深入解析SAS：数据处理、分析优化与商业应用 计算机与互联网 书籍|3770899 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

夏坤庄，徐唯，潘红莲，林建伟 著

图书标签:

• SAS
• 数据处理
• 数据分析
• 统计分析
• 商业分析
• 优化
• 计算机
• 互联网
• 编程
• 应用

店铺： 互动出版网图书专营店

出版社： 机械工业出版社

ISBN：9787111483403

商品编码：16006859384

丛书名： 数据分析技术丛书

出版时间：2015-01-01

书[0名0]：	深入解析SAS：数据处理、分析[0优0]化与[0商0]业应用|3770899
图书定价：	99元
图书作者：	夏坤庄;徐[0[0唯0]0];潘红莲;林建伟
出版社：	机械工业出版社
出版日期：	2015/1/1 0:00:00
ISBN号：	9787111483403
开本：	16开
页数：	0
版次：	1-1

作者简介

夏坤庄，SAS软件研究开发（北京）有限公司客户职能部总监。在承担[0大0]量产[0品0]研发工作的同时，夏坤庄及其团队负责对SAS非英语市场提供技术支持，并且与在美[0国0]及其他地区的团队一起，对SAS的SaaS客户提供服务，以及提供和验证关于SAS产[0品0]和技术的佳实践。在加入SAS软件研究开发（北京）有限公司之前，夏坤庄就职于SAS中[0国0]公司。在SAS中[0国0]公司期间，历任资深咨询顾问、项目经理、[0首0]席顾问、咨询经理，在SAS的技术与产[0品0][0领0]域拥有丰富的咨询和项目实施经验。在[0超0]过15年的从业经历中，为SAS的金融行业客户成功实施了众多深受好[0评0]的项目，所承担的项目获得诸如人民银行颁发的“银行系统科技进步一等奖”和客户系统内部颁发的“项目开发特等奖”等。拥有数[0学0]专业的[0学0]士[0学0]位和自动控制理论及应用专业的硕士[0学0]位。 徐[0[0唯0]0]，SAS软件研究开发（北京）有限公司资深分析咨询师，主要负责为SAS亚太地区客户提供高端[0商0]业分析与[0优0]化的咨询服务，拥有为[0国0]际客户提供数据挖掘和[0优0]化建模服务的丰富经验，例如为某[0大0]型[0国0]际汽车制造公司在中[0国0]业务的库存[0优0]化项目提供服务，以及为[0国0]际[0知0][0名0]银行的信用卡审批流程[0优0]化提供[0优0]化建模服务等。本科和研究生均毕业于南京[0大0][0学0]数[0学0]系。 潘红莲，SAS中[0国0]公司资深咨询顾问，为中[0国0]区客户提供SAS解决方案和产[0品0]的方案咨询和技术支持。于2008年加入SAS后，曾任SAS软件研究开发（北京）有限公司解决方案架构师，提供SAS解决方案和产[0品0]在企业级应用的方案研究和设计，尤其在IT实施和产[0品0]集成策略等[0领0]域做出了突出的贡献。对SAS架构设计、系统管理、安全性，以及高可用性等方面有着深刻的理解和丰富的实践经验。毕业于北京航空航天[0大0][0学0]，获计算机专业[0学0]士和硕士[0学0]位。 林建伟，现就职于SAS软件研究开发（北京）有限公司，任资深分析咨询师。研究[0领0]域为[0大0]数据处理、数据挖掘、预测[0优0]化、库存[0优0]化、图论及相关应用。参与[0国0]内外多个客户的SAS预测与[0优0]化项目的咨询工作，例如为某海外银行的信用卡审批流程[0优0]化提供[0优0]化建模服务。美[0国0]西密歇根[0大0][0学0]博士，在[0国0]际[0知0][0名0]刊物上发表多篇专业论文。

内容简介

本书是[0国0]内市场目前一本由SAS公司在中[0国0]的员工创作、全面系统地剖析SAS技术的著作。作者团队结合自身实际工作的经验体[0会0]和[0大0]量生动的实践案例，通俗易懂、循序渐进地对SAS的核心技术模块和架构体系进行了全方位的介绍、总结与分享，帮助读者深刻[0领0][0会0]和掌握使用SAS进行数据挖掘与[0优0]化的专业[0知0]识，同时培养读者运用这些专业[0知0]识解决[0商0]业问题和实施[0商0]业项目的能力。 全书共28章，分为四个部分：SAS编程([0第0]1-8章)系统介绍了运用SAS进行数据读入、处理和展现等内容，掌握这一部分内容可以满足[0大0]部分实际项目中数据处理的需要；SAS统计分析和时间序列预测 ([0第0]9—18章)全面介绍了多种常见统计方[0法0]的基本原理和利用SAS去实现的具体技术，包括描述性统计分析、参数估计与假设检验、方差分析、主成分分析与因子分析、聚类分析、判别分析、回归分析、时间序列分析等，并给出了相应的实践案例，从而让熟悉统计理论的读者有能力将其应用到实际中去；SAS[0优0]化建模([0第0]19~24章)对于从事[0优0]化的读者来说，将是很好的帮助。这一部分主要介绍了运用SAS／O日建模，以及求解线性规划、混合整数规划问题的方[0法0]及实例，通过对常见的[0优0]化问题进行全面的阐述，帮助读者掌握[0优0]化思路和技巧；SAS[0商0]业应用([0第0]25-28章)从项目实施角度探讨了如何设计满足安全性、高可用性和高性能需求的gAS应用，让读者[0领0][0会0]解决实际问题的方[0法0]。

