R语言商务数据分析实战【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

R语言商务数据分析实战PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 R语言数据分析概述1

任务1.1 认识数据分析1

1.1.1 掌握数据分析的概念1

1.1.2 熟悉数据分析的流程2

1.1.3 了解数据分析应用场景4

任务1.2 熟悉R语言数据分析工具5

1.2.1 了解数据分析常用工具6

1.2.2 了解R语言数据分析的优势6

1.2.3 了解R语言数据分析常用的Packages7

小结10

课后习题10

第2章 商品零售购物篮分析12

任务2.1 了解购物篮分析12

2.1.1 分析商品零售企业现状12

2.1.2 了解某商品零售企业基本数据情况13

2.1.3 熟悉购物篮分析的步骤与流程13

任务2.2 分析商品销售状况14

2.2.1 分析热销商品14

2.2.2 分析商品结构15

2.2.3 任务实现17

任务2.3 使用Apriori关联规则构建购物篮分析模型18

2.3.1 了解Apriori算法的基本原理与使用方法18

2.3.2 分析结果23

2.3.3 任务实现24

小结24

实训 使用Apriori算法对西饼屋订单进行关联分析25

课后习题25

第3章 航空公司客户价值分析28

任务3.1 了解航空公司现状与客户价值分析28

3.1.1 了解航空公司现状28

3.1.2 了解客户价值分析30

3.1.3 熟悉航空客户价值分析的步骤与流程30

任务3.2 预处理航空客户数据31

3.2.1 处理数据缺失值与异常值31

3.2.2 构建航空客户价值分析的关键特征31

3.2.3 标准化LRFMC的5个特征35

3.2.4 任务实现36

任务3.3 使用K-Means算法进行客户分群37

3.3.1 了解K-Means聚类算法37

3.3.2 分析聚类结果38

3.3.3 模型应用41

3.3.4 任务实现42

小结43

实训43

实训1 处理信用卡数据异常值43

实训2 构造信用卡客户风险评价关键特征45

实训3 构建K-Means聚类模型45

课后习题46

第4章 财政收入预测分析48

任务4.1 了解财政收入预测的背景与方法48

4.1.1 分析财政收入预测背景48

4.1.2 了解财政收入预测的方法50

4.1.3 熟悉财政收入预测的步骤与流程51

任务4.2 分析财政收入数据特征的相关性51

4.2.1 了解相关性分析51

4.2.2 分析计算结果52

4.2.3 任务实现53

任务4.3 使用Lasso回归方法选取财政收入预测的关键特征53

4.3.1 了解Lasso回归方法53

4.3.2 分析Lasso回归结果54

4.3.3 任务实现54

任务4.4 使用灰色预测和SVR构建财政收入预测模型55

4.4.1 了解灰色预测算法55

4.4.2 了解SVR算法56

4.4.3 分析预测结果58

4.4.4 任务实现60

小结61

实训61

实训1 求取企业所得税各特征间的相关系数61

实训2 选取企业所得税预测关键特征62

实训3 构建企业所得税预测模型62

课后习题62

第5章 金融服务机构资金流量预测64

任务5.1 了解金融服务机构现状与资金流量预测64

5.1.1 分析金融服务机构现状64

5.1.2 认识资金流量预测65

5.1.3 熟悉金融服务机构资金流量预测的步骤与流程66

任务5.2 检验数据的平稳性67

5.2.1 检验平稳性67

5.2.2 处理非平稳序列69

5.2.3 任务实现71

任务5.3 检验数据的纯随机性72

5.3.1 了解纯随机性检验73

5.3.2 检验纯随机性73

5.3.3 任务实现74

任务5.4 建立ARIMA模型74

5.4.1 了解ARIMA模型74

5.4.2 识别模型阶数75

5.4.3 建立ARIMA模型76

5.4.4 任务实现81

小结83

实训83

实训1 检验资金赎回数据的平稳性与纯随机性83

实训2 识别资金赎回数据集的阶数83

实训3 构建ARIMA模型83

课后习题84

第6章 P2P信用贷款风险控制85

任务6.1 认识P2P信贷行业的风险控制85

6.1.1 分析P2P信贷行业的现状86

6.1.2 了解某P2P平台数据情况86

6.1.3 熟悉用户逾期预测的步骤与流程87

任务6.2 探索P2P信贷用户逾期的相关因素88

6.2.1 分析用户信息完善程度与逾期率的关系88

6.2.2 分析用户信息修改情况与逾期率的关系89

6.2.3 分析用户所在区域经济发展情况与逾期率的关系90

6.2.4 分析借款月份与逾期率的关系91

6.2.5 任务实现92

任务6.3 预处理P2P信贷用户数据95

6.3.1 使用第三方平台信息构建新特征95

6.3.2 对登录信息表与更新信息表进行长宽表转换95

6.3.3 清洗P2P信贷数据97

6.3.4 任务实现98

任务6.4 构建用户逾期还款概率预测模型107

