大数据与机器学习：实践方法与行业案例导读-白红宇

前　　言

不畏浮云遮望眼，只缘身在最高层。

—王安石《登飞来峰》

数据科学家 = 统计学家 + 程序员 + 讲故事的人 + 艺术家

—Shlomo Aragmon

本书的创作初衷

大数据方面的书籍可谓琳琅满目，有的讲解理论，有的介绍方法，有的传播理念。但是，大数据从业人员（如数据工程师、数据分析师、业务分析师、算法设计师等）应该掌握哪些知识与技能，如何应用数据解决现实的业务问题呢？恐怕最能给出答案的还是实际的数据从业者。为此，三位作者基于近10年的数据分析与应用经验，融合各自在商业银行、互联网金融和电商领域的切身体验，寓理论于实战，选取多个详实的案例，站在企业实际应用的角度介绍数据分析应用过程并公布源代码，并最终形成本书。本书对于读者开展数据分析工作能够提供直接帮助，为有志于在大数据领域发展的读者启航。

本书特点

本书有三大特点。其一，内容全面，覆盖大数据生态中的数据、基础平台、分析方法和应用四个领域，对数据应用从业务需求、数据准备、数据分析、挖掘建模、演示报告、成果应用等全流程进行了详细阐述；其二，以业务场景为主线，精选银行和互联网方面最具代表性的案例，站在数据消费者和分析师的角度，身临其境地介绍了数据如何产生价值，寓理论于实战，让读者能知其所以然；其三，写作手法上遵循大道至简原则，用浅显的语言介绍复杂的数据分析应用过程，归纳数据分析师乃至数据科学家应该修炼的要点，既关注技术细节，又不拖泥带水，能为读者提供直接帮助。

本书定位

本书既可作为数据分析与商业分析人员的入门指引和案头工具，亦可为统计学、计算机科学、市场营销等专业研究生拓宽视野。

源代码下载

对书中源代码感兴趣的读者，可与作者联系（邮箱：64346837@qq.com）。

　目　　录

前言

第一部分　数据与平台篇

第1章　数据与数据平台

第2章　数据体系

第3章　实战：打造数据闭环

第二部分　分　析　篇

第4章　数据预处理

4.1　数据表的预处理

4.2　变量的预处理

4.2.1　缺失值的处理

4.2.2　极值的处理

4.3　变量的设计

4.3.1　暴力衍生

4.3.2　交叉升维

4.4　变量筛选

4.4.1　筛选显著变量

4.4.2　剔除共线性

4.5　本章小结

100

第5章　聚类，简单易用的客户细分方法

101

5.1　从客户细分说起

102

5.1.1　为什么要做客户细分

102

5.1.2　怎么做客户细分

103

5.1.3　聚类分析，无监督的客户细分方法

107

5.2　谱系聚类

107

5.2.1　基本步骤

107

5.2.2　案例：公司客户差异化服务

110

5.2.3　谱系聚类方法的题外话

115

5.3　K-means算法

116

5.3.1　基本步骤

116

5.3.2　案例：电商卖家细分

117

5.3.3　K-means算法的题外话

121

5.4　本章小结

121

第6章　关联规则挖掘，发现产品

加载和交叉销售机会

122

6.1　销售的真谛：让客户买得更多

123

6.1.1　案例：电商的生意经

123

6.1.2　案例：富国银行的“商店”经营模式

124

6.1.3　案例总结

125

6.2　交叉销售

126

6.2.1　为什么要做交叉销售

126

6.2.2　怎么做交叉销售

126

6.3　关联规则挖掘，发现交叉销售机会

128

6.3.1　Apriori算法

129

6.3.2　Apriori算法的主要指标

129

6.3.3　Apriori算法的基本步骤

131

6.4　案例：信用卡产品交叉销售

131

6.4.1　准备数据

132

6.4.2　SAS实现

132

6.4.3　结果分析

133

6.4.4　序列关联分析

136

6.4.5　结果应用

137

6.5　本章小结

138

第7章　社交网络分析，从“关系”

