精华内容
下载资源
问答
  • import warnings warnings.filterwarnings('ignore') import datetime import pandas as pd import numpy as np ...data_path = './data/' #数据存储路径 data_names = os.listdir(data_path) #列举出data

    项目类型 数据分析类

    自动售货机以线上经营的理念,提供线下的便利服务,以小巧、自助的经
    营模式节省人工成本,让实惠、高品质的商品触手可及,成为当下零售经
    营的又一主流模式。自动售货机内商品的供给频率、种类选择、供给量、
    

    项目背景 站点选择等是自动售货机运营者需要重点关注的问题。因此,科学的商业
    数据分析能够帮助经营者了解用户需求,掌握商品需求量,为用户提供精
    准贴心的服务,是掌握经营方向的重要手段,对自动售货机这一营销模式
    的发展有着非常重要的意义。

    项目目标 本项目对售货机销售数据进行商务数据分析,帮助经营者了解用户需求,
    掌握商品需求量,给出合理的营销方案。

    项目数据 5 台不同地点的自动售货机一年的销售数据。

    项目难度 

    TASK1:数据预处理与分析
    TASK1.1 根据实际项目需求对数据进行预处理
    TASK1.2 计算每台售货机每个月平均交易额和日均订单量
    TASK2 :数据可视化
    TASK2.1 掌握 python 可视化基础,了解可视化含义
    

    任务清单 TASK2.2 对 TASK1 处理后的数据进行可视化分析,并给出分析结论
    TASK3 :售货机画像的探索
    TASK3.1 根据热销商品绘制分别绘制 5 台售货机画像
    TASK3.2 根据画像及分析制定合适的营销策略
    TASK4 :预测
    TASK4.1 预测售货机近三个月内热销前 10 的商品未来一个月的销量
    TASK4.2 根据预测值,给出 5 台售货机未来一个月货品补充计划

    1.数据探索

    1.1数据读取

    import warnings
    warnings.filterwarnings('ignore')
    import datetime
    import  pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
    import re
    import os
    
    #数据探索
    #1 获取所有文件的名称和路径
    data_path = './data/'  #数据存储路径
    data_names = os.listdir(data_path)  #列举出data_path里面所有的文件名称
    data = pd.DataFrame([])
    for data_name in data_names:
        # 删除不是的文件
        if data_name.endswith('.csv'):
            print((data_name))
            #3 循环读取文件
            tmp =pd.read_csv(os.path.join(data_path,data_name),encoding='gbk')
            #4 文件存储
            data = pd.concat([data,tmp])
    #data = pd.read_csv('./data/订单表2018-5.csv',encoding='gbk')  #读取
    data.head()
    data.info()  #数据总览
    data.columns
    ![`在这里插入图片描述`](https://img-blog.csdnimg.cn/20200610154752146.png)
    #查看缺失情况
    data.isnull().sum()
    ind = data['收款方'].isnull()
    data.loc[ind,:]
    ind = data['出货状态'].isnull()
    data.loc[ind,:]
    

    在这里插入图片描述

    1.2 设备编号

    ind = data['商品详情'].apply(lambda x:'嗨购中奖' in x)
    data.loc[ind,:]
    # 1.3 设备编号
    data ['设备编号'].value_counts()  #值统计
    
    ind = data['设备编号']  == 112866
    data.loc[ind,'省市区'].value_counts()
    

    在这里插入图片描述

    1.3 订单编号

    #  1.4 订单编号
    data['订单编号'].value_counts()   # 正确  发现全部是唯一的
    

    在这里插入图片描述`

    1.4 支付状态

    # 1.5 支付状态
    num = data['支付状态'].value_counts()
    plt.rcParams['font.sans-serif'] = 'SimHei'  #字体设置,不然显示不了中文图片中
    plt.pie(num, autopct='%.2f%%', labels=num.index)
    plt.title('支付方式占比情况')
    plt.show()
    
    