目录

《深入解析SAS：数据处理、分析[0优0]化与[0商0]业应用》 前言 Preface [0第0]一篇 SAS编程和数据处理 [0第0]1章 Base SAS基础 2 1.1 SAS系统简介 2 1.2 启动SAS软件 4 1.2.1 SAS窗口环境模式 4 1.2.2 非交互模式 5 1.2.3 批处理模式 6 1.2.4 交互式行模式 7 1.2.5 配置文件和AUTOEXEC文件 7 1.3 SAS窗口环境 8 1.3.1 SAS资源管理器 10 1.3.2 程序编辑器 10 1.3.3 日志 10 1.3.4 结果 11 1.3.5 输出 11 1.4 SAS文件和逻辑库 11 1.5 一个简单的SAS程序 13 1.6 SAS Studio 17 1.7 本章小结 18 [0第0]2章 读取外部数据到SAS数据集 19 2.1 SAS编程基本概念 20 2.1.1 SAS逻辑库 20 2.1.2 SAS数据集 23 2.1.3 SAS逻辑库和数据集管理 31 2.1.4 SAS系统选项 33 2.1.5 SAS程序结构 37 2.2 通过DATA步读取数据 38 2.2.1 DATA步处理 38 2.2.2 读取外部文本文件中的数据（初级） 42 2.2.3 读取外部文本文件中的数据（高级） 52 2.3 通过IMPORT过程读取外部文件数据 62 2.4 访问关系型数据库系统中的数据 65 2.5 SAS程序错误及处理 68 2.5.1 良好的SAS编程风格 68 2.5.2 常见错误及处理 69 2.6 本章小结 73 [0第0]3章 对单个数据集的处理 74 3.1 选取部分变量 74 3.2 操作数据集的观测 78 3.2.1 SAS表达式 78 3.2.2 选取部分观测 84 3.2.3 操作所选取的观测 88 3.2.4 分组与排序 92 3.3 创建新变量 96 3.3.1 数据集选项RENAME=和RENAME语句 96 3.3.2 赋值语句创建新变量 97 3.3.3 对多个观测求和 99 3.4 循环和数组 103 3.4.1 循环 103 3.4.2 SAS数组 106 3.5 SAS常用函数 109 3.5.1 函数语[0法0] 109 3.5.2 数值函数 110 3.5.3 字符操作函数 110 3.5.4 数值与字符转换函数 113 3.5.5 与日期时间相关的函数 115 3.6 将数据集写出到外部文件 116 3.7 本章小结 119 [0第0]4章 对多个数据集的处理 120 4.1 数据集的纵向串接 120 4.1.1 使用SET语句实现纵向串接 120 4.1.2 使用APPEND过程实现纵向串接 127 4.1.3 SET语句与APPEND过程的比较 129 4.2 数据集的横向合并 130 4.2.1 不使用BY语句实现横向合并 130 4.2.2 使用BY语句实现横向合并 133 4.2.3 使用数据集选项IN=操作观测 140 4.3 数据集的更新 141 4.4 数据集的更改 143 4.4.1 单个数据集的更改 143 4.4.2 两个数据集的更改 145 4.5 数据集处理的一点补充 146 4.5.1 使用数据集选项END= 146 4.5.2 使用自动变量FIRST.与LAST. 148 4.5.3 使用SET语句中的选项POINT= 和NOBS= 149 4.5.4 使用多个SET语句 150 4.5.5 使用HASH对象处理多个数据集 151 4.6 本章小结 156 [0第0]5章 数据汇总与展现 157 5.1 通过PRINT过程制作报表 157 5.1.1 制作简单报表 157 5.1.2 制作增强型报表 161 5.1.3 改进报表显示 163 5.2 通过TABULATE过程制作汇总报表 168 5.2.1 制作基本汇总报表 168 5.2.2 制作高级汇总报表 172 5.2.3 改进报表显示 175 5.3 通过GPLOT过程制作图形 180 5.3.1 制作散点图 180 5.3.2 制作连线图 184 5.3.3 制作多幅图形 188 5.3.4 制作气泡图 195 5.4 通过GCHART过程制作图形 196 5.4.1 制作柱状图 196 5.4.2 制作分组柱状图 203 5.4.3 制作饼图 206 5.5 ODS输出传送系统 210 5.5.1 选择或剔除输出对象 211 5.5.2 创建多种格式输出文件 216 5.6 本章小结 223 [0第0]6章 SAS SQL语言 224 6.1 SQL语言概述 224 6.2 使用SQL检索数据 225 6.2.1 SQL的基本结构 225 6.2.2 使用SQL对列进行操作 226 6.2.3 使用SQL对行进行操作 227 6.2.4 使用SQL对报表加工与生成数据集 232 6.2.5 子查询 233 6.3 使用SQL对表进行横向合并 234 6.3.1 使用SQL对表进行内连接 234 6.3.2 使用SQL对表进行外连接 236 6.4 使用SQL对表进行纵向合并 237 6.4.1 使用关键字EXCEPT对表进行纵向合并 238 6.4.2 使用关键字INTERSECT对表进行纵向合并 240 6.4.3 使用关键字UNION对表进行纵向合并 241 6.4.4 使用关键字OUTER UNION对表进行纵向合并 243 6.5 使用SQL管理表 245 6.5.1 使用SQL复制、创建与删除表 245 6.5.2 使用SQL插入行 247 6.5.3 使用SQL删除部分行 248 6.5.4 使用SQL修改表的列 249 6.5.5 使用SQL更新列的值 