第1章 Excel與Python的定位與功能對比 1.1 數(shù)據(jù)分析簡介 1.2 Excel與Python的特征對比 1.3 Excel與Python 的功能范圍 1.4 Excel 與 Python 的選擇和協(xié)作 第2章 統(tǒng)計(jì)量 2.1 常用統(tǒng)計(jì)量介紹 2.2 隨機(jī)變量及其分布 第3章 實(shí)踐環(huán)境的搭建 3.1 Excel數(shù)據(jù)分析環(huán)境 3.2 Python開發(fā)環(huán)境 3.3 Python基礎(chǔ)語法 3.4 Excel與Python的整合環(huán)境 第4章 數(shù)據(jù)處理與分析 4.1 各種統(tǒng)計(jì)量的計(jì)算 4.2 數(shù)據(jù)分析與概率統(tǒng)計(jì) 4.3 邏輯運(yùn)算 4.4 文本處理 4.5 日期與時間 4.6 查找與引用 4.7 數(shù)學(xué)與三角函數(shù) 4.8 數(shù)據(jù)的排序、查重、匯總 第5章 數(shù)據(jù)抽取——ETL中的E 5.1 連接數(shù)據(jù)庫的配置 5.2 使用 Power Query 5.3 從數(shù)據(jù)庫抽取數(shù)據(jù) 5.4 從數(shù)據(jù)文件中讀取數(shù)據(jù) 5.5 從互聯(lián)網(wǎng)獲取數(shù)據(jù) 5.6 驗(yàn)證抓取的數(shù)據(jù) 第6章 數(shù)據(jù)清洗——ETL中的T 6.1 問題數(shù)據(jù)類型與數(shù)據(jù)清洗方法 6.2 使用Python抓取演示用金融數(shù)據(jù) 6.3 數(shù)據(jù)清洗方法說明 6.4 數(shù)據(jù)清洗實(shí)踐 第7章 數(shù)據(jù)裝載——ETL中的L 7.1 數(shù)據(jù)倉庫ETL技術(shù) 7.2 通過Excel裝載數(shù)據(jù) 7.3 通過Python裝載數(shù)據(jù) 7.4 數(shù)據(jù)裝載策略 第8章 數(shù)據(jù)建模 8.1 數(shù)據(jù)模型相關(guān)概念 8.2 使用Power Pivot構(gòu)建數(shù)據(jù)模型 8.3 使用 SQLAlchemy構(gòu)建模型 8.4 Excel和Python構(gòu)建關(guān)系數(shù)據(jù)模型對比 第9章 數(shù)據(jù)挖掘 9.1 認(rèn)識數(shù)據(jù)挖掘 9.2 Excel數(shù)據(jù)挖掘方案 9.3 Python數(shù)據(jù)挖掘方案 9.4 scikit-learn操作 9.5 具體挖掘算法 第10章 數(shù)據(jù)可視化 10.1 數(shù)據(jù)可視化基礎(chǔ) 10.2 可視化方案 10.3 散點(diǎn)圖 10.4 餅圖 10.5 條形圖 10.6 面積圖 10.7 折線圖 10.8 柱形圖 10.9 特殊可視化圖 10.10 Excel與Python可視化處理方式對比 第11章 分析報告 11.1 分析報告基礎(chǔ) 11.2 Excel數(shù)據(jù)透視 11.3 Excel數(shù)據(jù)儀表板 11.4 安裝JupyterLab插件 11.5 JupyterLab交互式設(shè)計(jì)