    在这里插入图片描述

    1.5 收款方

    # 1.7 收款方
    data['收款方'].value_counts()
    ind = data['收款方'] =='售货机自收'
    data.loc[ind, :]
    # 1.8省市区
    data['省市区'].value_counts()
    # 2 数据预处理
    # 2.1 下单时间修改为时间格式的数据
    data['下单时间'] =pd.to_datetime(data['下单时间'],errors='coerce')
    #data['下单时间'].dt.weekday_name
    # 2.2 出货状态只保留"出货正常"的数据
    ind = data['出货状态'] =='出货成功'
    data2 =data.loc[ind,:]
    # 2.3 提取城市信息
    data2['city'] = data2['省市区'].apply((lambda x: re.findall('.{2}市',x)[0]))
    data2['city'].value_counts()
    

    2. 数据预处理

    在这里插入图片描述

    2.1 提取城市信息和商品更新

    # 2.3 提取城市信息
    data2['city'] = data2['省市区'].apply((lambda x: re.findall('.{2}市',x)[0]))
    data2['city'].value_counts()
    # 2.4商品名称更新
    data2['商品详情'] = data2['商品详情'].str.replace('百事可以', '百事可乐')
    data2['商品详情'] = data2['商品详情'].str.replace('苿莉花茶', '茉莉花茶')
    data2['商品详情'] = data2['商品详情'].str.replace('茶TT', '茶π')
    data2['商品详情'] = data2['商品详情'].str.replace('nl', '')
    data2['商品详情'] = data2['商品详情'].str.replace('毫升', '')
    data2['商品详情'] = data2['商品详情'].str.replace('乐事薯片', '乐事')
    data2['商品详情'] = data2['商品详情'].apply(lambda x: re.sub('([^;,xX]+)?|[罐瓶盒]装?|', '', x))
    data2['商品详情'] = data2['商品详情'].str.replace('马蒂爽', '马蹄爽')
    data2['商品详情'] = data2['商品详情'].str.replace('鲜蘑豆奶', '鲜磨豆奶')
    data2['商品详情'] = data2['商品详情'].apply(lambda x: re.sub('广氏菠萝啤|廣式菠萝啤|菠萝啤酒', '菠萝啤', x))
    data2['商品详情'] = data2['商品详情'].str.replace('威化瓶干', '威化饼干')
    data2['商品详情'] = data2['商品详情'].str.replace('康师父', '康师傅')
    data2['商品详情'] = data2['商品详情'].str.replace('张三疯', '张三丰')
    data2['商品详情'] = data2['商品详情'].str.replace('蓝莓味', '蓝莓')
    data2['商品详情'] = data2['商品详情'].str.replace('西柚味', '西柚')
    data2['商品详情'] = data2['商品详情'].str.replace('柠檬味', '柠檬')
    data2['商品详情'] = data2['商品详情'].apply(lambda x: re.sub('水蜜桃[^;,xX]+', '蜜桃', x))
    data2['商品详情'] = data2['商品详情'].apply(lambda x: re.sub('青柠[^;,xX]+', '青柠', x))
    data2['商品详情'] = data2['商品详情'].str.upper()
    data2['商品详情'] = data2['商品详情'].str.replace('ML', '')
    # 2.5 提取商品名称及数量
    t = data2['商品详情'].apply(lambda x: re.findall('([^,;xX]+) ?[Xx]([0-9]{1,2})', x))
    from tkinter import _flatten
    goods = t.apply(lambda x: list(_flatten(x))[::2])
    numbers = t.apply(lambda x: list(_flatten(x))[1::2])
    goods_data = pd.DataFrame({'goods': goods, 'numbers': numbers})
    goods_data.head()
    

    2.2 提取商品名称及数量

    在这里插入图片描述
    flatten()函数用法

    flatten是numpy.ndarray.flatten的一个函数,即返回一个一维数组。

    flatten只能适用于numpy对象,即array或者mat,普通的list列表不适用!。

    a.flatten():a是个数组,a.flatten()就是把a降到一维,默认是按行的方向降 。
    a.flatten().A:a是个矩阵,降维后还是个矩阵,矩阵.A(等效于矩阵.getA())变成了数组。

    names = _flatten(list(goods_data['goods']))
    num = _flatten(list(goods_data['numbers']))
    
    new_goods_data = pd.DataFrame({'产品名称':names,'购买数量':num})
    new_goods_data.head()
    

    在这里插入图片描述

    3. 数据分析

    3.1 分析商品销售排行榜

    分析商品销售排行榜:用户喜欢的商品有哪些?

