓 176
實訓1 清洗酒店評論原始數據 176
實訓2 對酒店評論數據進行預處理 176
實訓3 使用LDA模型建模并分析酒店評論 177
課后習題 177
第9章 餐飲企業綜合分析 179
任務9.1 了解餐飲企業分析需求 179
9.1.1 分析餐飲企業現狀與需求 180
9.1.2 了解餐飲企業數據基本狀況 181
9.1.3 熟悉餐飲企業數據分析的步驟與流程 183
任務9.2 統計餐飲菜品數據 184
9.2.1 統計每日用餐人數與銷售額 184
9.2.2 統計菜品熱銷度 190
9.2.3 統計菜品的毛利率 191
9.2.4 任務實現 192
任務9.3 使用ARIMA算法預測銷售額 194
9.3.1 檢驗平穩性和純隨機性 194
9.3.2 構建ARIMA模型 196
9.3.3 任務實現 198
任務9.4 使用協同過濾算法實現菜品的智能推薦 201
9.4.1 選取特征 202
9.4.2 使用基于物品的智能推薦算法進行推薦 202
9.4.3 了解基于用戶的智能推薦算法 203
9.4.4 分析協同過濾結果 203
9.4.5 任務實現 204
任務9.5 使用Apriori算法實現菜品的關聯分析 207
9.5.1 構建Apriori模型 207
9.5.2 分析關聯規則結果 209
9.5.3 任務實現 210
任務9.6 使用K-Means算法進行客戶價值分析 214
9.6.1 構建關鍵特征 214
9.6.2 構建K-Means模型 214
9.6.3 分析K-Means模型結果 215
9.6.4 任務實現 217
任務9.7 用決策樹算法實現餐飲客戶流失預測 219
9.7.1 了解客戶流失 219
9.7.2 了解決策樹算法 220
9.7.3 構建客戶流失特征 221
9.7.4 分析決策樹模型結果 223
9.7.5 任務實現 223
小結 226
實訓 226
實訓1 使用ARIMA模型預測網站訪問量 226
實訓2 使用決策樹算法實現運營商客戶流失預測 227
實訓3 使用協同過濾算法實現網站的智能推薦 227
實訓4 使用Apriori算法實現網站的關聯分析 227
實訓5 使用K-Means算法實現運營商客戶價值分析 228
課后習題 228 |
| 序： |
|