250 6.6 本章小结 252 [0第0]7章 SAS宏语言 253 7.1 SAS宏语言概述 253 7.2 宏变量 254 7.2.1 宏变量的定义 254 7.2.2 宏变量的调用 255 7.2.3 宏变量的查看 257 7.2.4 宏变量的分类 258 7.2.5 宏变量的删除 259 7.3 宏函数 259 7.3.1 在宏语言中调用SAS函数 259 7.3.2 用宏函数处理算术与逻辑表达式 260 7.3.3 常见的处理文本的宏函数 261 7.4 宏 263 7.4.1 宏的定义与调用 263 7.4.2 宏的存储 264 7.4.3 宏的参数 266 7.4.4 宏与宏变量 269 7.5 宏语言与其他SAS语言 272 7.5.1 宏语言的编译过程 272 7.5.2 宏语言与DATA步 274 7.5.3 宏语言与SQL语言 277 7.6 宏编程 278 7.6.1 条件语句 278 7.6.2 循环语句 280 7.7 本章小结 283 [0第0]8章 开发多语言支持的SAS程序 284 8.1 多语言支持的基本概念 284 8.1.1 语言/区域 285 8.1.2 字符集和编码 285 8.2 NLS相关的SAS选项 288 8.2.1 语言/区域选项LOCALE= 288 8.2.2 编码选项ENCODING= 290 8.2.3 时区选项TIMEZONE= 295 8.2.4 语言切换选项 296 8.3 NL格式和NL输入格式 297 8.4 字符串和字符处理函数 302 8.5 文本字符串外部化 303 8.6 本章小结 309 [0第0]二篇 SAS统计分析和时间序列预测 [0第0]9章 描述性统计分析 312 9.1 基本概念 313 9.1.1 总体、个体和样本 313 9.1.2 简单随机抽样 313 9.1.3 连续变量和分类变量 313 9.1.4 参数、统计量和自由度 314 9.1.5 随机变量及概率分布 314 9.2 描述性统计量 318 9.2.1 描述数据集中趋势 319 9.2.2 描述数据离散程度 320 9.2.3 描述数据分布形态 322 9.3 MEANS过程的补充 334 9.3.1 统计量列表 334 9.3.2 选项WEIGHT=和WEIGHT语句 335 9.3.3 输出SAS数据集 336 9.3.4 WAYS语句和TYPES语句 338 9.4 本章小结 340 [0第0]10章 参数估计与假设检验 341 10.1 参数估计 341 10.1.1 点估计 341 10.1.2 区间估计 343 10.2 假设检验 346 10.2.1 基本原理 346 10.2.2 T分布与T检验 348 10.2.3 TTEST过程 350 10.2.4 单样本均值T检验 352 10.2.5 [0独0]立[0[0双0]0]样本均值T检验 354 10.2.6 配对样本均值T检验 360 10.3 非参数假设检验 362 10.4 分布拟合假设检验 365 10.5 本章小结 368 [0第0]11章 方差分析 370 11.1 方差分析的基本原理 370 11.1.1 方差分析的模型 370 11.1.2 方差分析的基本思想 371 11.1.3 方差分析的假设 373 11.2 单因素试验的方差分析 374 11.2.1 TTEST过程、ANOVA过程与GLM过程的区别 374 11.2.2 使用ANOVA过程进行方差分析 374 11.2.3 使用GLM过程进行方差分析 376 11.3 显著因素下的水平间差异检验 379 11.3.1 LSMEANS语句与MEANS语句的区别 379 11.3.2 利用LSMEANS语句进行水平差异分析 380 11.4 [0[0双0]0]因素试验的方差分析 382 11.4.1 [0[0双0]0]因素试验概述 382 11.4.2 利用GLM过程对不均衡数据进行方差分析 383 11.4.3 有交互作用因素的方差分析 385 11.5 本章小结 386 [0第0]12章 主成分分析与因子分析 387 12.1 主成分分析概述 387 12.1.1 主成分分析的基本思想 387 12.1.2 主成分的定义、计算与确定 389 12.1.3 主成分分析难点探讨 390 12.2 使用SAS实现主成分分析 392 12.2.1 FACTOR过程与PRINCOMP过程的比较 392 12.2.2 使用PRINCOMP过程进行主成分分析 392 12.2.3 使用FACTOR过程进行主成分分析 396 12.3 因子分析概述 399 12.3.1 公共因子与特殊因子 399 12.3.2 因子分析的计算过程 400 12.3.3 因子分析与主成分分析比较 401 12.4 使用SAS实现因子分析 402 12.5 本章小结 407 [0第0]13章 聚类分析 408 13.1 聚类分析的概述 408 13.1.1 聚类分析方[0法0]介绍与比较 408 13.1.2 相似性的度量 409 13.2 划分[0法0]与层次[0法0] 412 13.2.1 使用过程FASTCLUS实现K均值聚类[0法0] 412 13.2.2 使用过程CLUSTER实现层次[0法0] 416 13.3 本章小结 422 [0第0]14章 判别分析 423 14.1 判别分析概述 423 14.1.1 判别分析的基本概念及应用 423 14.1.2 判别分析的假设条件 424 14.1.3 判别分析常见的方[0法0] 424 14.2 判别分析在SAS中的实现 426 14.2.1 使用过程DISCRIM实现一般判别分析 