    畅销品
    •目的:为运营服务(方便推荐(二八法则);商场摆设、采购、培训使得销售利润最大化)
    •确认畅销品的方法:销售量排名、二八法则、ABC法则

    什么样的商品是畅销品?
    1.只看销售量、销售额(销售量、销售额等)
    2.销售不错且能持续提供库存支持的商品(销售量、销售额、库存量、库存天数、库存周数等)
    3.只有能够持续给公司创造销售和利润,且占用最优资金量的商品(销售量、销售额、库存量、库存天数、库存周数、毛利率等特征)

    new_goods_data.dtypes
    

    在这里插入图片描述

    new_goods_data.dtypes
    new_goods_data['购买数量'] = new_goods_data['购买数量'].astype(int)
    num = new_goods_data.groupby('产品名称').agg(sum).sort_values('购买数量', ascending=False)
    
    

    在这里插入图片描述在这里插入图片描述

    plt.style.use('ggplot')
    plt.barh(range(20), num['购买数量'][:20])
    plt.yticks(range(20), num.index[:20])
    plt.ylabel('产品名称')
    plt.xlabel('销售量')
    plt.title('销售量排行榜(前二十)')
    plt.show()
    

    在这里插入图片描述可以看出这几个月销售量排行前20的商品

    3.2 分析某一台设备不同时间的销售情况

    #  3.1分析某一台设备不同时间的销售情况
    ind = data2['设备编号'] ==112866
    data_112 = data2.loc[ind, :]
    data_112.shape
    data_112.columns
    

    在这里插入图片描述

    # 某一台设备不同日期的销售情况
    data_112['date'] = data_112['下单时间'].dt.date
    data_112['income'] = data_112['总金额(元)'] - data_112['退款金额(元)']
    num = data_112[['date', 'income']].groupby('date').sum().sort_index()
    
    plt.plot(num.index, num)
    plt.xticks(num.index[::8], num.index[::8], rotation=90)
    plt.show()
    

    在这里插入图片描述

    # 某一台设备不同日期的销售情况
    data_112['date'] = data_112['下单时间'].dt.date
    data_112['income'] = data_112['总金额(元)'] - data_112['退款金额(元)']
    num = data_112[['date', 'income']].groupby('date').sum().sort_index()
    
    plt.plot(num.index, num)
    plt.xticks(num.index[::8], num.index[::8], rotation=90)
    plt.show()
    

    在这里插入图片描述

    3.3 分析某一台设备不同星期的销售情况

    data_112['weekday'] = data_112['下单时间'].dt.weekday
    num = data_112[['weekday', 'income']].groupby('weekday').sum().sort_index()
    plt.plot(num.index, num)
    plt.xticks(num.index, num.index, rotation=90)
    plt.show()
    

    在这里插入图片描述

    data_112['month'] = data_112['下单时间'].dt.month
    num = data_112[['weekday', 'income', 'month']].groupby(['month', 'weekday']).sum()
    num = num.unstack()  #最内层的行索引还原成了列索引
    week = [0, 1, 2, 3, 4, 5, 6]
    num2 = num.loc[:, [('income', i) for i in week]]
    for i in range(5, 10):
        plt.plot(week, num2.loc[i, :])
    plt.legend([f'{i}月' for i in range(5, 10)])
    plt.show()
    

    在这里插入图片描述

    3.4 某一台设备不同时间的销售情况

    # 3.3某一台设备不同时间的销售情况
    data_112['hour'] = data_112['下单时间'].dt.hour
    num = data_112[['hour','income']].groupby('hour').sum().sort_index()
    plt.plot(num.index,num)
    plt.xticks(num.index,num.index,rotation=90)  #rotation旋转角度下标
    plt.show()
    

    在这里插入图片描述

    
    data_112['hour'] = data_112['下单时间'].dt.hour
    num = data_112[['hour','income','month']].groupby(['month','hour']).sum()
    num = num.unstack().fillna(0)  #fillna 缺失值填为0
    
    for i in range(5, 10):
        plt.plot(range(24), num.loc[i, :])
    plt.legend([f'{i}月' for i in range(5, 10)])
    plt.show()
    

