《信息分析的核心》带给我们的不仅是目前国内最好的一本“中国信息分析教案”和“企业战略决策手册”；也是一本不可多得的激发创造性和想象力的“预测”之书。《信息分析的核心》从情报学和信息分析学的原理出发，以最新的商业实战角度，利用了大量安邦研究的经典分析案例，全面阐释了应用情报和信息分析在政府决策和企业战略中的重要地位；同时，书中用大量翔实的案例再现了信息分析对战略决策所起的重要作用和实战意义。作者特别对中国市场经济的发展而兴起的市场研究、经济分析和竞争对手分析等信息分析工作中的热点和难点问题进行了剖析，对于读者了解、把握信息分析工作的基本态势和总体发展趋势具有重要的作用。《信息分析的核心》也可供高等院校师生教学和参考之用。同时，是企业界、情报界、咨询界、教育界的信息分析、竞争情报、信息管理、知识管理、战略管理和软科学研究从业者学习使用的一本不可多得的实战教材。

资深数据分析师多年工作经验结晶，20余位行业专家联袂推荐！ 数据分析领域的开创性著作，技术内容专业、细致、严谨；写作方式独辟蹊径，构思巧妙，生动有趣！ 以企业经营中的案例为依托，将复杂的数据分析知识巧妙地融入其中，完整呈现数据分析项目的流程，系统阐述数据分析的专业思路、方法和技能！ 真正的好书不在于给出答案，而在于给出思考问题的方法。本书选择人物对话的形式，通过一问一答把读者带入到思考问题的情境，耳濡目染，感同身受。思路上清晰连贯，表达上深入浅出，减少枯燥的概念，增加生动的故事和实用的案例；减少晦涩的公式推导，增加思路引导的互动情境。 本书章节逻辑清晰，从企业的一个个具化的需求出发，使读者对数据分析的了解循序渐进，将复杂的数据分析知识体系串成有机的整体；数据分析体系完整，从数据采集、数据清洗和加工，到战略数据分析、经营数据分析和投资数据分析等综合分析，最后到数据成果的精彩呈现均加以阐述，使读者完整了解到数据分析对企业各个环节的价值。书中的案例来源于企业经营的实际案例，实用性强，分析线索环环紧扣，分析方法细致严谨，数据展示简洁明了，难能可贵的是作者将自己多年在数据分析实际工作中的“解题”思路加以展现，为广大数据分析师们的实务工作提供了宝贵的借鉴。 本书在章节编排方面兼顾不同读者的需求：第1章可加强企业高管对数据分析的认识。第2章有助于想进入数据分析行业的有志之士明确发展方向和路径。第3章帮助在信息技术公司、软件公司、互联网公司、传统企业、电商企业、管理咨询公司、市场研究公司等从事数据分析工作的分析师进行自检。第4章到第8章有助于初中级数据分析师以及阅读使用数据分析报告的职业经理人提升数据分析的专业思路、方法和技能。

《活用数据：驱动业务的数据分析实战》是一本用数据来帮助企业破解业务难题的实操书，有理论、有方法、有实战案例。《活用数据：驱动业务的数据分析实战》第1~3章首先对“怎么想”进行了解答，通过明确分析问题、开启分析思路、打开分析视角，依次回答数据思维的3个核心问题：解决什么问题、分析哪些内容、分析到何种程度。第4~8章对企业常见的9项业务需求进行案例解析，回答“怎么做”的问题。这9项业务需求包括战略选择、用户偏好、客户分类、品牌建设、规模预测、产品设计、价格制定、渠道评价、促销配置。通过对具体案例的思考和操作，提升读者的业务理解力、逻辑思维力和动手实践力，加强读者分析和解决问题的水平。 《活用数据：驱动业务的数据分析实战》具有业务驱动、案例闭环、思维先导、实战还原4大特色，同时在思路上清晰连贯，在表达上深入浅出，既能帮助数据分析从业者入门和提升，也能辅助企业各业务部门和各级管理人员做量化决策。