427 14.2.2 使用过程CANDISC实现典型判别分析 432 14.2.3 使用过程STEPDISC实现逐步判别分析 436 14.3 本章小结 440 [0第0]15章 回归分析 441 15.1 变量关系探索 442 15.1.1 皮尔逊相关系数 442 15.1.2 相关性检验 444 15.1.3 CORR过程 444 15.2 线性回归 448 15.2.1 基本原理 449 15.2.2 假设检验 451 15.2.3 模型拟合 453 15.2.4 模型选择 457 15.2.5 模型预测 464 15.3 自变量间的共线性诊断 466 15.4 本章小结 468 [0第0]16章 LOGISTIC回归分析 470 16.1 基本原理 470 16.1.1 线性概率模型 470 16.1.2 LOGISTIC回归模型 471 16.1.3 LOGISTIC回归模型的估计 473 16.1.4 LOGISTIC回归模型的假设条件 474 16.2 运用LOGISTIC过程拟合模型 475 16.2.1 基本语[0法0] 475 16.2.2 假设检验 477 16.2.3 参数估计和解释 478 16.2.4 模型[0评0]价 480 16.3 LOGISTIC过程的其他语句 482 16.3.1 CLASS语句 482 16.3.2 ODDSRATIO语句 483 16.3.3 UNITS语句 484 16.4 建立模型 491 16.4.1 自变量与Logit值的关系 491 16.4.2 自变量的互动作用 494 16.4.3 模型选择 494 16.5 本章小结 500 [0第0]17章 时间序列分析 501 17.1 时间序列基本概念 501 17.1.1 了解时间序列 501 17.1.2 时间序列的数字特征 503 17.1.3 常见平稳和非平稳模型 506 17.1.4 SAS时间序列分析软件简介 511 17.2 平稳时间序列分析 511 17.2.1 数据准备 512 17.2.2 平稳性和白噪声检验 516 17.2.3 模型识别 521 17.2.4 参数估计和诊断检验 532 17.2.5 预测 537 17.3 趋势时间序列分析 546 17.3.1 确定性时间趋势 546 17.3.2 随机时间趋势 550 17.3.3 运用ARIMA过程建立趋势模型 554 17.3.4 异常点检测 564 17.3.5 运用其他过程建立趋势模型 565 17.4 季节时间序列模型 574 17.4.1 确定性季节因素 574 17.4.2 随机季节模型 578 17.4.3 季节性诊断 579 17.5 本章小结 585 [0第0]18章 SAS数据挖掘的一般流程 586 18.1 SAS数据挖掘概述 586 18.2 确定业务问题和数据准备 587 18.2.1 确定业务问题 587 18.2.2 数据准备 588 18.3 数据抽样、探索与加工 590 18.3.1 数据抽样 590 18.3.2 数据探索 591 18.3.3 数据加工 601 18.4 数据建模 605 18.4.1 模型的建立 605 18.4.2 模型的[0评0]估 609 18.4.3 模型的实施 614 18.5 本章小结 615 [0第0]三篇 SAS[0优0]化建模 [0第0]19章 运筹[0学0]概述 618 19.1 运筹[0学0]发展简介 618 19.2 [0优0]化模型的基本概念 621 19.3 [0优0]化模型的分类 623 19.4 [0优0]化建模步骤 624 19.5 SAS/OR简介 627 19.6 一个简单的OPTMODEL程序 627 19.7 本章小结 631 [0第0]20章 线性规划 632 20.1 数[0学0]模型 632 20.1.1 问题的提出 632 20.1.2 线性规划问题 634 20.1.3 图解[0法0] 636 20.2 单纯形[0法0] 638 20.2.1 线性规划问题的标准型 638 20.2.2 单纯形[0法0]的导出和运用 641 20.2.3 两阶段单纯形[0法0] 645 20.3 对偶理论和灵敏性分析 649 20.3.1 对偶问题的导出 649 20.3.2 对偶问题的基本性质 650 20.3.3 对偶单纯形[0法0] 651 20.3.4 对偶问题的经济解释 653 20.3.5 灵敏性分析 656 20.4 内点[0法0] 657 20.5 本章小结 658 [0第0]21章 运用PROC OPTMODEL建立线性规划模型 659 21.1 基本概念 659 21.1.1 参数 659 21.1.2 索引和索引集 660 21.1.3 数据类型 660 21.1.4 [0名0]称 661 21.1.5 表达式 661 21.1.6 标识表达式 662 21.1.7 函数表达式 662 21.1.8 索引集的补充 662 21.2 基本结构 664 21.3 建立模型 667 21.3.1 参数的声明 667 21.3.2 变量的声明 671 21.3.3 目标函数的声明 672 21.3.4 约束条件的声明 672 21.3.5 求解器的调用 673 21.3.6 数据输出 673 21.4 读取SAS数据集 678 21.5 创建SAS数据集 686 21.6 本章小结 688 [0第0]22章 PROC OPTMODEL程序设计 689 22.1 PROC OPTMODEL中的流程控制方[0法0]与集合运算 689 22.1.1 常见的流程控制方[0法0] 689 22.1.2 常见的集合运算处理 695 