本书在前四版畅销书的基础上，根据SPSS 26.0软件升级的市场应用需求进行第5次升级修订。 本书结合具体的SPSS统计分析实例，图文并茂地介绍了近期新版本SPSS 26.0的各种统计分析方法，包括基本统计分析、参数与非参数检验、方美分析、相关分析、同归分析、名重响应分析、聚类分析、判别分析、因子分析、主成分分析、对应分析、时间序列模型、信度分析、生存分析和缺失值分析的原理和使用方法。全书注重内容的实用性，在译细介绍SPSS常用的提作功能基础上，通过一些综合应用案例（在医学、经济管理、自然科学和社会科学中的应用）来演示实际统计分析中SPSS的使用。 本书适用于SPSS软件17.0～26.0版本，作者录制了96个视频教学文件，读者可通过扫描各章节二维码阅读学习。本书可作为高校经济学、管理学、统计学、公共管理、社会学和卫生统计等专业学生学

《战术数据链》全面系统地介绍了战术数据链的基本概念和工作原理，分类介绍了当前世界发达国家使用的各种典型的战术数据链，后对战术数据链在武器协同、航迹处理及数据链的规划和作战培训等方面的应用进行了探讨。 《战术数据链》图文并茂，讲解深人浅出，集理论与应用研究于一体，可供专业院校、国防工业科研装备部门、军事科研装备部门、军事指挥机关部门等方面的教学、科研、应用与管理人员阅读，对从事数据链装备研究的人员也具有重要的实用价值和参考价值。

本书深入浅出地介绍了Oracle 10g数据库系统管理与开发的基础知识，包括4篇，共14章，内容涉及Oracle 10g数据库服务器的安装与配置、Oracle数据库管理与开发工具的使用、Oracle数据库体系结构管理、Oracle数据库对象应用与管理、Oracle数据库安全性管理、Oracle数据库备份与恢复管理、SQL语言应用、PL/SQL程序设计、Oracle应用系统开发实例等，包含数据泵技术、闪回技术等Oracle 10g的*技术。全书理论与实践相结合，包含大量应用实例，强调实际操作技能的培训。为适合教学需要，附录A提供了8个实验，各章末均配有习题，并配有电子课件。 本书面向Oracle数据库的初学者和入门级用户，可以使读者从Oracle知识零起点开始逐渐全面地了解Oracle数据库的基本原理和相关应用开发，为将来深入学习Oracle数据库奠定基础。 本书适合作为高等院校计算机相关专业的教材，也适合作为Or

本书以引导读者快速实践Oracle 12c数据库为原则，由浅入深，涵盖Oracle 12c数据库管理的主要实践活动，内容非常贴合实际管理需要。本书共12章。第1~4章介绍Oracle数据库基础知识，如Oracle的发展史、数据库简单的基本安装、数据库体系结构、数据库自动存储管理等。第5～8章介绍数据库日常运维的基本工作内容，主要有数据库的备份和恢复、数据库优化以及常用的数据库运维工具使用方法。第9章介绍Oracle 12c新特性的多租户功能。第10~11介绍SQL语句和PL/SQL的使用方法。第12章是RAC案例部分，介绍Oracle数据库的高级安装方法。本书内容丰富，范例精典，实用性强，适合初级、中级层次想要精通Oracle数据库技术的人员阅读，尤其适合数据库进阶人员或高校相关专业的师生阅读。

本书结合大量实例，系统讲解了电商经营中涉及的各种数据及其分析方法，能让读者快速学会如何做电商数据分析，并能利用数据分析结果指导网店经营。本书共8章，内容包括电商数据分析的基础知识、行业数据分析、产品数据分析、店铺数据化运营、客户数据分析、竞争对手数据分析、库存数据分析、财务数据分析。本书内容全面、案例丰富，具有很强的可读性和实用性，不仅适合从事电商相关工作的读者阅读，还适合作为高等学校相关专业和培训机构的教材。

本书作为《基于Python的金融分析与风险管理（第2版）》一书的姊妹篇，整合了源于现实金融市场和日常实务的119个原创案例，涉及403项编程任务。本书囊括了丰富多样的金融场景，涵盖利率、汇率、债券、股票、基金、信托、资管、远期、互换、期货、期权等金融产品，还涉及商业银行、证券公司、期货公司、保险公司、信托公司、资产管理公司、基金管理公司、金融控股公司等不同业态的金融机构，尽可能覆盖金融实战中涉及Python编程的各种场景。本书着眼于从业者可能涉及的金融实战案例，并结合具体的职场角色给出了基于Python的高性能解决方案。通过阅读本书，读者能够全方位地了解金融市场的运作，深刻洞察处理各类金融工作的实战技能。

