前言
数据化运营包含了运营和数据两种要素，前者需要较多的业务经验，而后者对数据分析提出了更高的要求。只有把二者结合起来，在技能、经验和技术的支持下，数据化运营才能在企业内部真正落地、生根、发芽。
对数据化运营而言，各企业普遍关注的结构化数据分析、挖掘的场景非常丰富，例如销售预测、会员生命周期维护、商品结构分析等。但除了这些“传统内容”外，还有很多非结构化的数据主题，它们在数据化运营过程中的作用越来越重要，例如主题挖掘、图片分析、文本挖掘、图像识别、语音识别等，这些内容拓展了数据化运营发挥价值的场景基础。
因此，《Python数据分析与数据化运营》结合Python和数据化运营两个方面，在数据分析工作流程和数据化运营主题结合的基础上，通过指标、模型、方法、案例配合工具的形式，详细介绍了如何使用Python来支持数据化运营，尤其是传统工具无法满足的应用场景。
送书形式
本次送书没有太多复杂的要求，无需关注其他公众号，只需留言，获赞，我来精选，为你送出3本《Python数据分析与数据化运营》。活动为期三天（2019/6/28~2019/6/30）,在2019/7/1将公布获奖人的名单，为你送出第2版的《Python数据分析与数据化运营》。赶紧参与，留言，积累你的人气哦！
第2版介绍
本书第1版上市后，得到来自各行各业很多好友和读者的支持和反馈，在此致以感谢！第2版在第1版基础上做了很多优化甚至重写，还新增了很多内容。
01 / 核心内容
10大类数据预处理经验
14个数据分析与挖掘主题
50余个数据工作流知识点
4大核心数据化运营主题
8个经典综合性案例
数据化运营结合数据使用场景360°落地
02 / 优化及重写内容
全部代码基于Python3.7做优化或重写
基于Jupyter做调试、分析、应用和可视化
重写第四、五、六、七章的案例中的一半代码和逻辑
升级不支持Python2的库到Python3
原有语法重构为更Pythonic的实现方式
03 / 新增的内容
基于Anaconda的Python环境的安装和配置
Jupyter基础工具的用法
基于Pandas的get_dummies做标志转换
特征选择的降维中新增feature_selection配合SelectPercentile、VarianceThreshold、RFE、SelectFromModel做特征选择
特征转换的降维中新增PCA、LDA、FA、ICA数据转换和降维的具体方法
特征组合的降维中新增基于GBDT、PolynomialFeatures、gplearn的genetic方法做组合特征
分类算法中新增使用XGboost做分类应用，以及配合graphviz输出矢量图形pyecharts的数据可视化的应用和操作
Python通过rpy2调用R程序，实现关联算法的挖掘
Python通过rpy2调用auto.airma实现自动ARIMA的应用
自动化数据挖掘与机器学习的理论、流程、知识和应用
04 / 作者介绍
宋天龙（TonySong）
资深大数据技术专家，触脉咨询合伙人兼副总裁，前Webtrekk中国区技术和咨询负责人（德国最大在线数据分析服务提供商）。
擅长数据挖掘、建模、分析与运营，精通端到端数据价值场景设计、业务需求转换、数据结构梳理、数据建模与学习以及数据工程交付。在电子商务、零售、银行、保险等多个行业拥有丰富的数据项目工作经验；参与过集团和企业级数据体系规划、DMP与数据仓库建设、大数据产品开发、网站流量系统建设、个性化智能推荐与精准营销、企业大数据智能等项目。参与实施的客户案例包括联合利华、Webpower、德国OTTO集团电子商务（中国）、Esprit中国、猪八戒网、顺丰优选、乐视商城、泰康人寿、酒仙网、国美在线、迪信通等。
著有多部畅销书：
《Python数据分析与数据化运营》
《网站数据挖掘与分析：系统方法与商业实践》
《企业大数据系统构建实战：技术、架构、实施与应用》
05 / 目录
第1章 Python和数据化运营
本章将首先介绍Python与数据化运营的基本内容，然后围绕数据化运营分析所需的Python相关工具进行介绍，最后通过一个入门级别的案例，介绍如何将Python用于数据化运营。
第2章 数据化运营的数据来源
本章将从数据类型和数据来源两个方面介绍数据化运营的数据来源，在第3部分我们还会简单介绍有关读取非结构化数据集的知识，包括网页抓取数据、文本、图像、视频、语音等，用来进行数据化的整体数据资源的整合。
第3章 10条数据化运营不得不知道的数据预处理经验
数据预处理是数据化运营过程中的重要环节，它直接决定了后期所有数据工作的质量和价值输出。从数据预处理的主要内容看，包括数据清洗、转换、归约、聚合、抽样等。本章将摒弃理论和方法说教，直接介绍预处理本身可能遇到的问题及应对方法。
第4章 跳过运营数据分析和挖掘的“大坑”
本章内容涵盖聚类、回归、分类、关联、异常检测、时间序列、路径分析、漏斗分析、归因分析、热力图分析及其他统计分析相关话题；有关聚类、回归、分类、关联、异常检测和时间序列的部分，本章通过Python程序辅助功能实现。
第5章 会员数据化运营
从本章开始，我们将介绍数据化运营的具体应用，包括会员数据化运营、商品数据化运营、流量数据化运营、内容数据化运营。本章将从会员数据化运营的概述、关键指标、应用场景、数据分析模型、分析小技巧、分析大实话以及实际案例几个方面展开，逐步介绍有关会员数据化运营的方方面面。
第6章 商品数据化运营
商品运营是销售型公司的核心工作之一。本章将围绕商品数据化运营展开，内容包括概述、关键指标、应用场景、分析模型、分析小技巧、分析“大实话”及应用案例。
第7章 流量数据化运营
流量（Teaffic）是企业获得用户的第一步，对于大多数需要“自力更生”的企业而言，流量是企业运营的命脉之一，没有流量就没有一切。本章将围绕流量运营的相关话题，从流量采集处理工具、流量数据与企业数据的整合、流量运营指标、流量数据化运营分析模型、流量分析小技巧和“大实话”等方面展开，最后通过两个案例介绍如何做流量建模分析。
第8章 内容数据化运营
内容运营是信息化媒体运营的核心，对于此类公司而言，内容即公司的核心价值。本章将围绕内容运营的相关话题展开，包括分析指标、应用场景、分析模型、分析小技巧、分析大实话。最后通过两个案例介绍如何通过Python做内容数据化支持。