22.2 模型的更新 702 22.2.1 使用预求解器 702 22.2.2 决策变量的增加、固定与限制 704 22.2.3 约束的改变与放松 709 22.3 网络流模型 712 22.3.1 网络流模型概述 712 22.3.2 使用OPTMODEL求解网络流模型 714 22.4 本章小结 717 [0第0]23章 整数线性规划和混合整数线性规划 718 23.1 整数线性规划和混合整数线性规划概述 718 23.1.1 分支定界[0法0] 719 23.1.2 割平面[0法0] 722 23.2 使用PROC OPTMODEL求解混合整数线性规划 725 23.3 使用0-1变量建模 728 23.3.1 问题的提出 728 23.3.2 数[0学0]模型 728 23.3.3 输入数据 731 23.3.4 PROC OPTMODEL代码和输出 733 23.4 本章小结 737 [0第0]24章 [0优0]化建模实例 738 24.1 集装箱问题 738 24.1.1 问题的提出 738 24.1.2 数[0学0]模型 739 24.1.3 输入数据 740 24.1.4 PROC OPTMODEL代码和输出 741 24.1.5 功能与技巧汇总 747 24.2 运输排程问题 748 24.2.1 问题的提出 748 24.2.2 数[0学0]模型 751 24.2.3 输入数据 755 24.2.4 数据验证 759 24.2.5 PROC OPTMODEL代码和输出 764 24.2.6 功能与技巧汇总 773 24.3 本章小结 773 [0第0]四篇 SAS智能平台架构体系 [0第0]25章 SAS智能平台及行业解决方案 776 25.1 SAS智能平台 777 25.1.1 数据层 778 25.1.2 SAS服务器 778 25.1.3 中间层 780 25.1.4 客户端 780 25.2 SAS[0商0]业智能 781 25.2.1 SAS Office Analytics 781 25.2.2 SAS Enterprise BI Server 784 25.3 SAS数据管理和集成 790 25.3.1 SAS数据集成 791 25.3.2 SAS数据质量管理 792 25.3.3 DataFlux数据管理平台 792 25.3.4 SAS主数据管理 794 25.4 SAS[0商0]业分析 796 25.4.1 SAS Enterprise Miner 796 25.4.2 SAS Text Miner 798 25.4.3 SAS[0商0]业分析解决方案 799 25.5 SAS高性能分析 801 25.5.1 SAS内存分析 801 25.5.2 SAS In-Database 804 25.5.3 SAS网格计算 804 25.6 本章小结 805 [0第0]26章 SAS应用的架构规划 806 26.1 SAS应用的架构规划 806 26.1.1 SAS应用的架构 806 26.1.2 SAS Grid Manager架构 811 26.1.3 SAS库内产[0品0]架构 812 26.1.4 SAS内存分析产[0品0]架构 812 26.1.5 SAS部署在高可用集群中的架构 814 26.2 SAS应用的I/O系统规划 815 26.2.1 SAS应用的I/O特性 815 26.2.2 SAS文件系统考虑 816 26.3 本章小结 818 [0第0]27章 SAS智能平台安全管理 819 27.1 身份标识 819 27.1.1 用户 819 27.1.2 组 822 27.1.3 角色 823 27.2 认证 824 27.2.1 认证机制 824 27.2.2 凭证管理 826 27.2.3 认证到元数据服务器 832 27.2.4 认证到计算服务器 833 27.2.5 认证到数据服务器 833 27.2.6 单点登录 833 27.3 授[0权0] 834 27.3.1 元数据授[0权0] 834 27.3.2 访问元数据文件夹 838 27.3.3 访问数据 838 27.3.4 访问SAS对象 839 27.3.5 数据的细粒度控制 842 27.4 加密 843 27.4.1 加密提供方 843 27.4.2 加密ODS PDF文件 844 27.4.3 SAS加密系统选项 844 27.4.4 PWENCODE过程 844 27.5 安全性审计 845 27.5.1 SAS安全性报告宏 845 27.5.2 SAS日志模块 846 27.5.3 Web应用程序的日志 847 27.5.4 SAS审计性能测量包 848 27.6 本章小结 850 [0第0]28章 SAS智能平台的高可用性 851 28.1 高可用性相关概念 851 28.2 SAS高可用性方[0法0]概述 853 28.2.1 高可用集群 853 28.2.2 动态迁移 854 28.2.3 SAS环境备份和恢复 854 28.3 SAS元数据服务器 855 28.3.1 元数据服务器集群 856 28.3.2 提高元数据服务器可用性 856 28.3.3 公共组件 857 28.4 SAS计算层 857 28.4.1 SAS计算服务器负载均衡 857 28.4.2 SAS网格计算 858 28.4.3 提高计算层组件可用性 858 28.4.4 作业运行选项 859 28.5 SAS中间层 860 28.5.1 SAS Web Application Server集群 860 28.5.2 提高中间层组件的可用性 861 28.6 数据层 862 28.7 本章小结 863