What is bad data? Some people consider it a technical phenomenon, like missing values or malformed records, but bad data includes a lot more. In this handbook, data expert Q. Ethan McCallum has gathered 19 colleagues from every corner of the data arena to reveal how they’ve recovered from nasty data problems. From cranky storage to poor representation to misguided policy, there are many paths to bad data. Bottom line? Bad data is data that gets in the way. This book explains effective ways to get around it. Among the many topics covered, you’ll discover how to: Test drive your data to see if it’s ready for analysis Work spreadsheet data into a usable form Handle encoding problems that lurk in text data Develop a successful web-scraping effort Use NLP tools to reveal the real sentiment of online reviews Address cloud computing issues that can impact your analysis effort Avoid policies that create data analysis roadblocks Take a systematic approach to data quality analysis

For many researchers, Python is a first-class tool mainly because of its libraries for storing, manipulating, and gaining insight from data. Several resources exist for individual pieces of this data science stack, but only with the Python Data Science Handbook do you get them all-IPython, NumPy, Pandas, Matplotlib, Scikit-Learn, and other related tools. Working scientists and data crunchers familiar with reading and writing Python code will find this comprehensive desk reference ideal for tackling day-to-day issues: manipulating, transforming, and cleaning data; visualizing different types of data; and using data to build statistical or machine learning models. Quite simply, this is the must-have reference for scientific computing in Python. With this handbook, you'll learn how to use: IPython and Jupyter: provide computational environments for data scientists using Python NumPy: includes the ndarray for efficient storage and manipulation of dense data arrays in Python Pandas: features the DataFrame for efficient storage and manipulation of labeled/columnar data in Python Matplotlib: includes capabilities for a flexible range of data visualizations in Python Scikit-Learn: for efficient and clean Python implementations of the most important and established machine learning algorithms

This book is our attempt to bring together many of the important new ideas in learning, and explain them in a statistical framework. While some mathematical details are needed, we emphasize the methods and their conceptual underpinnings rather than their theoretical properties. As a result, we hope that this book will appeal not just to statisticians but also to researchers and practitioners in a wide variety of fields.

向数据驱动型决策转变以及如何利用网站数据来获得竞争优势 在过去几年中，互联网、在线营销以及广告经历了巨大的变革，然而大家处理数据的方式跟几十年前相比还是大同小异，停滞不前。网站分析领域的领跑者Analytics kaushik通过《精通Web Analytics 2.0——用户中心科学与在线统计艺术》提出了下一代网站分析的框架，将能很大程度地帮助你提高组织的能动性和对市场的反应速度。 在本书中，Analytics将点击流网站分析工具与定性数据、测试与试验以及竞争情报工具相结合，从而推演出详尽的网站战略以及操作层方案。 在他的第一本畅销书《精通Web Analytics——来自专家的最佳web分析策略》(清华大学出版社引进并出版)中，Analytics给出了很多基于行业的经验总结，而在本书中，他进一步阐述了如何去衡量、分析目前互联网上出现的新技术和应用，并在此基础上快速行动。这些新技术和应用包括：社交媒体、视频、移动互联网上以及用户为中心的设计等。作者通过对传统方法的改造，对互联网数据进行抽丝剥茧般的分析，提出了具体、简单以及更先进的方法。如果你想成为网站分析专家，本书将是你的最佳选择。

Here, the news graphics director at "The Wall Street Journal" gives a step-by-step guide to executing clear and concise graphics for everyone from the average PowerPoint user to the sophisticated professional, showing how to use different techniques to convey messages eloquently and effectively.

关于数据分析技术白皮书（Analytics Book 中文版），主要内容围绕： 1. 分析（Analytics）：网站分析 & APP分析 2. 谷歌分析工具的原理、部署与使用 3. 开源网站分析工具的原理、部署与使用 4. Log日志分析原理 5. 网站分析的维度与指标定义 6. 如何炼成为一个互联网数据分析师 请访问书的数据分析技术白皮书官网“免费”阅读（中文版）！ http://cn.analyticsbook.org/doku.php?id=start 繁体中文版： http://hk.analyticsbook.org/doku.php?id=start 英文原版： http://www.analyticsbook.org/doku.php?id=start Analytics Book中文版是由Gordon策划，由多个志愿者翻译。翻译者：伍海凤、刘鹏、杨佳静、马师慧Sara、李博、Shirley Song、Zinc、李晓艳。