6.4.1 了解GBM算法107

6.4.2 评价GBM模型108

6.4.3 分析结果109

6.4.4 任务实现109

小结111

实训111

实训1 探索某银行贷款数据规律111

实训2 预处理某银行贷款数据111

实训3 使用GBM算法构建信贷审批模型111

课后习题112

第7章 电子商务网站智能推荐服务113

任务7.1 了解某网站现状与智能推荐系统113

7.1.1 分析某网站现状113

7.1.2 了解智能推荐服务115

7.1.3 熟悉网站智能推荐的步骤与流程116

任务7.2 使用R连接数据库并提取数据117

7.2.1 访问数据库117

7.2.2 任务实现118

任务7.3 统计网页整体流量状况118

7.3.1 分析网页类型119

7.3.2 分析网页点击次数122

7.3.3 分析网页排名123

7.3.4 任务实现124

任务7.4 预处理网页浏览数据130

7.4.1 删除不符合规则的网页130

7.4.2 还原翻页网址131

7.4.3 划分正确的网页类别131

7.4.4 选择用户和用户访问网页记录132

7.4.5 任务实现133

任务7.5 构建智能推荐模型136

7.5.1 了解协同过滤算法136

7.5.2 评价智能推荐模型139

7.5.3 分析模型结果142

7.5.4 任务实现142

小结144

实训 实现MovieLense电影数据的智能推荐144

实训1 清洗MovieLense原始数据144

实训2 构建MovieLense智能推荐模型144

实训3 评估推荐系统模型145

课后习题145

第8章 电商产品评论数据情感分析147

任务8.1 了解电商企业现状与文本情感分析流程147

8.1.1 分析电商企业现状147

8.1.2 了解电商产品评论数据148

8.1.3 实现电商评论数据情感分析的步骤与流程149

任务8.2 获取电商产品评论数据149

8.2.1 了解R语言获取网络数据的方法149

8.2.2 了解数据获取的方法151

8.2.3 任务实现153

任务8.3 对电商产品评论数据进行预处理156

8.3.1 去除评论数据中的重复数据156

8.3.2 清洗评论数据156

8.3.3 对评论数据进行分词157

8.3.4 去除停用词158

8.3.5 提取有意义的评论159

8.3.6 绘制词云查看分词效果160

8.3.7 任务实现162

任务8.4 评论数据情感倾向分析163

8.4.1 匹配情感词164

8.4.2 修正情感倾向164

8.4.3 检验情感分析效果164

8.4.4 任务实现165

任务8.5 使用LDA模型进行主题分析169

8.5.1 了解LDA主题模型169

8.5.2 寻找最优主题数171

8.5.3 进行LDA主题分析171

8.5.4 评价主题分析结果172

8.5.5 任务实现173

小结176

实训176

实训1 清洗酒店评论原始数据176

实训2 对酒店评论数据进行预处理176

实训3 使用LDA模型建模并分析酒店评论177

课后习题177

第9章 餐饮企业综合分析179

任务9.1 了解餐饮企业分析需求179

9.1.1 分析餐饮企业现状与需求180

9.1.2 了解餐饮企业数据基本状况181

9.1.3 熟悉餐饮企业数据分析的步骤与流程183

任务9.2 统计餐饮菜品数据184

9.2.1 统计每日用餐人数与销售额184

9.2.2 统计菜品热销度190

9.2.3 统计菜品的毛利率191

9.2.4 任务实现192

任务9.3 使用ARIMA算法预测销售额194

9.3.1 检验平稳性和纯随机性194

9.3.2 构建ARIMA模型196

9.3.3 任务实现198

任务9.4 使用协同过滤算法实现菜品的智能推荐201

9.4.1 选取特征202

9.4.2 使用基于物品的智能推荐算法进行推荐202

9.4.3 了解基于用户的智能推荐算法203

9.4.4 分析协同过滤结果203

9.4.5 任务实现204

任务9.5 使用Apriori算法实现菜品的关联分析207

9.5.1 构建Apriori模型207

9.5.2 分析关联规则结果209

9.5.3 任务实现210

任务9.6 使用K-Means算法进行客户价值分析214

9.6.1 构建关键特征214

9.6.2 构建K-Means模型214

9.6.3 分析K-Means模型结果215

9.6.4 任务实现217

任务9.7 用决策树算法实现餐饮客户流失预测219

9.7.1 了解客户流失219

9.7.2 了解决策树算法220

9.7.3 构建客户流失特征221

9.7.4 分析决策树模型结果223

9.7.5 任务实现223

小结226

实训226

实训1 使用ARIMA模型预测网站访问量226

实训2 使用决策树算法实现运营商客户流失预测227

实训3 使用协同过滤算法实现网站的智能推荐227

实训4 使用Apriori算法实现网站的关联分析227

实训5 使用K-Means算法实现运营商客户价值分析228

课后习题228