编辑推荐

《深入解析SAS：数据处理、分析[0优0]化与[0商0]业应用》 SAS软件研究开发（北京）有限公司资深技术人员经验结晶，SAP[0大0]中[0国0]区[0商0]业创新[0首0]席架构师鲁百年强烈推荐。 实战性强，结合[0商0]业案例细致呈现SAS的[0优0]化建模方[0法0]，深入讲解SAS数据处理、统计分析及时间序列，涵盖引[0领0][0大0]数据[0潮0]流的SAS高性能分析，以及智能分析平台、解决方案、平台的安全性与高可用性等重要[0领0]域。 更多精彩，点击进入华章[0品0]牌店查阅>>

精通数据科学的炼金术：掌握Python在金融、市场营销与科学研究中的高级应用 在这本内容充实的著作中，我们将一同踏上一段深入探索Python在各个前沿领域中强大潜力的旅程。本书并非止步于基础语法的介绍，而是旨在为你提供一套融会贯通的知识体系，让你能够运用Python这门灵活而高效的语言，解决现实世界中错综复杂的数据挑战。我们将聚焦于金融分析的严谨性、市场营销的洞察力以及科学研究的创新性，为你揭示Python如何成为这些领域不可或缺的利器。 第一部分：金融领域的Python实践 金融分析是一门艺术，也是一门科学，它要求我们在海量数据中捕捉瞬息万变的趋势，做出明智的投资决策。本书将带领你深入Python在金融领域的应用，从基础的数据采集与清洗，到高级的量化交易策略构建。 数据采集与清洗的艺术： 金融数据的来源繁多，质量参差不齐。我们将学习如何利用`pandas`和`numpy`等核心库，高效地从各类API（如Quandl、Alpha Vantage）、数据库（SQLAlchemy）甚至网页（BeautifulSoup、Scrapy）抓取金融时间序列数据、公司财报、宏观经济指标等。重点将放在数据的清洗、转换和预处理，包括处理缺失值、异常值、数据标准化、时区问题等，确保数据的准确性和一致性，为后续分析奠定坚实基础。 探索性数据分析（EDA）与可视化： 在理解数据之前，必须先与之对话。我们将学习如何运用`matplotlib`、`seaborn`和`plotly`等库，创建交互式且富有洞察力的图表，如K线图、收益率分布图、相关性热力图等，直观地展现股票价格走势、市场波动性、资产相关性等关键信息。通过EDA，你将能够识别潜在的模式、异常点和数据分布特征，为模型构建提供方向。 量化策略的基石： 本书将为你构建量化交易策略的完整流程。我们将学习如何实现经典的策略，如均值回归、动量交易、趋势跟随等，并深入理解它们背后的数学原理和统计假设。我们将使用`statsmodels`进行时间序列分析，如ARIMA模型、GARCH模型，以捕捉资产价格的动态变化。同时，我们也会探讨风险管理的技术，如VaR（Value at Risk）计算，以量化投资组合的潜在损失。 机器学习在金融预测中的应用： 金融市场的复杂性使得传统统计方法有时力不从心。我们将引入机器学习算法，如线性回归、逻辑回归、决策树、随机森林、支持向量机（SVM）以及深度学习中的循环神经网络（RNN）和长短期记忆网络（LSTM），来预测股票价格、评估信用风险、检测欺诈行为。本书将详细讲解模型选择、特征工程、模型训练、超参数调优以及模型评估指标（如准确率、精确率、召回率、F1分数、AUC）在金融场景下的应用。 投资组合优化与风险管理： 构建有效的投资组合是实现投资目标的关键。我们将学习现代投资组合理论（MPT），理解马科维茨模型，并使用Python进行投资组合的优化，寻找最优的资产配置比例以最大化收益并最小化风险。同时，我们将深入探讨各种风险管理工具，如蒙特卡洛模拟，用于评估极端市场事件的潜在影响。 第二部分：市场营销的Python驱动洞察 在竞争激烈的市场环境中，数据驱动的决策是企业成功的关键。Python为市场营销专业人士提供了强大的工具，能够帮助他们理解消费者行为、优化营销活动、提升客户体验。 消费者行为分析与细分： 我们将学习如何利用Python分析来自社交媒体、网站日志、CRM系统等渠道的海量消费者数据。