《精通Excel 2007:数据分析与业务建模》全面详尽地论述了Excel2007强大的数据处理功能，结构独具匠心，以生动案例组织每个主题，介绍了Excel中与数据分析和业务建模密切相关的众多重要函数和工具，如单变量求解、规划求解和假设分析等，有助于帮助读者解决实际的业务问题。《精通Excel 2007:数据分析与业务建模》还给出了一些解决日常问题的方案以及预测体育赛事结果等颇具娱乐性的案例。

本书由统计学领域著名专家所著，从基本的金融数据出发，讨论了这些数据的汇总统计和相关的可视化方法，之后分别介绍了商业、金融和经济领域中的基本时间序列分析和计量经济模型。作者通过实际操作的方法介绍金融数据分析，选择使用免费的R软件和实际案例来展示书中所讨论方法的实现。书中抽象理论和实际应用并重，读者既能从中轻松学习金融计量模型，也能了解它们在现实世界中的丰富应用。 贯通全书，各章节通过R图形以可视化的形式把讨论主题展现给读者，并以两个详细案例展示了金融中统计学的应用。本书有配套的网站（http://faculty.chicagobooth.edu/ruey.tsay/teaching/introTS），其中包含了书中涉及的R代码和额外的数据集供读者下载，通过这些读者可以创建自己的模拟分析，并检验对本书介绍的方法的理解程度。 本书是高年级本科生或研究生学习时间序列分析和商务统计学的优秀入门教材。对于希望进一步加强对金融数据和当今金融市场理解的研究人员以及商业、金融和经济领域的从业者，该书也是极佳的参考书。

【名人推荐】 “科学计算和数据分析社区已经等待这本书很多年了：大量具体的实践建议，以及大量综合应用方法。本书在未来几年里肯定会成为Python领域中技术计算的权威指南。” ——Fernando Pérez　加州大学伯克利分校 研究科学家， IPython的创始人之一 【内容简介】 还在苦苦寻觅用Python控制、处理、整理、分析结构化数据的完整课程？本书含有大量的实践案例，你将学会如何利用各种Python库（包括NumPy、pandas、matplotlib以及IPython等）高效地解决各式各样的数据分析问题。 由于作者Wes McKinney是pandas库的主要作者，所以本书也可以作为利用Python实现数据密集型应用的科学计算实践指南。本书适合刚刚接触Python的分析人员以及刚刚接触科学计算的Python程序员。 •将IPython这个交互式Shell作为你的首要开发环境。 •学习NumPy（Numerical Python）的基础和高级知识。 •从pandas库的数据分析工具开始。 •利用高性能工具对数据进行加载、清理、转换、合并以及重塑。 •利用matplotlib创建散点图以及静态或交互式的可视化结果。 •利用pandas的groupby功能对数据集进行切片、切块和汇总操作。 •处理各种各样的时间序列数据。 •通过详细的案例学习如何解决Web分析、社会科学、金融学以及经•济学等领域的问题。

你手头有一些数据，想做成漂亮的图表放到网站上？好主意，通过浏览器来跨平台实现数据可视化是正确的选择。什么，你还想让图表能够响应用户操作？没问题，交互式图表比静态图片更能吸引人去探究本源。好啦，要生成通过浏览器展示的动态图表，首选目前最热门的Web数据可视化库——D3。 这本书很有意思，而且对读者要求不高。不需要知道什么是数据可视化，也不用有太多Web开发背景就能看懂它。不信？翻一翻就知道这是一本既好玩又实用的动手指南啦！看完这本书你会怎么样呢？ 掌握必要的HTML、CSS、JavaScript和SVG基础知识； 学会基于数据在网页里生成元素和为它们设置样式的技巧； 能够生成条形图、散点图、饼图、堆叠条形图和力导向图； 使用平滑的过渡动画来展示数据的变化； 赋予图表动态交互能力，响应用户从不同角度探索数据的请求； 收集数据和创建自定义的地图； 另外，本书100多个代码示例都可以在线浏览！