标签
内容简介
《深入浅出数据分析》以类似"章回小说”的活泼形式，生动地向读者展现出色的数据分析人员应知应会的技术：数据分析基本步骤、实验方法、优化方法、假设检验方法、贝叶斯统计方法、主观概率法、启发法、直方图法、回归法、误差处理、相关数据库、数据整理技巧；正文之后，意犹未尽地以三篇附录介绍数据分析十大要务、R工具及ToolPak工具，在充分展现目标知识以外，为读者搭建了走向深入研究的桥梁。
无论你是研究新产品可行性的开发人员，还是评估广告效果的市场营销经理；无论你是向客户呈报数据的营销员，还是管理所有这些数据密集型部门及种种其他事务的个人企业家，《深入浅出数据分析》都能为你带来全面的学习体验，让你将数据转变为事业中有用的工具。
编辑推荐
适合谁读
适合
- 需要评估产品可行性或广告效果的产品与市场人员
- 要向客户呈报数据、希望提升解读能力的营销从业者
- 管理数据密集型部门但缺乏统计背景的管理者
- 刚接触数据分析、想建立完整流程认知的入门读者
不适合
- 希望系统学习概率论与数理统计推导的读者
- 需要机器学习建模与算法实现内容的从业者
- 偏好严谨教材体例、不适应故事化写法的读者
阅读建议
- 按章回顺序读，每读完一种方法就找手头一组真实数据练一遍。
- 重点读假设检验与贝叶斯部分，读完用自己的话复述方法适用条件。
- 附录的R与ToolPak部分可边读边装好工具，跟着做一两个小分析。
- 读完后用十大要务清单检查自己以往的分析报告，找出遗漏环节。
出版社简介
电子工业出版社是一家以电子信息及相关领域为出版特色的综合性出版社。从库内三千余种图书来看，其出版方向覆盖编程设计、人工智能、计算机综合、财经、摄影与社科等门类，既关注技术前沿，也兼顾大众阅读。代表图书包括《因子投资：方法与实践》《x86汇编语言：从实模式到保护模式》《RISC-V开放架构设计之道》《人工智能：语音识别理解与实践》《相控阵雷达技术》《雷达目标特性》及《100个Go语言典型错误》等，多围绕技术方法与工程实践展开。作者资源方面，有石川、李忠、王晓波、大卫·帕特森、安德鲁·沃特曼、余子濠等中外作者。受公开资料所限，暂不展开更多出版特色。
目录
- 版权信息
- 本书荐辞
- 深入浅出系列图书美誉
- 内容简介
- 作者简介
- 译者序
- 序言 如何使用本书
- 谁适合阅读本书？
- 我们了解你在想什么
- 我们了解你的大脑在想什么
- 元认知：对思考的思考
- 我们的做法
- 自述
- 技术顾问组
- 致谢
- 1 数据分析引言 分解数据
- Acme化妆品公司需要你出力
- 首席执行官希望数据分析师帮他提高销量
- 数据分析就是仔细推敲证据
- 确定问题
- 客户将帮助你确定问题
- Acme化妆品公司首席执行官给了你一些反馈
- 把问题和数据分解为更小的组块
- 现在再来看看了解到的情况
- 评估组块
- 分析从你介入的那一刻开始
- 提出建议
- 报告写好了
- 首席执行官欣赏你的工作
- 一则新闻
- 首席执行官确信的观点让你误入歧途
- 你对外界的假设和你确信的观点就是你的心智模型
- 统计模型取决于心智模型
- 心智模型应当包括你不了解的因素
- 首席执行官承认自己有所不知
- Acme给你发来了一长串原始数据
- 深入挖掘数据
- 泛美批发公司确认了你的印象
- 回顾你的工作
- 你的分析让客户作出了英明的决策
- 2 实验 检验你的理论
- 咖啡业的寒冬到了！
- 星巴仕董事会将在三个月内召开
- 星巴仕调查表
- 务必使用比较法
- 比较是破解观察数据的法宝
- 价值感是导致销售收入下滑的原因吗？
- 一位典型客户的想法
- 观察分析法充满混杂因素
- 店址可能对分析结果有哪些影响
- 拆分数据块，管理混杂因素
- 情况比预料的更糟！
- 你需要做一个实验，指出哪种策略最有效
- 星巴仕首席执行官已经急不可待
- 星巴仕降价了
- 一个月后……
- 以控制组为基准
- 避免解雇123
- 认真让我们重新做一次实验
- 一个月后……
- 实验照样会毁于混杂因素
- 精心选择分组，避免混杂因素
- 随机选择相似组
- 随机访谈
- 准备就绪，开始实验
- 结果在此
- 星巴仕找到了与经验吻合的销售策略
- 3 最优化 寻找最大值
- 现在是浴盆玩具游戏时间
- 你能控制的变量受到约束条件的限制
- 决策变量是你能控制的因素
- 你碰到了一个最优化问题
- 借助目标函数发现目标
- 你的目标函数
