小白学（Python数据分析与数据运营）的日常杂记1

Python数据分析与数据运营 (宋天龙 著)

(仅供学习，提取码：cm5q)

1. Python是一种面向对象的解释型计算机程序设计语言，作者：荷兰人荷兰人：吉多·范罗苏姆（Guido van Rossum），发明时间：1989年 （那一年，我1岁都还不到啊啊啊啊！）

2. 为什么要选择Python而非其他语言（例如R）进行数据处理、分析和挖掘？

（下面是对python表忠心的时候了）

因为Python先天和后天具有的一些特殊条件和能力使其成为目前企业（尤其是大数据领域）做数据化运营最为合适的工具。

• ·开源/免费：使用Python（及其第三方库）无须购买产品、授权或license费用，无论对于个人还是对于企业都是如此。
• ·可移植性：Python程序可以跨Windows、Linux、Mac等多平台运行，这点决定了它的移植性非常强，一次开发，多平台应用。
• ·丰富的结构化和非结构化数据工作库和工具：Python除了自带数学计算库外，还有丰富的第三方库和工具，例如：连接数据库的连接库，数学科学计算库Numpy、Scipy、Pandas，文本处理库NLTK，机器学习库Scikit-Learn、Theano，图形视频分析处理和挖掘库PIL和Opencv，以及开源计算框架TensorFlow等。
• ·强大的数据获取和集成能力：Python除了可以支持多种类型的文件（图像、文本、日志、语音、视频等）和数据库集成外还能通过API、网络抓取等方式获取外部数据，内、外部数据源整合、多源数据集成、异构数据并存、多类型数据交错正是当前企业数据运营的基本形态。
• ·海量数据的计算能力和效率：当面对超过GB甚至TB规模的海量数据时，传统数据工具通常无法支撑，更不要提计算效率了。Python对于这个规模数据的计算能力和工作效率要远超过其他数据工作语言。
• ·与其他语言的集成：Python具备“胶水”能力，能与Java、C、C++、MATLAB、R等语言集成使用，这意味着你既可以把其他语言写成的脚本嵌入Python，也可以把Python脚本嵌入其他语言。
• ·强大的学习交流和培训资源：Python已经成为世界上最主流的编程语言和数据处理工作的核心工具之一，有非常多的社区、博客、论坛、培训机构、教育机构提供交流和学习的机会。
• ·开发效率高：Python语言简洁、规范，这使得在使用Python开发程序时用时更少。这对于以效率优先的程序工作或验证性项目来说非常关键，效率决定商机。
• ·简单易学：Python语法简单，即使是没有任何代码基础的人也能在几个小时内掌握基本的Python编程技巧，这对于初学者而言至关重要，因为这说明对他们来说编程式数据分析不再遥不可及，他们能像使用Excel一样使用Python。

总而言之，在具备一定Python经验和技巧的情况下，几乎没有Python无法胜任的工作场景！如果有，那么用Python调用其他语言或用其他语言调用Python后，就会胜任。(好流弊的样子~~~~~)

3. 数据化运营是什么？数据化运营的意义？

• 通过数据化的工具、技术和方法，对运营过程中的各个环节进行科学分析、引导和应用，从而达到优化运营效果和效率、
  降低成本、提高效益的目的。
• 数据化运营的价值体现在对运营的辅助、提升和优化上，甚至某些运营工作已经逐步数字化、自动化、智能化。
• 提高运营决策效率
• 提高运营决策正确性
• 优化运营执行过程
• 提升投资回报

4. 数据化运营的2种方式

• 辅助决策式数据化运营：运营的决策支持，它是以决策主题为中心的，借助计算机相关技术辅助决策者通过数据、模型、知识等进行业务决策，起到帮助、协助和辅助决策者的目的。例如，通过为决策者提供商品促销销量信息，来为企业促销活动提供有关订货、销售等方面的支持。
• 数据驱动式数据化运营：指整个运营运作流程以最大化结果为目标，以关键数据为触发和优化方式，将运营业务的工作流程、逻辑、技巧封装为特定应用，借助计算机技术并结合企业内部流程和机制形成一体化的数据化工作流程。例如，个性化推荐就是一种数据驱动数据化运营方式。
• 数据驱动相对于辅助决策的实现难度更高、数据价值体现更大。
• 辅助决策式数据化运营为业务决策方服务，整个过程都由运营人员掌控，数据是辅助角色。
• 数据驱动式数据化运营的过程由数据掌控，数据是主体，实现该过程需要IT、自动化系统、算法等支持，数据驱动具有自主导向性、自我驱动性和效果导向性。

5. 数据化运营的工作流程

• 第一阶段：数据需求沟通。
• 第二阶段：数据分析建模。
  • 获取数据：数据化运营分析所需的数据需要经过特定授权从数据库或文件中得到。
  • 数据预处理：在该过程中对数据进行质量检验、样本均衡、分类汇总、合并数据集、删除重复项、分区、排序、离散化、标准化、过滤变量、转置、查找转换、脱敏、转换、抽样、异常值和缺失值处理等。
  • 数据分析建模：运用多种数据分析和挖掘方法，对数据进行分析建模。方法包括统计分析、OLAP分析、回归、聚类、分类、关联、异常检测、时间序列、协同过滤、主题模型、路径分析、漏斗分析等。
  • 数据结论输出：数据结论的输出有多种方式，常见的方式是数据分析或挖掘建模报告，另外还包括Excel统计结果、数据API输出、数据结果返回数据库、数据结果直接集成到应用程序中进行自动化运营（例如短信营销）。
• 第三阶段：数据落地应用。
  • 数据结论沟通
  • 数据部署应用
  • 后续效果监测和反馈

6. Python用于数据化运营

• Python用于数据化运营，将充分利用Python的强大功能和效率来满足数据化运营的复杂需求。
• ·Python可以将数据化运营过程中的来源于企业内外部的海量、多类型、异构、多数据源的数据有效整合到一起，提供丰富的集成、开发、分析、建模和部署应用。
• ·Python高效的开发效率能帮助数据化运营在最短的时间内进行概念验证，并提供科学的预测结果，为数据化运营的快速和准确提供基础。
• ·Python可以将数据工作流程和IT工作流程无缝对接，有利于实现数据工作跟运营工作的融合，这也是数据驱动式数据化运营的工作方法，有利于真正实现数字化、智能化的运营工作。