本书主要以信息科学、计算机科学和管理科学等学科为理论基础，主要面对大数据时代的电子商务智能数据计算领域，其主要研究内容包括数据科学基础理论、数据预处理、数据计算和数据管理和分析等。它主要研究互联网电子商务活动中的商务数据本身，提供完整的数据获取、数据整理、数据存储、数据分析和数据管理等解决方法和技术实现。目前的初步框架分为五大板块，分别为：商务大数据获取、商务大数据整理、商务大据存储、商务大数据分析、商务大数据管理。

Microsoft Excel 365功能卓越，全球无数企业和个人用户使用Excel365来收集、理解和解读数据。Excel办公系列书籍在广大读者中引起热烈反响，一直畅销不衰。本书对上一版做了全面细致的更新，娓娓道来，指引你创建和使用电子表格，编写公式和自定义函数，可视化数据，以及基于组织的数据创建报表和预测。本书既适合初级用户，也适合高级用户，将帮助你解锁数据的价值和潜力。

时间序列分析是统计学科的一个重要分支，它主要研究随着时间的变化，事物发生、发展的过程，寻找事物发展变化的规律并预测未来的走势。在日常生产和生活中，时间序列比比皆是，所以目前时间序列分析方法广泛应用于经济、金融、天文、气象、海洋、物理、化学、医学、质量控制等诸多领域，成为众多行业经常使用的统计方法。 本书是基于Python编写的入门级时间序列分析教材，主要内容包括时间序列分析简介、时间序列的预处理、ARMA模型的性质、平稳序列的拟合与预测、无季节效应的非平稳序列分析、有季节效应的非平稳序列分析、多元时间序列分析。

本书通过通俗易懂的语言、丰富多彩的实例，详细介绍了使用Python进行数据分析应该掌握的各方面技术。本书内容包括Python基础，用NumPy进行数据计算，用Pandas进行数据分析，用SciPy进行数据分析，用Scikit-learn进行数据分析、数据预处理、数据可视化，用Matplotlib进行可视化等内容。本书示例丰富，所有涉及的程序代码都给出了详细的注释，读者可以轻松学习，快速提升开发技能。除此之外，本书还附配了教学视频、PPT课件和全书示例源码。 本书适合数据分析的初学者、职场人士和所有对数据分析感兴趣的人员阅读，也适合作为大中专院校相关专业的教学用书。

Python是一门开源的计算机编程语言，凭借其易学、灵活等特点，得到了越来越多人的认可和青睐。金融科技日新月异，金融行业的数字化、科技化和智慧化快速推进，Python在金融领域有着很好的应用现状和前景。 本书在上一版的基础上进行了内容升级，持续聚焦Python在金融分析与风险管理的应用，第2版从原先的12章扩充至15章，并依次划分为基础篇（共5章）、中阶篇（共5章）以及高阶篇（共5章），基础篇结合金融场景演示了Python语言以及NumPy、pandas、Matplotlib、SciPy以及statsmodel等金融领域常用的第三方模块的编程方法；中阶篇通过Python编程结合金融实例，依次探讨利率、汇率、债券、股票、互换合约、期货合约等产品的定价、风险测度以及风险管控等内容；高阶篇则融合Python与金融案例，探究了期权的定价、希腊字母、动态对冲、隐含波动率、交易策略及其他延

本书以人力资源管理系统案例开发与管理为主线，深入浅出地介绍Oracle 11g数据库系统开发与管理的基础知识。全书包括4个组成部分。*部分介绍Oracle数据库系统的构建，包括数据库服务器的安装与配置、数据库常用管理与开发工具介绍、数据库体系结构介绍等；第二部分介绍人力资源管理系统数据库开发，包括数据库的创建、数据库存储结构设置、数据库对象的创建与应用、利用SQL语句与数据库交互、利用PL/SQL进行数据库功能模块开发等；第三部分介绍Oracle数据库的管理与维护，包括数据库启动与关闭、安全性管理、备份与恢复管理、数据库闪回管理、初始化参数文件管理等；第四部分介绍基于Oracle数据库的应用开发，包括人力资源管理应用开发、图书管理系统设计与开发和餐饮评价系统设计与开发等。附录A为实验部分，提供8个实验，供学生实践、练习。 本书

