第 1章　R語言數(shù)據(jù)分析概述　1 任務1.1　認識數(shù)據(jù)分析　1 1.1.1　掌握數(shù)據(jù)分析的概念　1 1.1.2　熟悉數(shù)據(jù)分析的流程　2 1.1.3　了解數(shù)據(jù)分析應用場景　4 任務1.2　熟悉R語言數(shù)據(jù)分析工具　5 1.2.1　了解數(shù)據(jù)分析常用工具　6 1.2.2　了解R語言數(shù)據(jù)分析的優(yōu)勢　6 1.2.3　了解R語言數(shù)據(jù)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(yè)現(xiàn)狀　12 2.1.2　了解某商品零售企業(yè)基本數(shù)據(jù)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(xiàn)　17 任務2.3　使用Apriori關聯(lián)規(guī)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(xiàn)　24 小結　24 實訓　使用Apriori算法對西餅屋訂單進行關聯(lián)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(xiàn)狀與客戶價值分析　28 3.1.1　了解航空公司現(xiàn)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(shù)據(jù)　31 3.2.1　處理數(shù)據(jù)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(xiàn)　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(xiàn)　42 小結　43 實訓　43 實訓1　處理信用卡數(shù)據(jù)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(shù)據(jù)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(xiàn)　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(xiàn)　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(xiàn)　60 小結　61 實訓　61 實訓1　求取企業(yè)所得稅各特征間的相關系數(shù)　61 實訓2　選取企業(yè)所得稅預測關鍵特征　62 實訓3　構建企業(yè)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(xiàn)狀與資金流量預測　64 5.1.1　分析金融服務機構現(xiàn)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(shù)據(jù)的平穩(wěn)性　67 5.2.1　檢驗平穩(wěn)性　67 5.2.2　處理非平穩(wěn)序列　69 5.2.3　任務實現(xiàn)　71 任務5.3　檢驗數(shù)據(jù)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(xiàn)　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(shù)　75 5.4.3　建立ARIMA模型　76 5.4.4　任務實現(xiàn)　81 小結　83 實訓　83 實訓1　檢驗資金贖回數(shù)據(jù)的平穩(wěn)性與純隨機性　83 實訓2　識別資金贖回數(shù)據(jù)集的階數(shù)　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(yè)的風險控制　85 6.1.1　分析P2P信貸行業(yè)的現(xiàn)狀　86 6.1.2　了解某P2P平臺數(shù)據(jù)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(qū)域經(jīng)濟發(fā)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(xiàn)　92 任務6.3　預處理P2P信貸用戶數(shù)據(jù)　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(shù)據(jù)　97 6.3.4　任務實現(xiàn)　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(xiàn)　109 小結　111 實訓　111 實訓1　探索某銀行貸款數(shù)據(jù)規(guī)律　111 實訓2　預處理某銀行貸款數(shù)據(jù)　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(wǎng)站智能推薦服務　113 任務7.1　了解某網(wǎng)站現(xiàn)狀與智能推薦系統(tǒng)　113 7.1.1　分析某網(wǎng)站現(xiàn)狀　113 7.1.2　了解智能推薦服務　115 7.1.3　熟悉網(wǎng)站智能推薦的步驟與流程　116 