    在这里插入图片描述

    #星期
    data_112['hour'] = data_112['下单时间'].dt.hour
    num = data_112[['hour', 'income', 'weekday']].groupby(['weekday', 'hour', ]).sum()
    num = num.unstack().fillna(0)
    
    for i in num.index:
        plt.plot(range(24), num.loc[i, :])
    plt.legend(num.index)
    plt.show()
    

    在这里插入图片描述

    4. 不同时间的销售情况

    # 不同日期的销售情况
    data2['date'] = data2['下单时间'].dt.date
    data2['income'] = data2['总金额(元)'] - data2['退款金额(元)']
    num = data2[['date', 'income']].groupby('date').sum().sort_index()
    
    plt.plot(num.index, num)
    plt.xticks(num.index[::8], num.index[::8], rotation=90)
    plt.show()
    
    

    在这里插入图片描述

     不同星期的销售情况
    data2['weekday'] = data2['下单时间'].dt.weekday
    num = data2[['weekday', 'income']].groupby('weekday').sum().sort_index()
    num = num.loc[[0,1,2,3,4,5,6],:]
    plt.plot(num.index, num)
    plt.xticks(num.index, num.index, rotation=90)
    plt.show()
    

    在这里插入图片描述

    5. 分析城市销售情况

    # 3.4 分析城市销售情况
    num = data2[['city', 'income']].groupby('city').sum().sort_values('income')
    plt.barh(num.index,num['income'])
    plt.show()
    

    在这里插入图片描述

    5.1 绘制地理图表展示城市之间的空间关系

    # 绘制地理图表展示城市之间的空间关系
    from pyecharts.charts import Geo, Map
    import pyecharts.options as opts
    from pyecharts.globals import ChartType
    
    (
        Geo()
        .add_schema(maptype='广东')
        .add('', [(i, int(j)) for i,j in zip(num.index, num['income'])],
             type_=ChartType.EFFECT_SCATTER)
        .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
        .set_global_opts(
            title_opts=opts.TitleOpts(title='各个城市销售量情况', subtitle='2018/4-2018/9'),
            visualmap_opts=opts.VisualMapOpts(max_=max(num.max()), is_piecewise=True)
        )
    ).render('./各个城市销售量情况.html')
    

    在这里插入图片描述

    # 绘制地理图表展示不同月份不同城市之间的空间关系
    from pyecharts.charts import Geo, Timeline
    import pyecharts.options as opts
    from pyecharts.globals import ChartType
    
    data2['month'] = data2['下单时间'].dt.month
    num = data2[['month', 'income', 'city']].groupby(['month', 'city']).sum()
    num2 = num.unstack()
    num2 = num2.fillna(0)
    
    tmp = {}
    for i in range(4, 10):
        num = num2.loc[i, :]
        tmp[i] = (
            Geo()
                .add_schema(maptype='广东')
                .add('', [(i[1], int(j)) for i, j in zip(num.index, list(num.values))],
                     type_=ChartType.EFFECT_SCATTER)
                .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
                .set_global_opts(
                title_opts=opts.TitleOpts(title='各个城市销售量情况', subtitle='2018/4-2018/9'),
                visualmap_opts=opts.VisualMapOpts(max_=max(num2.max()), is_piecewise=True)
            )
        )
    
    tl = Timeline()
    for i in range(4, 10):
        tl.add(tmp[i], str(i)+'月')
    
    tl.render('./各个城市销售量情况(含时间轴).html')
    

    在这里插入图片描述

    6. 销售额环比

    6.1 周环比

    # 3.5销售额环比
    # 计算周的销售额环比
    data2['week'] = data2['下单时间'].dt.week
    #  1 计算每一周的销售额
    tmp = data2[['week','income']].groupby('week').sum()
    #  2 计算销售额环比: (本期销售额-上期销售额)/上期销售额
    t2 = tmp.diff().iloc[1:, :]  #第一个数据是空,因为没得比
    t2.index = tmp.index[:-1 ]
    num = t2/tmp  #销售额的周环比
    

    diff()方法是数组a[n]-a[n-1]的作用,对应(本期销售额-上期销售额)

    展开全文
  • 福布斯每年都会发布福布斯全球上市企业2000强排行榜(Forbes Global 2000),这个排行榜每年...在准备做这个小小的项目前,先理了一下整个思路,大概可以分为下面这几个步骤: - 数据采集 - 数据清洗、整理 ......

