尚涛，毕业于上海交通大学数学系，拥有数学硕士学位，研究方向为数据挖掘及机器学习领域，曾任职于支付宝、平安科技、易方达基金。现任职于南方基金，专注于信用风险评分、精准营销、推荐系统等领域的数据挖掘项目的研发工作，拥有超过10年的数据挖掘和优化建模经验，以及多年使用Python、SAS、R等软件的经验。在从业经历中，为所在公司的业务方成功实施了众多深受好评的数据挖掘项目，取得了较好的业务价值。

章 数据分析方法
1.1 什么是数据分析
1.2 数据分析标准流程
1.3 数据清洗
1.4 数据探索
1.5 模型开发
1.6 模型应用
第二章 初识Python
2.1 Python基本概述
2.2 Python编程语法基础
2.3 数据分析常用Python库
2.4 第三方Python库介绍
第三章 NumPy数组与矩阵
3.1 Ndarray对象
3.2 数据类型
3.3 数组属性
3.4 创建数组
3.5 数据索引与切片
3.6 数组操作
3.7 数组排序
3.8 函数
3.9 矩阵
第四章 Pandas数据分析
4.1 系列（Series）
4.2 数据帧（DataFrame）
4.3 基本功能介绍
4.4 读取和写入数据
4.5 索引和选择数据
4.6 数据合并
4.7 累计与分组
4.8 时间序列处理
4.9 缺失数据处理
4.10 函数
4.11 描述性统计
4.12 绘制图形
第五章 Scikit-Learn数据挖掘
5.1 机器学习问题
5.2 机器学习的基本流程
5.3 数据处理
5.4 特征选择
5.5 模型调用
5.6 模型参数说明
5.7 交叉验证
5.8 模型部署
第六章 数据可视化
6.1 Matplotlib绘制图形
6.2 Seaborn绘制图形
6.3 重要类型图形的绘制
第七章 数据导入与导出
7.1 连接数据库
7.2 读取外部数据
7.3 导出数据
第八章 数据预处理
8.1 数据去重
8.2 缺失值处理
8.3 变量操作
8.4 样本选择
8.5 数据集操作
第九章 数据探索
9.1 集中趋势
9.2 离散程度
9.3 分布状态
9.4 相关分析
第十章 线性回归分析
10.1 线性回归模型
10.2 最小二乘估计
10.3 显著性检验
10.4 预测
10.5 相关性
10.6 共线性
10.7 案例分析——波士顿地区房价预测
第十一章 Logistic回归分析
11.1 逻辑回归模型介绍
11.2 案例分析——泰坦尼克生存预测
第十二章 决策树
12.1 决策树介绍
12.2 案例分析——金融产品推荐
第十三章 主成分分析
13.1 主成分分析的数学模型
13.2 PCA函数说明
13.3 案例分析——数据降维
第十四章 聚类分析
14.1 距离
14.2 聚类方法
14.3 确定聚类数
14.4 聚类的分析步骤
14.5 案例分析——客户群聚类分析
第十五章 时间序列分析
15.1 时间序列的组成部分
15.2 确定性的时间序列模型
15.3 随机时间序列模型
15.4 ARMA模型的识别
15.5 时间序列的分析步骤
15.6 模型参数的估计
15.7 案例分析——大气二氧化碳浓度预测

本书基于Python3.7版本软件编写，全书主要围绕整个数据分析方法论的标准流程，为读者重点展示了Python在数据获取、数据处理、数据探索、数据分析及数据可视化等领域的应用技术。
本书首先介绍了数据分析的方法论，给读者介绍了具体的数据分析挖掘标准流程，接着介绍了Python常用的工具包，包括科学计算库NumPy、数据分析库Pandas、数据挖掘库Scikit-Learn，以及数据可视化库Matplotlib和Seaborn的基本知识，并从数据分析挖掘过程中的数据获取、数据处理、数据探索等实际业务应用出发，以互联网、金融及零售等行业真实案例，比如客户分群、产品精准营销、房价预测、特征降维等，深入浅出、循序渐进地介绍Python数据分析的全过程。
本书内容精练、重点突出、案例丰富，实践性和指导性极强，值得一读，特别适合在企业中从事数据分析、数据挖掘、机器学习、运营分析等工作的人员使用，同样适合想从事数据分析挖掘工作的各大中专院校的学生与教师，以及其他对数据分析挖掘技术领域有兴趣爱好的各类人员使用。