Python廣告數據挖掘與分析實戰（簡體書）

本書共十二章，第1-4章重在介紹移動廣告營銷數據分析理論與案例分析，包括廣告數據分析的基本概念、內容和意義，廣告數據分析相關理論知識及常用分析方法，移動廣告營銷常見的數據分析案例剖析以及如何做一份讓領導滿意的數據分析報告；本書第5-6章主要介紹Python軟件安裝及常用包的主要用法。本書第7-10章主要介紹利用Python實現移動廣告營銷中常見的機器學習算法，重點掌握常用的模型評價方法，模型原理、實現方法和技巧，其中包括混淆矩陣、AUC、ROC等常用模型評價方法以及線性回歸、邏輯回歸、決策樹、KNN、SVM、神經網絡、隨機森林、GBDT、XGBoost、Stacking等常用監督學習算法。第11章主要介紹k-means聚類、Lookalike相似用戶挖掘等常用無監督學習算法及實現方法。第12章主要介紹移動廣告營銷常用的特徵選擇及特徵工程方法。讀者如果只想瞭解數據分析相關概念和方法，可以選擇性閱讀本書前四章內容，後八章偏向數據挖掘算法和編程實踐等內容，有興趣可以深入閱讀全書。

廣告行業數據分析和AI技術專家撰寫，系統講解廣告數據挖掘模型、算法、方法，提供大量案例和代

前言
第1章　Python安裝方法1
1.1　Python介紹1
1.1.1　Python的由來1
1.1.2　Python的特點2
1.2　Anaconda安裝2
1.3　PyCharm安裝及環境配置9
1.3.1　PyCharm安裝9
1.3.2　PyCharm環境配置12
1.4　為什麼建議使用Python17
1.5　本章小結18
第2章　認識廣告數據分析19
2.1　廣告數據概述19
2.1.1　廣告數據的特點19
2.1.2　廣告數據分析的意義20
2.2　廣告數據分佈20
2.2.1　伯努利分佈20
2.2.2　均勻分佈20
2.2.3　二項分佈21
2.2.4　正態分佈22
2.2.5　泊松分佈22
2.2.6　指數分佈23
2.3　異常值診斷24
2.3.1　三倍標準差法24
2.3.2　箱形圖分析法25
2.4　數據相關性26
2.4.1　Pearson相關係數26
2.4.2　Spearman秩相關係數26
2.5　顯著性檢驗27
2.6　本章小結27
第3章　Python廣告數據分析常用工具包29
3.1　數據基礎運算工具：NumPy29
3.1.1　常見數據結構30
3.1.2　索引與切片34
3.1.3　數組運算35
3.1.4　矩陣運算39
3.1.5　廣播42
3.1.6　其他常用操作43
3.2　數據預處理工具：Pandas46
3.2.1　數據結構概述47
3.2.2　數據加載49
3.2.3　數據拼接53
3.2.4　數據聚合57
3.2.5　數據透視表和交叉表59
3.2.6　廣告缺失值處理60
3.3　數據可視化分析工具：Matplotlib63
3.3.1　散點圖64
3.3.2　條形圖65
3.3.3　折線圖66
3.3.4　餅圖68
3.3.5　直方圖68
3.3.6　箱形圖71
3.3.7　組合圖72
3.4　本章小結74
第4章　模型常用評價指標75
4.1　回歸模型常用評價指標75
4.1.1　R275
4.1.2　調整後的R276
4.2　分類模型常用評價指標77
4.2.1　混淆矩陣77
4.2.2　ROC曲線79
4.2.3　AUC80
4.2.4　KS指標82
4.2.5　提升度85
4.3　本章小結87
第5章　利用Python建立廣告分類模型88
5.1　邏輯回歸88
5.1.1　邏輯回歸原理88
5.1.2　損失函數89
5.1.3　利用Python建立邏輯回歸92
5.2　決策樹92
5.2.1　決策樹概述92
5.2.2　決策樹算法93
5.2.3　決策樹剪枝處理96
5.2.4　決策樹的實現97
5.3　KNN98
5.3.1　距離度量98
5.3.2　KNN算法原理99
5.3.3　KNN算法中K值的選取100
5.3.4　KNN中的一些注意事項100
5.3.5　KNN分類算法實現101
5.4　SVM101
5.4.1　最大間隔超平面101
5.4.2　支持向量103
5.4.3　目標函數104
5.4.4　軟間隔最大化106
5.4.5　核函數107
5.4.6　SVM算法的應用109
5.5　神經網絡110
5.5.1　結構特點110
5.5.2　訓練過程111
5.5.3　激活函數114
5.5.4　損失函數117
5.5.5　神經網絡的實現118
5.6　本章小結118
第6章　利用Python建立廣告集成模型119
6.1　隨機森林119
6.1.1　隨機森林的Bagging思想119
6.1.2　隨機森林的生成及優點120
6.1.3　袋外誤差121
6.1.4　Scikit-learn隨機森林類庫介紹122
6.1.5　隨機森林模型的實現123
6.2　GBDT124
6.2.1　GBDT算法思想124
6.2.2　GBDT算法原理125
6.2.3　Scikit-learn GBDT類庫介紹126
6.2.4　使用Scikit-learn類庫實現GBDT算法127
6.3　XGBoost128
6.3.1　XGBoost算法思想128
6.3.2　XGBoost算法原理129
6.3.3　XGBoost算法的優點130
6.3.4　XGBoost類庫參數131
6.3.5　使用Scikit-learn類庫實現XGBoost算法132
6.4　Stacking133
6.4.1　Stacking算法思想134
6.4.2　Stacking算法原理135
6.4.3　Stacking算法實現136
6.5　LR+GBDT137
6.5.1　LR+GBDT原理138
6.5.2　LR+GBDT在廣告CTR中的應用139
6.5.3　LR+GBDT算法實現140
6.6　FM142
6.6.1　FM的原理142
6.6.2　FM的改進145
6.6.3　FM的Python實現145
6.7　本章小結147
第7章　移動廣告常用數據分析方法149
7.1　App下載數據分析149
7.2　遊戲行業用戶分析151
7.2.1　遊戲行業數據分析的作用152
7.2.2　遊戲行業的關鍵數據指標152
7.2.3　遊戲用戶數據分析方法154
7.3　電商類App用戶轉化分析156
7.4　工具類App用戶分析162
7.5　本地O2O婚紗攝影行業分析163
7.5.1　精准人群定向164
7.5.2　廣告創意素材164
7.6　品牌廣告與效果廣告166
7.7　本章小結168
第8章　廣告數據分析報告169
8.1　分析觀點明確，邏輯清晰169
8.2　彙報結果，用數據說話170
8.3　分析過程有理有據171
8.4　圖表說明171
8.5　數據驗證173
8.6　分析建議173
8.7　本章小結174
第9章　廣告用戶數據挖掘與分析175
9.1　廣告用戶曝光與響應率分析175
9.2　廣告用戶曝光與點擊率分析178
9.3　廣告訂單消耗與延時性分析181
9.3.1　Budget Smooth算法184
9.3.2　Budget Smooth的系