前言在大数据与人工智能飞速发展的;数智时代，数据已然成为企业最核心的战略资源之一。企业运营、市场营销、风险管理、供应链优化乃至战略决策，正逐步从;经验驱动向;数据驱动转型。与此同时，数据分析能力也已成为现代商务人才必须具备的基本素养之一。本书正是在这一时代背景下编写而成的，编写团队旨在为经济类、管理类专业的学生、管理者以及数据分析爱好者提供一套系统、实用、易于上手的学习工具。本书融合了统计学、信息技术与管理实践等多学科的知识，既注重模型分析与理论知识的严谨性，也强调数据处理与业务应用的可操作性。在理论分析和统计软件操作相结合的基础上，结合案例进行实验，都配备相应的实验操作环节，具有较高的可操作性。本书避免烦琐的数学推导，采用深入浅出、循序渐进的方式系统地介绍商务数据分析的理论与实务知识，叙述严谨，基础坚实，实例与图表丰富，易于读者理解与掌握。同时，本书重点突出社会学研究领域对高阶管理统计学分析方法的应用，如虚拟变量作为因变量的回归分析方法，因子分析在结构效度分析中的基本原理，结构方程分析在工商管理学科等领域的应用价值、聚类分析和分类等大数据分析方法等。这些内容在基础类统计学中都是作为高阶知识点进行介绍的，但缺失系统和详细的内容。因此，本书更侧重多元统计分析方法在商科领域的应用。本书主要作为经济类、管理类专业本科生、研究生的教材，也可供希望系统掌握数据分析知识、提升数据驱动决策水平的初学者与在职人员使用。本书由吴丽民、林与川担任主编，吴丽民负责全书统稿。具体编写分工如下：第一、二、十一、十二章由吴丽民编写，第三、四、十四章由林与川编写，第五章由吴丽民和沈渊共同编写，第六、七、十三章由吴丽民和夏显力共同编写，第八章由沈渊和林与川共同编写，第九章由吴丽民和林与川共同编写，第十章由沈渊编写。编者

本书遵循*教指委相关指导文件和高等院校学生学习规律编写而成。践行四新理念，融入思政元素，注重理论与实践相结合。

本书结合大数据与人工智能发展的新趋势，全面介绍数据采集、预处理、可视化、建模分析与决策支持的核心内容。本书结构合理，兼顾理论与实践，涵盖SPSS、Python等多种分析工具操作案例，便于读者跨平台学习与应用。读者通过学习本书，不仅能够建立系统的商务数据分析思维，更能掌握数据挖掘、建模、可视化展示等关键技能，增强分析问题和解决问题的能力，为未来职业发展打下坚实的基础。本书共14章，涵盖从基础知识到高级模型的全方位知识体系，主要作为经济类、管理类专业本科生、研究生的教材，也可供希望系统掌握数据分析知识、提升数据分析能力的初学者与在职人员使用。

吴丽民，浙江财经大学院工商管理学院企业管理系系主任，副教授，硕导，西北农林科技大学管理学博士，主研幸福经济学、人力资源管理等。主讲“商务统计与软件应用”等8门课程。承担一项省级一流国际化课程建设，一项省级思政课程建设，一项省级线上线下混合式教学课程建设。

目录前言第一章导论1第一节商务数据分析的背景和重要性1第二节数据智能时代的挑战与机遇2第三节商务数据分析的发展历程3第四节本教材的目标、结构和适用人群4参考文献6第二章商务数据分析常用软件7第一节SPSS统计分析软件7第二节Python14第三节Power BI17参考文献20课后练习20第三章商务数据来源与采集21第一节数据采集渠道与工具选择21第二节Python爬虫23第三节数据采集实例24参考文献25课后练习25第四章商务数据预处理26第一节数据质量管理与清洗26第二节缺失值和异常值处理29第三节区间缩放和数据标准化31参考文献34课后练习34第五章探索性数据分析36第一节探索性数据分析的概念与流程36第二节描述性统计分析40参考文献59课后练习59第六章数据可视化60第一节数据可视化概述60第二节常见的可视化工具和库66第三节基本可视化类型70第四节高级可视化类型88参考文献97课后练习98第七章数据挖掘概述99第一节数据挖掘方法概述99第二节数据挖掘热点与前沿119参考文献123课后练习123第八章统计分析与假设检验124第一节均值检验124第二节方差分析134第三节相关性分析141第四节回归分析146参考文献166课后练习166第九章逻辑斯谛回归分析167第一节逻辑斯谛回归分析的基本原理167第二节逻辑斯谛回归的SPSS实现171第三节逻辑斯谛回归的Python实现175参考文献180课后练习180第十章因子分析181第一节因子分析的基本原理181第二节因子分析的SPSS实现184参考文献196课后练习196第十一章结构方程模型199第一节结构方程模型概述199第二节结构方程模型的分析过程205第三节验证性因素分析222第四节Amos的路径分析233参考文献250课后练习251第十二章决策树分析252第一节决策树分析概述252第二节经典决策树算法263第三节决策树的剪枝266第四节决策树的SPSS实现269参考文献297课后练习298第十三章聚类分析299第一节聚类分析概述299第二节系统聚类的SPSS实现304第三节K_均值聚类的SPSS实现314第四节K_均值聚类的Python实现319第五节DBSCAN聚类的Python实现323参考文献332课后练习332第十四章分类334第一节KNN分类334第二节随机森林算法340第三节神经网络分类算法345参考文献349课后练习350