任務7.2　使用R連接數(shù)據(jù)庫并提取數(shù)據(jù)　117 7.2.1　訪問數(shù)據(jù)庫　117 7.2.2　任務實現(xiàn)　118 任務7.3　統(tǒng)計網(wǎng)頁整體流量狀況　118 7.3.1　分析網(wǎng)頁類型　119 7.3.2　分析網(wǎng)頁點擊次數(shù)　122 7.3.3　分析網(wǎng)頁排名　123 7.3.4　任務實現(xiàn)　124 任務7.4　預處理網(wǎng)頁瀏覽數(shù)據(jù)　130 7.4.1　刪除不符合規(guī)則的網(wǎng)頁　130 7.4.2　還原翻頁網(wǎng)址　131 7.4.3　劃分正確的網(wǎng)頁類別　131 7.4.4　選擇用戶和用戶訪問網(wǎng)頁記錄　132 7.4.5　任務實現(xiàn)　133 任務7.5　構建智能推薦模型　136 7.5.1　了解協(xié)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(xiàn)　142 小結　144 實訓　實現(xiàn)MovieLense電影數(shù)據(jù)的智能推薦　144 實訓1　清洗MovieLense原始數(shù)據(jù)　144 實訓2　構建MovieLense智能推薦模型　144 實訓3　評估推薦系統(tǒng)模型　145 課后習題　145 第8章　電商產品評論數(shù)據(jù)情感分析　147 任務8.1　了解電商企業(yè)現(xiàn)狀與文本情感分析流程　147 8.1.1　分析電商企業(yè)現(xiàn)狀　147 8.1.2　了解電商產品評論數(shù)據(jù)　148 8.1.3　實現(xiàn)電商評論數(shù)據(jù)情感分析的步驟與流程　149 任務8.2　獲取電商產品評論數(shù)據(jù)　149 8.2.1　了解R語言獲取網(wǎng)絡數(shù)據(jù)的方法　149 8.2.2　了解數(shù)據(jù)獲取的方法　151 8.2.3　任務實現(xiàn)　153 任務8.3　對電商產品評論數(shù)據(jù)進行預處理　156 8.3.1　去除評論數(shù)據(jù)中的重復數(shù)據(jù)　156 8.3.2　清洗評論數(shù)據(jù)　156 8.3.3　對評論數(shù)據(jù)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(xiàn)　162 任務8.4　評論數(shù)據(jù)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(xiàn)　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(yōu)主題數(shù)　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(xiàn)　173 小結　176 實訓　176 實訓1　清洗酒店評論原始數(shù)據(jù)　176 實訓2　對酒店評論數(shù)據(jù)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(yè)綜合分析　179 任務9.1　了解餐飲企業(yè)分析需求　179 9.1.1　分析餐飲企業(yè)現(xiàn)狀與需求　180 9.1.2　了解餐飲企業(yè)數(shù)據(jù)基本狀況　181 9.1.3　熟悉餐飲企業(yè)數(shù)據(jù)分析的步驟與流程　183 任務9.2　統(tǒng)計餐飲菜品數(shù)據(jù)　184 9.2.1　統(tǒng)計每日用餐人數(shù)與銷售額　184 9.2.2　統(tǒng)計菜品熱銷度　190 9.2.3　統(tǒng)計菜品的毛利率　191 9.2.4　任務實現(xiàn)　192 任務9.3　使用ARIMA算法預測銷售額　194 9.3.1　檢驗平穩(wěn)性和純隨機性　194 9.3.2　構建ARIMA模型　196 9.3.3　任務實現(xiàn)　198 任務9.4　使用協(xié)同過濾算法實現(xiàn)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(xié)同過濾結果　203 9.4.5　任務實現(xiàn)　204 任務9.5　使用Apriori算法實現(xiàn)菜品的關聯(lián)分析　207 9.5.1　構建Apriori模型　207 9.5.2　分析關聯(lián)規(guī)則結果　209 9.5.3　任務實現(xiàn)　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(xiàn)　217 任務9.7　用決策樹算法實現(xiàn)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(xiàn)　223 小結　226 實訓　226 實訓1　使用ARIMA模型預測網(wǎng)站訪問量　226 實訓2　使用決策樹算法實現(xiàn)運營商客戶流失預測　227 實訓3　使用協(xié)同過濾算法實現(xiàn)網(wǎng)站的智能推薦　227 實訓4　使用Apriori算法實現(xiàn)網(wǎng)站的關聯(lián)分析　227 實訓5　使用K-Means算法實現(xiàn)運營商客戶價值分析　228 課后習題　228