内容简介

这是一本金融数据挖掘与分析领域的实战性著作，它能指导零Python编程基础和零数据挖掘与分析基础的读者快速掌握金融数据挖掘与分析的工具、技术和方法。

读完本书，你将会有如下3个方面的收获：

（1）Python编程基础和数据预处理

首先详细讲解了Python的核心语法，以及NumPy、Matplotlib、PySpark、Jupyter Notebook等Python数据处理工具的使用；然后详细介绍了数据预处理的流程和技巧。通过深入浅出的语言和丰富的样例展示，帮助初学者快速上手 Python，为之后的数据分析实战夯实基础。

（2）数据挖掘与分析的经典方法

详细讲解了经典的数据挖掘方法，包括聚类分析、回归分析、分类分析、异常检测、关联分析、时间序列分析等。

（3）主要金融应用场景的数据挖掘方法

针对网络舆情的采集和热点分析、舆情分析中的情感分析、股价趋势预测、个人信用评分、企业信用评分、用户画像、目标客户精准分析、销售数据分析等金融行业的常见应用场景，给出了数据挖掘和分析的方法。

本书注重实战，配有大量精心设计的案例，同时还有配套的视频讲解、代码和数据资源，可操作性强。

前　言

第1章　Python工作环境准备  1

1.1　Anaconda环境安装  1

1.2　常用Python 交互工具  4

1.3　Jupyter Notebook简介  6

1.4　习题  9

第2章　Python入门  10

2.1　Python基础知识  10

2.2　Python基础语法  11

2.3　Python变量类型  15

2.4　Python运算符  20

2.4.1　算术运算符  20

2.4.2　比较运算符  22

2.4.3　赋值运算符  23

2.4.4　按位运算符  24

2.4.5　逻辑运算符  25

2.4.6　成员运算符  26

2.4.7　身份运算符  27

2.4.8　运算符优先级  28

2.5　Python条件与循环语句  29

2.5.1　条件语句  29

2.5.2　循环语句  31

2.6　Python函数  38

2.7　Python模块  43

2.8　Python 文件处理  46

2.9　Python异常  48

2.10　数据分析相关库  50

2.10.1　NumPy  50

2.10.2　Matplotlib  51

2.10.3　PySpark  53

2.10.4　其他常用库  54

2.11　习题  55

第3章　数据预处理  56

3.1　数据分析工作流程  56

3.2　数据预处理  58

3.2.1　数据集导入  59

3.2.2　数据概览  60

3.2.3　数据清洗  61

3.2.4　类别变量转换  66

3.2.5　数据分割  67

3.2.6　特征缩放  68

3.3　鸟瞰机器学习  71

3.4　习题  72

第4章　数据挖掘方法  74

4.1　分类分析  74

4.1.1　决策树  75

4.1.2　支持向量机  75

4.1.3　分类算法的选择  76

4.2　聚类分析  76

4.2.1　K均值算法  77

4.2.2　聚类算法和分类算法的区别  78

4.3　回归分析  78

4.3.1　变量间的关系  79

4.3.2　回归分析算法的分类和步骤  79

4.3.3　回归分析算法的选择  81

4.4　关联分析  81

4.4.1　关联规则  82

4.4.2　关联规则的序列模式  82

4.5　时间序列分析  83

4.5.1　时间序列分析方法和步骤  83

4.5.2　时间序列的三种预测模式   85

4.6　异常检测  85

4.7　推荐算法  86

4.8　习题  89

第5章　网络舆情采集与热点分析  90

5.1　网络舆情概述  90

5.1.1　大数据网络舆情背景  90

5.1.2　舆情处理过程  91

5.2　舆情数据采集  94

5.2.1　网络舆情采集工具  95

5.2.2　网络舆情数据爬取实例  100

5.3　实战：微博热点话题聚类  104

5.4　习题  110

第6章　舆情研判之情感分类  112

6.1　情感分析介绍  112

6.1.1　情感分析分类  112

6.1.2　情感分析文本预处理  114

6.1.3　实战：中文文本处理练习  115

6.2　情感分类方法  118

6.2.1　基于词典的情感分类  118

6.2.2　基于机器学习的情感分类  121

6.2.3　基于深度学习模型的情感分类  122

6.3　情感分类实战演练  131

6.3.1　淘宝家电商品评论情感分类预测  131

6.3.2　京东客户评论情感倾向预测  134

6.4　习题  140

第7章　用机器学习方法预测股价  142

7.1　股市数据分析价值  142

7.1.1　案例背景  142

7.1.2　案例价值  143

7.2　ARIMA模型  144

7.3　实战：基于SVM和ARIMA的股价预测  145

7.4  习题  156

第8章　用人工智能方法预测股价  157