- 列出有其他约束条件的产品组合
- 在同一张图形里绘制多种约束条件
- 合理的选择都出现在可行区域里
- 新约束条件改变了可行区域
- 用电子表格实现最优化
- Solver一气呵成解决最优化问题
- 利润跌穿地板
- 你的模型只是描述了你规定的情况
- 按照分析目标校正假设
- 提防负相关变量
- 新方案立竿见影
- 你的假设立足于不断变化的实际情况
- 4 数据图形化 图形让你更精明
- New Army需要优化网站
- 结果面世，信息设计师出局
- 前一位信息设计师提交的三份信息图
- 这些图形隐含哪些数据？
- 体现数据！
- 这是前一位设计师主动提供的意见
- 数据太多绝不会成为你的问题
- 让数据变美观也不是你要解决的问题
- 数据图形化的根本在于正确比较
- 你的图形已经比被打入冷宫的图形更有用
- 使用散点图探索原因
- 最优秀的图形都是多元图形
- 同时展示多张图形，体现更多变量
- 图形很棒，但网站掌门人仍不满意
- 优秀的图形设计有助于思考的原因
- 实验设计师出声了
- 实验设计师们有自己的假设
- 客户欣赏你的工作
- 订单从四面八方滚滚而来！
- 5 假设检验 假设并非如此
- 给我来块“皮肤”……
- 我们何时开始生产新手机皮肤？
- PodPhone不希望别人看透他们的下一步行动
- 我们得知的全部信息
- 电肤的分析与数据相符吗？
- 电肤得到了机密《战略备忘录》
- 变量之间可以正相关，也可以负相关
- 现实世界中的各种原因呈网络关系，而非线性关系
- 假设几个PodPhone备选方案
- 用手头的资料进行假设检验
- 假设检验的核心是证伪
- 借助诊断性找出否定性最小的假设
- 无法一一剔除所有假设，但可以判定哪个假设最强
- 你刚刚收到一条图片短信……
- 即将上市！
- 6 贝叶斯统计 穿越第一关
- 医生带来恼人的消息
- 让我们逐条细读正确性分析
- 蜥蜴流感到底有多普遍？
- 你计算的是假阳性
- 这些术语说的都是条件概率
- 你需要算算
- 1%的人患蜥蜴流感
- 你患蜥蜴流感的几率仍然非常低
- 用简单的整数思考复杂的概率
- 搜集到新数据后，用贝叶斯规则处理基础概率
- 贝叶斯规则可以反复使用
- 第二次试验结果：阴性
- 新试验的正确性统计值有变化
- 新信息会改变你的基础概率
- 放心多了！
- 7 主观概率 信念数字化
- 背水投资公司需要你效力
- 分析师们相互叫阵
- 主观概率体现专家信念
- 主观概率可能表明：根本不存在真正的分歧
- 分析师们答复的主观概率
- 首席执行官不明白你在忙些什么
- 首席执行官欣赏你的工作
- 标准偏差量度分析点与平均值的偏差
- 这条新闻让你措手不及
- 贝叶斯规则是修正主观概率的好办法
- 首席执行官完全知道该怎么处理这条新信息了
- 俄罗斯股民欢欣鼓舞！
- 8 启发法 凭人类的天性做分析
- 邋遢集向市议会提交了报告
- 邋遢集确实把镇上打扫得干干净净
- 邋遢集已经计量了自己的工作效果
- 他们的任务是减少散乱垃圾量
- 计量垃圾量不可行
- 问题刁钻，回答简单
- 数据邦市的散乱垃圾结构复杂
- 无法建立和运用统一的散乱垃圾计量模型
- 启发法是从直觉走向最优化的桥梁
- 使用快省树
- 是否有更简单的方法评估邋遢集的成就？
- 固定模式都具有启发性
- 分析完毕，准备提交
- 看来你的分析打动了市议会的议员们
- 9 直方图 数字的形状
- 员工年度考评即将到来
- 伸手要钱形式多样
- 这是历年加薪记录
- 直方图体现每组数据的发生频数
- 直方图不同区间之间的缺口即数据点之间的缺口
- 安装并运行R
- 将数据加载到R程序
- R创建了美观的直方图
- 用数据的子集绘制直方图
- 加薪谈判有回报
- 谈判要求加薪对你意味着什么？
- 10 回归 预测
- 你打算怎么花这些钱？
- 以获取大幅度加薪为目的进行分析
- 稍等片刻……加薪计算器！
- 这个算法的玄机在于预测加薪幅度
- 用散点图比较两种变量
- 直线能为客户指明目标
- 使用平均值图形预测每个区间内的数值
- 回归线预测出人们的实际加薪幅度
- 回归线对于具有线性相关特点的数据很有用
- 你需要用一个等式进行精确预测
- 让R创建一个回归对象
- 回归方程与散点图密切相关
- 加薪计算器的算法正是回归方程
- 你的加薪计算器没有照计划行事……
- 11 误差 合理误差
- 客户大为恼火
- 你的加薪预测算法做了什么？