本书是作者在长期从事数据库课程教学和科研的基础上，为满足教学需求而编写的配套实验指导书。本书以Oracle技术为基础，编排典型实验，能充分满足课程教学需求。实验内容通用；实验安排可操作性强；灵活性高。通过实验并结合典型系统进行分析，使学生较为系统地掌握Oracle数据库的基本开发方法，设计出满足一定规范的Oracle数据库应用系统。本书共7章，18个实验，基本内容包括Oracle 10g的基本安装、配置、卸载；Oracle的体系结构；PL／SQL程序设计；安全管理；数据库备份与恢复；手工建立数据库；PowerDesigner的使用；项目综合实践。实验内容循序渐进、深入浅出，可作为计算机科学与技术、软件工程、网络工程等相关专业大学本科和研究生相关课程的实验教材，同时也可以供参加自学考试的人员及数据库应用系统开发设计人员等阅读参考。

商业分析有用吗？当然有用！商业分析是行走职场、创业启航的一项推荐技能。作者结合自己多年的工作经验，用生动的语言介绍如何用数据分析解决商业问题。本书分为6篇，共17章，其中第1篇是概念篇，讲述商业分析的基本概念；第2篇是基础篇，讲述如何用基础的分析方法评估企业经营状况；第3篇是进阶篇，讲述如何构建分析体系解决较复杂的问题；第4篇是高阶篇，讲述如何应对复杂的商业难题；第5篇是基础实践篇，通过案例讲述如何解决更复杂的商业问题；第6篇是高阶实践篇，通过案例讲述如何解决商业分析中的疑难杂症。本书的讲解思路是层层递进的，从简单场景到复杂场景，从基础的方法到复杂的方法。因此，无论读者是否有数据分析基础和经验，都建议从头开始阅读，这样可以一步步提升认知，更快地掌握商业分析的方法。

阅读本书可以学习使用Python对数据集进行操作、处理、清洗和规整。第3版针对Python3.10和pandas1.4进行了更新，并通过实操讲解和实际案例向读者展示了如何高效地解决一系列数据分析问题。读者将在阅读过程中学习新版本的pandas、NumPy、IPython和Jupyter。 本书作者Wes McKinney是Python pandas项目的创始人。本书对Python数据科学工具的介绍既贴近实战又内容新颗，非常适合刚开始学习Python的数据分析师或刚开始学习数据科学和科学计算的Python程序员阅读。读者可以从GitHub获取数据文件和相关资料。 学完本书，你将能够： ·使用Jupyter notebook和IPython shell进行探索性计算。 ·掌握NumPy的基础功能和高级功能。 ·掌握pandas库中的数据分析工具。 ·使用灵活的工具对数据进行加载、清洗、转换、合并和重塑。 ·使用matplotlib进行信息可视化。 ·使用pandas的groupBy功能对数据集进行切片、切

本书旨在帮助数据行业的从业者在 AI 时代提升数据管理和数据技术认知水平，内容覆盖数据价值创造的理论、技术和实践。 本书共 8 章。第 1 章回顾企业数据的发展历史，并讲解现代企业数据组织。第 2 章从多维度解析数据价值的创造路径，包括从构建数字化决策、加速业务创新和推动 AI 变革等视角介绍数据价值创造的方法和成果。第 3 章系统讲解数据管理的方法与技术，包括数据资产管理、数据资产运营、数据平台架构的规划及实践案例。第 4 章讲解数据要素价值化的路径探索，包括数据要素在多行业的应用、基础体系、可信数据流通技术及数据资产入表。第 5 章讲解数据底座的技术与实践，包括数据底座的架构要求、分布式存储技术、分布式计算技术等，以及多种架构介绍。第 6 章讲解数据与 AI 的融合，包括推荐系统、基于 LLM 的数据治理分析、数据标注

本书旨在帮助数据行业的从业者在 AI 时代提升数据管理和数据技术认知水平，内容覆盖数据价值创造的理论、技术和实践。 本书共 8 章。第 1 章回顾企业数据的发展历史，并讲解现代企业数据组织。第 2 章从多维度解析数据价值的创造路径，包括从构建数字化决策、加速业务创新和推动 AI 变革等视角介绍数据价值创造的方法和成果。第 3 章系统讲解数据管理的方法与技术，包括数据资产管理、数据资产运营、数据平台架构的规划及实践案例。第 4 章讲解数据要素价值化的路径探索，包括数据要素在多行业的应用、基础体系、可信数据流通技术及数据资产入表。第 5 章讲解数据底座的技术与实践，包括数据底座的架构要求、分布式存储技术、分布式计算技术等，以及多种架构介绍。第 6 章讲解数据与 AI 的融合，包括推荐系统、基于 LLM 的数据治理分析、数据标注