通过`pandas`进行数据整合，利用`scikit-learn`进行聚类分析（如K-means、DBSCAN），将消费者划分为具有相似特征和需求的细分群体。我们将探讨如何构建客户画像，深入理解不同细分市场的偏好和购买习惯。 市场营销活动效果评估与优化： 如何衡量营销活动（如广告投放、邮件营销、社交媒体推广）的ROI？本书将指导你如何设计A/B测试，利用统计方法分析实验结果，找出最有效的营销策略。我们将学习如何使用Python构建预测模型，预测客户流失率，从而采取针对性的挽留措施。同时，也会探讨如何进行客户生命周期价值（CLV）的预测和优化。 情感分析与舆情监控： 社交媒体是消费者表达意见的重要平台。我们将学习如何利用自然语言处理（NLP）技术，如NLTK、spaCy，对大量的用户评论、社交媒体帖子进行情感分析，识别消费者对产品、品牌或服务的态度（正面、负面、中性）。这将有助于企业及时了解市场反馈，应对负面舆情，并发现新的市场机会。 推荐系统的构建： 个性化推荐是提升用户体验和销售额的重要手段。本书将介绍不同类型的推荐系统，如基于内容的推荐、协同过滤推荐（用户-用户、物品-物品）以及混合推荐。我们将学习如何使用Python实现这些算法，并使用评估指标（如准确率、召回率、覆盖率、多样性）来衡量推荐系统的性能。 用户体验（UX）数据分析： 网站和应用程序的用户行为日志包含了丰富的UX信息。我们将学习如何分析这些数据，识别用户在浏览、互动过程中遇到的障碍，如高跳出率的页面、低转化率的流程。通过数据可视化和统计分析，为改进产品设计和用户界面提供依据。 第三部分：科学研究的Python加速器 Python已成为科学研究领域最受欢迎的编程语言之一，其丰富的库和强大的计算能力极大地加速了从数据处理到模型构建的整个科研流程。 高级数据可视化在科研中的应用： 除了基础的可视化，本书还将深入介绍如何使用`matplotlib`、`seaborn`、`plotly`和`dash`等库创建高度定制化、交互式的科学图表，用于展示复杂的研究结果，如三维散点图、等值线图、网络图、地理空间数据可视化等。这将有助于研究人员清晰地传达他们的发现。 数值计算与科学模拟： `numpy`和`scipy`是科学计算的基石。我们将学习如何利用它们进行高效的数值积分、微分方程求解、线性代数运算、傅里叶变换等。这对于模拟物理过程、化学反应、生物系统等至关重要。 统计建模与假设检验： 本书将深入讲解`statsmodels`库，用于进行各种统计建模，包括线性回归、广义线性模型（GLM）、混合效应模型等。我们将学习如何设计和执行严谨的假设检验，以验证研究的科学假设。 机器学习在科学发现中的赋能： 从基因组学到天体物理学，机器学习正在为科学发现注入新的活力。我们将学习如何利用`scikit-learn`和深度学习框架（如TensorFlow、PyTorch）来构建模型，以识别图像中的模式（如细胞分类、星系识别）、预测材料性质、分析粒子碰撞数据等。 自动化科研工作流： 研究往往需要处理大量重复性的任务。我们将学习如何利用Python脚本自动化数据下载、文件处理、实验参数设置、结果汇总等流程，从而极大地提高科研效率，让研究人员能够更专注于核心的科学问题。 并行计算与高性能计算（HPC）基础： 对于处理大规模数据集和复杂计算任务，并行计算是必不可少的。我们将介绍Python中的并行计算技术，如`multiprocessing`模块，以及使用`Dask`等库进行分布式计算，为处理海量科学数据提供解决方案。 总结 本书的宗旨是让你不仅能够掌握Python在特定领域的应用技巧，更能培养一种用数据解决问题的思维方式。我们相信，通过对本书内容的深入学习和实践，你将能够自信地驾驭Python，在金融分析、市场营销策略制定以及前沿科学研究等领域取得突破性的进展。无论你是数据科学家、分析师、研究人员，还是希望在职业生涯中迈向新高度的专业人士，本书都将是你不可或缺的宝贵指南。