- 客户组成
- 要求加薪25%的家伙不在模型范围内
- 如何对待想对数据范围以外的情况进行预测的客户
- 由于使用外插法而惨遭解雇的家伙冷静下来了
- 你只解决了部分问题
- 扭曲的加薪结果数据看起来是什么样子？
- 机会误差=实际结果与模型预测结果之间的偏差
- 误差对你和客户都有好处
- 机会误差访谈
- 定量地指定误差
- 用均方根误差定量表示残差分布
- R模型知道存在均方根误差
- R的线性模型汇总展示了均方根误差
- 分割的根本目的是管理误差
- 优秀的回归分析兼具解释功能和预测功能
- 相比原来的模型，分区模型能更好地处理误差
- 你的客户纷纷回头
- 12 关系数据库 你能关联吗？
- 《数据邦新闻》希望分析销量
- 这是他们保存的运营跟踪数据
- 你需要知道数据表之间的相互关系
- 数据库就是一系列相互有特定关系的数据
- 找到一条贯穿各种关系的路线，以便进行必要的比较
- 创建一份穿过这条路径的电子表格
- 通过汇总将文章数目和销量关联起来
- 看来你的散点图确实画得很好
- 复制并粘贴所有这些数据是件痛苦的事
- 用关系数据库管理关系
- 《数据邦新闻》利用你的关系图建立了一个RDBMS
- 《数据邦新闻》用SQL提取数据
- RDBMS数据可以进行无穷无尽的比较
- 你上了封面
- 13 整理数据 井然有序
- 刚从停业的竞争对手那儿搞到一份客户名单
- 数据分析不可告人的秘密
- Head First猎头公司想为自己的销售团队搞到这份名单
- 清理混乱数据的根本在于准备
- 一旦组织好数据，就能修复数据
- 将＃号作为分隔符
- Excel通过分隔符将数据分成多个列
- 用SUBSTITUTE替换“^”字符
- 所有的“姓”都整理好了
- 用SUBSTITUTE替换名字模式太麻烦了
- 用嵌套文本公式处理复杂的模式
- R能用正则表达式处理复杂的数据模式
- 用sub指令整理“名”
- 现在可以向客户交货了
- 可能尚未大功告成……
- 为数据排序，让重复数值集中出现
- 这些数据有可能来源于某个关系数据库
- 删除重复名字
- 你创建了美观、整洁、具有唯一性的记录
- Head First猎头公司正在一网打尽各种人才！
- 再见……
- 附录A： 尾声 正文未及的十大要诀
- 其一：统计知识大全
- 其二：Excel技巧
- 其三：耶鲁大学教授Edward Tufte（爱德华·塔夫特）的图形原则
- 其四：数据透视表
- 其五：R社区
- 其六：非线性与多元回归
- 其七：原假设-备择假设检验
- 其八：随机性
- 其九：Google Docs
- 其十：你的专业技能
- 附录B： 安装R启动R！
- R起步
- 附录C： 安装Excel分析工具ToolPak
- 在Excel中安装数据分析工具
- 索引
常见问题
数学基础薄弱能读懂这本书吗？
书中的R和ToolPak附录需要先学编程吗？
这本书和机器学习类图书有什么区别？
读者评论
查询本书
本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。
作者简介
Michael Milton 是一位公开资料十分有限的数据分析类图书作者，目前库内仅收录其一种作品《深入浅出数据分析》。该书属于计算机综合类别，以图文并茂、通俗易懂的写法讲解数据分析的基本思路与方法，面向初学者和需要将数据用于实际工作的读者。作者在书中注重把抽象概念转化为直观的图示和贴近实际的案例，降低了入门门槛，帮助读者建立对数据整理、分析与解读的整体认识。就现有信息而言，其生平背景、国籍与教育经历等均未见可靠记载，因此难以对其人作更多介绍。总体来看，Michael Milton 的写作风格偏向启发式与实践导向，强调让读者在轻松阅读中掌握分析工具与思维方式，这一特点使其作品在入门读物中具有较高的可读性。
李芳的公开资料有限，目前尚无法确认其国籍、生卒年与个人履历，但从库内收录的11种作品可以看出其写作与编撰方向相当多元。她涉足特殊教育、日语学习、数据分析、励志成长、网络意识形态、宏观经济调控、科技创新指标测评以及动漫艺术鉴赏等领域，既有面向课堂的教材，也有面向大众的实用读物。其中《特殊儿童应用行为分析》属于康复与训练系列教材，显示出她在特殊教育应用方法上的投入；《深入浅出数据分析》与《测度全球科技创新中心》则体现其对数据与量化方法的关注。整体而言，她的作品侧重知识普及与操作指导，跨学科色彩明显。