本书旨在帮助数据行业的从业者在 AI 时代提升数据管理和数据技术认知水平，内容覆盖数据价值创造的理论、技术和实践。 本书共 8 章。第 1 章回顾企业数据的发展历史，并讲解现代企业数据组织。第 2 章从多维度解析数据价值的创造路径，包括从构建数字化决策、加速业务创新和推动 AI 变革等视角介绍数据价值创造的方法和成果。第 3 章系统讲解数据管理的方法与技术，包括数据资产管理、数据资产运营、数据平台架构的规划及实践案例。第 4 章讲解数据要素价值化的路径探索，包括数据要素在多行业的应用、基础体系、可信数据流通技术及数据资产入表。第 5 章讲解数据底座的技术与实践，包括数据底座的架构要求、分布式存储技术、分布式计算技术等，以及多种架构介绍。第 6 章讲解数据与 AI 的融合，包括推荐系统、基于 LLM 的数据治理分析、数据标注

本书旨在帮助数据行业的从业者在 AI 时代提升数据管理和数据技术认知水平，内容覆盖数据价值创造的理论、技术和实践。 本书共 8 章。第 1 章回顾企业数据的发展历史，并讲解现代企业数据组织。第 2 章从多维度解析数据价值的创造路径，包括从构建数字化决策、加速业务创新和推动 AI 变革等视角介绍数据价值创造的方法和成果。第 3 章系统讲解数据管理的方法与技术，包括数据资产管理、数据资产运营、数据平台架构的规划及实践案例。第 4 章讲解数据要素价值化的路径探索，包括数据要素在多行业的应用、基础体系、可信数据流通技术及数据资产入表。第 5 章讲解数据底座的技术与实践，包括数据底座的架构要求、分布式存储技术、分布式计算技术等，以及多种架构介绍。第 6 章讲解数据与 AI 的融合，包括推荐系统、基于 LLM 的数据治理分析、数据标注

本书旨在帮助数据行业的从业者在 AI 时代提升数据管理和数据技术认知水平，内容覆盖数据价值创造的理论、技术和实践。 本书共 8 章。第 1 章回顾企业数据的发展历史，并讲解现代企业数据组织。第 2 章从多维度解析数据价值的创造路径，包括从构建数字化决策、加速业务创新和推动 AI 变革等视角介绍数据价值创造的方法和成果。第 3 章系统讲解数据管理的方法与技术，包括数据资产管理、数据资产运营、数据平台架构的规划及实践案例。第 4 章讲解数据要素价值化的路径探索，包括数据要素在多行业的应用、基础体系、可信数据流通技术及数据资产入表。第 5 章讲解数据底座的技术与实践，包括数据底座的架构要求、分布式存储技术、分布式计算技术等，以及多种架构介绍。第 6 章讲解数据与 AI 的融合，包括推荐系统、基于 LLM 的数据治理分析、数据标注

本书聚焦于复杂系统影响因素研究的数据驱动分析方法(DAC)，为应对大数据和人工智能时代复杂系统问题提供创新思路与实用工具。第1章阐述了传统分析方法在处理复杂系统多变量、非线性和动态变化等特征时的不足，而DAC凭借先进的数据挖掘和机器学习算法，通过数据获取、数据处理与变量测量、聚类分析、决策树分析和贝叶斯网络分析5个关键阶段(步骤)，为决策制定和优化助力。第2章强调指标选取的依据、选取原则等，依据数据类型选择合适量化方法，并通过实例演示如何将实际问题转化为可量化数据集，保障后续分析质量。第3章详细介绍数据采集、统计分析、变量选取、校准处理(引入云校准概念)等数据预处理内容。第4章讲解基于聚类算法的异质性群体的多种分析。第5章使用决策树分析了异质性群体对象的影响因素交互效应。第6章运用贝叶斯网络和相关算

本书聚焦于复杂系统影响因素研究的数据驱动分析方法(DAC)，为应对大数据和人工智能时代复杂系统问题提供创新思路与实用工具。第1章阐述了传统分析方法在处理复杂系统多变量、非线性和动态变化等特征时的不足，而DAC凭借先进的数据挖掘和机器学习算法，通过数据获取、数据处理与变量测量、聚类分析、决策树分析和贝叶斯网络分析5个关键阶段(步骤)，为决策制定和优化助力。第2章强调指标选取的依据、选取原则等，依据数据类型选择合适量化方法，并通过实例演示如何将实际问题转化为可量化数据集，保障后续分析质量。第3章详细介绍数据采集、统计分析、变量选取、校准处理(引入云校准概念)等数据预处理内容。第4章讲解基于聚类算法的异质性群体的多种分析。第5章使用决策树分析了异质性群体对象的影响因素交互效应。第6章运用贝叶斯网络和相关算