8.1　神经网络预测方法  157

8.1.1　门控循环单元  158

8.1.2　VADER情感分析  158

8.2　实战：基于LSTM和GRU的股价预测  159

8.3　实战：股票市场新闻情感分析  165

8.4　习题  172

第9章　个人信用评分  173

9.1　个人信用评分概述  173

9.1.1　需求背景  174

9.1.2　国内外发展状况  175

9.2　信用评分的技术与方法  176

9.2.1　信用评分的简要历史  176

9.2.2　信用评分的主要模型与方法  176

9.3　信用评分卡模型  180

9.3.1　模型介绍  180

9.3.2　数据分箱  180

9.3.3　WOE值  182

9.3.4　IV值  183

9.3.5　逻辑回归算法原理  185

9.3.6　模型评价指标  186

9.3.7　建立信用评分卡  190

9.4　实战：信用评分卡  190

9.4.1　读取数据  191

9.4.2　数据预处理  191

9.4.3　探索性分析  197

9.4.4　模型分析  204

9.4.5　建立信用评分卡  208

9.5　习题  211

第10章　个人信用等级评估  213

10.1　概述  213

10.2　个人信用等级评估方法  215

10.2.1　决策树  215

10.2.2　随机森林  221

10.2.3　XGBoost简介  224

10.2.4　多重共线性  228

10.2.5　数据重采样  229

10.3　实战：个人信用等级评估  232

10.3.1　导入相应包并读取数据  232

10.3.2　查看数据情况  234

10.3.3　数据预处理及相关函数构建  241

10.3.4　模型训练  244

10.3.5　预测并生成结果  251

10.4　习题  253

第11章　企业信用评估  255

11.1　企业信用评估概述  255

11.2　企业信用评估的技术与方法  257

11.2.1　支持向量机  257

11.2.2　朴素贝叶斯  259

11.2.3　感知机  260

11.3　实战：企业信用评估  261

11.3.1　导入相应包并读取数据  261

11.3.2　数据预处理  262

11.3.3　可视化各变量总体分布直方图  264

11.3.4　建模分析预测企业违约情况  271

11.3.5　模型评估  273

11.3.6　模型预测  273

11.4　习题  274

第12章　用户画像  276

12.1　用户画像的价值  276

12.1.1　用户画像的定义  277

12.1.2　标签体系  278

12.1.3　用户画像的意义  282

12.2　用户画像的构建  283

12.2.1　用户画像的构建步骤  283

12.2.2　创建用户画像的方法  287

12.2.3　丰富用户画像  290

12.3　实战：电商用户画像构建  292

12.4　实战：电商用户行为分析  303

12.5　习题  321

第13章　目标客户运营  322

13.1　目标客户运营概述  322

13.2　目标客户运营模型  323

13.2.1　目标客户模型探索  323

13.2.2　目标客户聚类算法  326

13.3　目标客户的挖掘与分类  330

13.3.1　挖掘目标客户  331

13.3.2　目标客户的可视化工具  332

13.3.3　基于RFM模型的客户分类  333

13.3.4　基于LRFMC模型的客户分类  334

13.4　实战：商场客户细分管理  335

13.4.1　导入相关库  335

13.4.2　数据可视化及分析  336

13.4.3　K均值聚类分析  342

13.5　实战：航空公司VIP客户体系管理  345

13.5.1　数据集说明  345

13.5.2　导入相关库  346

13.5.3　数据分析及可视化  347

13.5.4　特征属性的相关性分析  354

13.5.5　属性规约  355

13.5.6　构建聚类模型  357

13.5.7　客户分群可视化  361

13.6　习题  363

第14章　智能推荐  364

14.1　精准营销概述  364

14.1.1　传统营销  365

14.1.2　新时代营销  366

14.2　智能推荐概述  367

14.2.1　Apriori算法  369

14.2.2　FP-Growth算法  374

14.2.3　关联规则的应用实例  378

14.3　实战：火锅店推荐  379

14.3.1　导入相关库  380

14.3.2　数据可视化及分析  381

14.3.3　特色菜推荐  386

14.3.4　K均值聚类分析  387

14.3.5　智能推荐器  388

14.4　实战：基于关联规则的数据挖掘  390

14.4.1　导入相关库  391

14.4.2　数据可视化及分析  392

14.4.3　关联分析—Apriori算法  398

14.5　习题  401

参考文献  403