的角度分析问题

139

7.1　先看几张美轮美奂的图片

140

7.2　社交网络分析方法

142

7.2.1　定义

142

7.2.2　应用场景

142

7.2.3　网络识别算法

143

7.3　案例：电商通过订单数据识别供应链

144

7.3.1　供应链及供应链金融

144

7.3.2　识别核心企业及其上下游关系

144

7.3.3　分析结果的业务应用

149

7.4　案例：P2P投资风险防范

151

7.4.1　案例背景

151

7.4.2　防范方法

152

7.5　本章小结

153

第8章　线性回归，预测客户价值

155

8.1　数值预测

156

8.2　回归与拟合

157

8.2.1　回归就是拟合

157

8.2.2　在Excel中添加趋势线预测

158

8.3　案例：信用卡客户价值预测

159

8.3.1　确定预测目标

159

8.3.2　准备建模数据

161

8.3.3　模型拟合

163

8.3.4　模型评估

165

8.4　基于客户价值分层的业务策略

167

8.5　本章小结

167

第9章　Logistic回归，精准营销的

主要支撑算法

169

9.1　大数据时代的精准营销

170

9.1.1　精准营销

170

9.1.2　基于大数据的精准营销模式

171

9.1.3　如何做到精准

172

9.2　Logistic回归算法介绍

173

9.2.1　算法原理

173

9.2.2　关键步骤

174

9.3　案例：信用卡消费信贷产品的精准营销

176

9.3.1　案例背景

176

9.3.2　数据准备

176

9.3.3　数据预处理

180

9.3.4　建模

182

9.3.5　模型评估

185

9.4　预测模型的应用与评估

189

9.5　本章小结

189

第10章　决策树类算法，反欺诈

模型“专家”

191

10.1　决策树，重要的分类器

191

10.2　决策树的关键思想

192

10.2.1　理财客户画像案例背景

192

10.2.2　关键思想一：递归划分

194

10.2.3　关键思想二：剪枝

197

10.3　案例：电商盗卡交易风险识别

198

10.3.1　案例背景

198

10.3.2　以SAS实现

199

10.3.3　以Clementine实现

201

10.3.4　以R实现

204

10.4　随机森林

208

10.5　本章小结

209

第11章　数据可视化，是分析更是

设计

210

11.1　数据演示之道

210

11.1.1　好“色”之图

211

11.1.2　版式有形

212

11.1.3　数据发声

214

11.2　个性化地图

215

11.2.1　案例背景：存款增长率指标展示

215

11.2.2　获取地理位置的经纬度数据

216

11.2.3　定制地图背景和图标

217

11.2.4　生成地图

220

11.3　文本分析

222

11.3.1　案例：电商的客户评价分析

222

11.3.2　分词

223

11.3.3　词云制作

224

11.3.4　情感分析

225

11.4　本章小结

227

第三部分　应　用　篇

第12章　标签系统

231

12.1　认识标签系统

231

12.2　标签系统的设计

233

12.2.1　标签系统的层次结构

233

12.2.2　标签系统的更新规则

233

12.2.3　机器学习模型转化为标签

235

12.3　标签系统的实现

236

12.3.1　标签映射表

237

12.3.2　标签系统的前端实现

238

12.3.3　标签系统的数据后端实现

238

12.3.4　标签系统的在线接口实现

242

12.4　本章小结

242

第13章　数据自助营销平台

244

13.1　数据自助营销平台的价值所在

245

13.1.1　自动化营销，提升工作效率

245

13.1.2　降低营销成本，提升用户体验

247

13.1.3　个性化营销，提升响应率

248

13.1.4　统一管理，便于效果追踪

249

13.2　数据自助营销平台的实现原则

249

13.2.1　数据营销活动的节点

249

13.2.2　数据自助营销平台的基础：标签系统

251

13.2.3　数据自助营销平台的批量任务

252

13.2.4　实时数据营销

254

13.3　数据自助营销平台的场景实例

254

13.3.1　客户生命周期管理

254

13.3.2　用卡激励计划

257

13.4　本章小结

260

第14章　基于Mahout的个性化推荐系统

261

14.1　Mahout的推荐引擎

262

14.1.1　Mahout的安装配置

262

14.1.2　Mahout的使用方式

263

14.1.3　协同过滤算法

264

14.1.4　Mahout的推荐引擎

265

14.2　规模与效率

268

14.2.1　Mahout推荐算法的适用范围

268

14.2.2　通过分布式解决规模和效率的问题

270

14.3　实现一个推荐系统

275

14.3.1　系统框架

275

14.3.2　推荐系统的刷新

276

14.3.3　部署一个可用的推荐系统

276

14.4　本章小结

280

第15章　图计算与社会网络

281

15.1　社会网络和属性图

282

15.2　Spark GraphX与Neo4j

283

15.2.1　Scala编程语言

284

15.2.2　Cypher查询语言

285

15.3　使用Spark GraphX和Neo4j处理社会网络

286

15.3.1　背景说明

286

15.3.2　数据准备

286

15.3.3　Spark GraphX处理原始网络

287

15.3.4　Neo4j交互式查询分析

291

15.3.5　更多的应用场景

295

15.4　本章小结

296