本书共八章，主要内容包括电网企业数据产生背景说明、常用编程语言、电网企业数据平台、数据应用超市平台、用数环境平台等介绍以及电网企业优秀数据应用案例分析。
本书为电网企业数据应用人员提供技术借鉴与指导，适合作为电网企业数据应用培训教材使用，也可作为相关数据从业人员的学习参考书。

前言
1 概述
1.1 电网企业数据产生背景
1.1.1 电网企业数据产生的演变背景
1.1.2 电网企业数据产生的来源背景
1.1.3 电网企业数据产生的政策背景
1.2 电网企业数据的特殊性
1.3 电网企业数据应用现状
1.4 电网企业数据应用形势
2 编程语言基础
2.1 结构化查询语言（SQL）语法基础
2.1.1 SQL语言简介
2.1.2 SELECT语句
2.1.3 ORDER BY语句
2.1.4 WHERE语句
2.1.5 聚合函数
2.1.6 GROUP BY语句
2.1.7 HAVING语句
2.1.8 嵌套语句
2.1.9 JOIN联合表语句
2.1.10 创建表
2.1.11 删除表
2.1.12 写入表
2.2 python语法基础
2.2.1 python语言简介
2.2.2 python语言特点
2.2.3 python中的变量
2.2.4 python运算符
2.2.5 python语句
2.2.6 python函数
2.2.7 python模块
2.2.8 python中的异常处理
2.3 Jupyter Notebook
2.3.1 Jupyterhub界面介绍和使用
2.3.2 登录Jupyter开发环境
2.3.3 Jupyter使用界面
2.3.4 Jupyter快捷键的使用
2.3.5 python包安装
3 电网企业数据中台
3.1 电网企业数据中台简介
3.2 电网企业数据中台取数流程
3.2.1 中台数据授权
3.2.2 中台数据获取
3.3 电网企业数据中台取数实例
3.3.1 创建业务流程
3.3.2 创建数据模型
3.3.3 创建数据开发节点
3.3.4 odps-sql开发
3.3.5 调度配置
3.3.6 配置上级依赖
3.3.7 提交、发布节点任务
4 数据应用超市平台
4.1 数据应用超市平台简介
4.1.1 资源申请
4.1.2 应用开发
4.1.3 应用发布
4.1.4 应用查看
4.1.5 知识中心
4.1.6 问题提报
4.2 数据应用超市工具使用
4.2.1 安装pyodps库
4.2.2 连接odDs具体步骤
4.2.3 设置连接参数
4.2.4 读取表数据
4.2.5 回写数据
4.2.6 更多pyodps操作
4.3 数据应用超市实例
4.3.1 本地导入数据
4.3.2 导入python库
4.3.3 读取数据
4.3.4 探索数据
4.3.5 数据清洗
4.3.6 特征工程
4.3.7 制作用于训练的特征集
4.3.8 训练模型
4.3.9 测试模型
4.3.10 可视化结果展示
5 用数环境平台
5.1 用数环境平台简介
5.1.1 登录系统
5.1.2 界面说明
5.2 用数环境数据准备
5.2.1 数据准备
5.2.2 数据处理
5.2.3 数据建模
5.2.4 .数据分析
6 其他数据展示工具
6.1 Tempo数据展示
6.1.1 登录系统
6.1.2 连接数据
6.1.3 创建应用
6.1.4 数据准备
6.1.5 制作图表
6.1.6 发布应用
6.2 Tabluau数据展示
6.2.1 导入数据
6.2.2 绘制图表
6.2.3 导出图表和数据
6.3 Excel数据展示
7 电网企业优秀数据应用案例
7.1 工业碳效码——加速推进企业数字化低碳转型
7.2 基建工程标准成本体系构建及应用
7.2.1 项目简介
7.2.2 算法简介
7.2.3 数据准备
7.2.4 模型数据预处理
7.2.5 模型参数设置（主网模型）
7.2.6 模型参数设置（配网模型）
7.2.7 BP神经网络模型实现
7.2.8 模型训练（主网模型）
7.2.9 模型训练（配网模型）
7.2.10 模型应用（主网模型）
7.2.11 模型应用（配网模型）
7.2.12 成果验证
7.2.13 验证结论
7.3 基于多元融合数据的主变压器负荷预测
7.3.1 项目简介
7.3.2 研究思路
7.3.3 数据来源与数据预处理
7.3.4 数据探索
7.3.5 特征工程
7.3.6 算法模型简介与模型参数寻优
7.3.7 多模型融合算法
7.3.8 预测结果展示
7.4 基于多维用电特征的独居老人识别
7.4.1 项目简介
7.4.2 数据准备
7.4.3 数据预处理
7.4.4 特征工程
7.4.5 模型计算与结果验证
8 总结与展望
8.1 总结
8.2 当前的形势与面临的挑战
8.2.1 电网数据的类型复杂
8.2.2 电网大数据的需求
8.2.3 电网数据的隐私保护
8.2.4 电网数据的不确定性
8.2.5 电网数据的可靠性存储
8.2.6 缺乏大数据方面的人才
8.3 展望