本书从理解问题定义、了解数据内的高层信息、数据清理、视化数据，到基础建模、模型优化，分享一个数据分析师的视角与思路。在预测分析的流程中，一步步用详细的图文代码讲解使用到的库，如何正确使用各个库中的方法和函数，以及在遇到类似的问题时如何套用学过的知识。 本书共8章。第1章对预测分析的流程进行一个高层次的概述。第2章介绍本书需要安装使用的库，并讲解数据清理步骤的执行。第3章讲解基础建模需考虑的细节，结合第4章的模型选择，可以搭建一个基础的预测管道。第5章和第6章分别从模型和数据的角度讲解如何优化预测表现。第7章讲解时间序列这一特殊数据的预测方法。最后，第8章总结全书学习到的内容，解决一个实战问题。 本书面向3类读者。第1类，有编程基础但毫无数据科学背景，有意入门的读者；第2类，有数据科学理论基础，有意进入实操的读者，如刚毕业没有业界经验的学生；第3类，有数据科学理论基础与实操经验，但日常工作集中在数据分析管道中的数据分析师。

王沁晨，多伦多大学圣乔治校区计算机专业，曾在加拿大零售企业Loblaw Companies担任机器学习数据分析师，从公司传统的大型数据库中筛选有效信息、清理数据、人工数据挖掘、视化，到基础建模、模型优化、数据再筛选，再到结合商业需求创造扩展性强的实用管线，让项目从理论性的头脑风暴变现为商业价值。

前言 笔者在Loblaw Companies任职全栈数据分析师期间，深刻体会到了有时许多校内学习到的理论知识并非即刻适用。这样的传统零售业在走向数据驱动模式时，往往不需要使用庞大的深度学习模型，或其他消耗巨大算力的算法。一些可解释性高，所需数据量较小的模型足以贡献十分可观的商业价值。相比起走学术路径中理论基础的重要性，在行业实操中更重要的是掌握数据分析的全过程，以及拥有足够的经验让步骤间有节奏地配合，因此笔者决定写这本书，将预测分析中重点的步骤和其间配合以可着手的方式展现给读者。 本书的着重点在于预测分析与机器学习的实战思路，其中加入算法或模型的理论知识介绍，让读者在学习如何运用的同时，更加深入地学习为何在该实践场景下使用该特定算法或模型。书中侧重讲解实操中常用、回报率高的算法。内容简单易懂，图文搭配，借鉴实际例子让学习过程更具实用感。 本书致力于帮助3类读者在预测分析与机器学习这条路上有所成长。第1类，有Python编程基础但缺乏数据科学背景，有意入门的读者。书中不设置有关数据科学背景的阅读门槛，每个相关背景都将先介绍再进行引用。另外，因本书偏向实操而非理论，内容对于这一类读者将更加容易消化，书中的代码注释丰富，容易着手跟随。第2类，有数据科学理论基础知识，有意进入实操的读者，例如缺乏业界经验的学生。这类读者已经掌握了许多理论背景知识，只是缺少实践经历。本书有效地展示理论算法如何在实操中运行，以及各理论知识运用的搭配。第3类，有数据科学理论基础与实操经验，但日常工作集中在数据分析管道中的数据分析师。本书可以帮助这类读者了解在工作中如何与同事配合。在项目经...