评分☆☆☆☆☆

评价五 《数据可视化：原理与实践》这本书，对于我这样希望将复杂数据转化为易于理解的图形的人来说，是一本宝典。它不仅仅介绍了各种图表类型，比如散点图、折线图、柱状图、饼图等等，更重要的是阐述了设计优秀数据可视化的核心原则。作者强调了选择合适图表类型的重要性，以及如何根据数据的特性和想要传达的信息来决定图形的形态。书中还深入探讨了色彩、形状、大小、布局等视觉元素在信息传递中的作用，以及如何避免常见的误导性可视化陷阱。我特别喜欢书中关于叙事性可视化的讲解，它教导我们如何通过数据故事来吸引观众，并有效地传达洞察。书中还提供了大量不同领域的优秀可视化案例分析，让我从实际作品中汲取灵感。同时，书中也提及了一些常用的可视化工具和库，为读者提供了实践的起点。读完这本书，我感觉自己对如何“讲好”数据故事有了更深的理解，也能够更好地运用可视化手段来清晰、准确、有效地展示数据信息。

评分☆☆☆☆☆

评价一 读了《图解算法》这本书，真的像打开了一扇新世界的大门。之前对算法的概念总是模模糊糊，感觉像空中楼阁，但这本书用大量形象生动的图示，将那些抽象的算法原理一步步拆解，化繁为简。比如，我一直对快速排序的“分治”思想难以理解，但书中通过一个生动的“分苹果”的比喻，让我瞬间领悟了它的精髓。递归的思想也通过“俄罗斯套娃”的方式层层剥茧，不再是让人望而却步的难题。算法的逻辑、时间复杂度、空间复杂度这些概念，在图示的辅助下，变得异常直观。作者还精心挑选了一些经典的算法，如链表、树、图、排序、搜索等，并且对它们的应用场景也做了详细的阐述。让我印象深刻的是，书中不仅讲解了算法本身，还强调了如何根据实际问题选择合适的算法，以及如何优化算法的性能。这种从理论到实践的引导，让我觉得这本书不仅是知识的传授，更是能力的培养。读完这本书，我感觉自己不再是算法的“小白”，而是能够真正理解并尝试运用算法来解决问题的“入门者”了。它让我对编程产生了更浓厚的兴趣，也激发了我进一步深入学习的动力。

评分☆☆☆☆☆

评价三 我最近读了《深度学习：花书（Deep Learning）》，这是一本在深度学习领域非常有影响力的著作。这本书的深度和广度都令人惊叹，它系统地介绍了深度学习的理论基础、核心模型以及前沿进展。作者在数学原理的推导上非常严谨，从线性代数、概率论、信息论的基础讲起，为读者构建了坚实的数学基石。然后，逐一深入剖析了各种深度学习模型，包括前馈神经网络、卷积神经网络（CNN）、循环神经网络（RNN）、自编码器、生成对抗网络（GAN）等，并且对它们的工作原理、优缺点以及适用场景都进行了深入的探讨。我特别喜欢书中关于损失函数、优化算法（如SGD、Adam）、正则化技术（如Dropout）以及模型评估等方面的内容，这些都是理解和构建高性能深度学习模型的关键。虽然其中一些数学推导和概念确实需要花费大量时间和精力去理解，但这正是这本书的价值所在——它提供了深入研究深度学习的“硬核”知识。读完这本书，我感觉自己对深度学习的理解上升到了一个全新的层次，不仅是停留在表面应用，而是能够触及到其背后的原理和算法设计。

评分☆☆☆☆☆

评价二 《Python编程从入门到实践》这本书，对我这个编程新手来说，简直是及时雨。我之前尝试过其他一些编程书籍，但要么内容过于理论化，要么实践环节太少，总是学得半途而废。这本书不一样，它从最基础的Python语法开始，一步步引导，每讲完一个概念，都会立刻安排相应的练习题。这些练习题设计得非常巧妙，既能巩固刚刚学到的知识点，又不会过于刁难。最让我赞赏的是，它还引入了几个大型的项目实战，比如开发一个简单的游戏、创建一个数据可视化应用、构建一个Web应用等。通过这些项目的实践，我将零散的知识点串联起来，真正体会到了编程的乐趣和成就感。书中的讲解风格非常清晰易懂，就像一位耐心细致的老师，一步步带着你走。代码示例也都非常规范，并且配有详细的解释。读完这本书，我不仅掌握了Python的基本语法和常用库，还初步具备了独立完成一些小型项目的能力。这极大地增强了我的自信心，也让我对未来的编程学习充满了期待。

评分☆☆☆☆☆

评价四 《统计学：从数据到决策》这本书，是学习统计学原理的绝佳选择。它并没有一开始就抛出复杂的公式和模型，而是从日常生活中常见的例子入手，比如如何理解民意调查的准确性、如何分析商品销售数据来制定营销策略等。这种贴近实际的讲解方式，让我能够快速建立起对统计学概念的直观认识。书中清晰地解释了描述性统计和推断性统计的核心概念，比如均值、方差、标准差、概率、假设检验、置信区间等等，并且用大量的图表和数据可视化来辅助说明。我尤其欣赏书中关于数据收集、数据整理、数据分析以及结果解释的完整流程介绍，这让学习者能够理解统计学在实际决策中的整个生命周期。作者还强调了统计学在商业分析、市场研究、科学实验等多个领域的应用，让我看到了统计学强大的实用价值。通过这本书的学习，我不仅掌握了基本的统计分析方法，更重要的是学会了如何用统计学的思维去分析问题、理解数据，并做出更明智的决策。