    福布斯每年都会发布福布斯全球上市企业2000强排行榜(Forbes Global 2000),这个排行榜每年发布的时候,国内外总有新闻会热闹的讨论一番,但很少见到比较全面的分析。

    因此才有了这样一个想法,搜集近些年每年发布的排行榜,做一个进一步的分析。

    在准备做这个小小的项目前,先理了一下整个思路,大概可以分为下面这几个步骤:
    1. 数据采集
    2. 原始数据完整性检查
    3. 数据清洗、整理
    4. 从不同角度对数据进行分析
    5. 数据可视化
    6. 总结

    整个分析过程会涉及多篇文章,主要使用Python来进行分析。

    数据采集 主要涉及的python库包括 requests,BeautifulSoup,csv,以及一些其他常用工具。

    数据完整性检查,包括不同数据来源的对比,以及其他一些常识性的知识。需要对比数据量的多少是否完整,以及有些数据是否缺失。

    当然,在拿到数据的初期,其实只能做一个初步的判断,有些内容是在整个分析过程中发现的。

    数据清洗与整理,主要用到Pandas、Numpy以及其他常用库和函数。由于数据比较杂乱,数据清洗与整理涉及的内容比较多,可以说是整个福布斯系列的重点之一。

    前文的初步整理2016年数据,也是整个数据清理与整理内容的一部分。

    同时,这个也印证了通常我们所说的数据清洗与整理可能占整个分析的50~80%。

    数据分析与可视化,经常是伴随在一起的。主要根据不同分析目的进行分析与可视化。用到的工具包括Pandas、Numpy、Matplotlib、Seaborn以及其他一些相关库。

    希望能通过福布斯系列的实战来对数据分析的知识点与工具作一个简单的示例整理与分享。

    敬请关注福布斯系列的后续文章

    如果您喜欢我的文章,欢迎关注我的微信公众号“Python数据之道”(ID:PyDataRoad)。

    展开全文
  • def save_data_to_csv_file(data, file_name): ''' 保存数据到csv文件中 ''' with open(file_name, 'a', errors='ignore', newline='') as f: f_csv = csv.writer(f) f_csv.writerows(data)
  • Python数据分析实例

    万次阅读 多人点赞 2019-06-14 22:13:37
    Python数据分析 Python爬取网页数据

    Python数据分析

    Python爬取网页数据

    // An highlighted block
    import requests
    if __name__=="__main__":
        response = requests.get("https://book.douban.com/subject/26986954/")
        content = response.content.decode("utf-8")
        print(content)
    
    // An highlighted block
    import requests
    url="https://pro.jd.com/mall/active/4BNKTNkRMHJ48QQ5LrUf6AsydtZ6/index.html"
    try:
        r=requests.get(url)
        r.raise_for_status()
        r.encoding=r.apparent_encoding
        print(r.text[:100])
    except:
        print("爬取失败")
    

    Python生成柱状图

    // An highlighted block
    import matplotlib.pyplot as plt  
      
    num_list = [1.5,0.6,7.8,6]  
    plt.bar(range(len(num_list)), num_list,color='rbgy')  
    plt.show()  
    

    在这里插入图片描述
    Python生成堆状柱状图

    // An highlighted block
    import matplotlib.pyplot as plt  
      
    name_list = ['Monday','Tuesday','Friday','Sunday']  
    num_list = [1.5,0.6,7.8,6]  
    num_list1 = [1,2,3,1]  
    plt.bar(range(len(num_list)), num_list, label='boy',fc = 'y')  
    plt.bar(range(len(num_list)), num_list1, bottom=num_list, label='girl',tick_label = name_list,fc = 'r')  
    plt.legend()  
    plt.show()  
    

    在这里插入图片描述
    Python生成竖状柱状图

    // An highlighted block
    import matplotlib.pyplot as plt  
      
    name_list = ['Monday','Tuesday','Friday','Sunday']  
    num_list = [1.5,0.6,7.8,6]  
    num_list1 = [1,2,3,1]  
    x =list(range(len(num_list)))  
    total_width, n = 0.8, 2  
    width = total_width / n  
      
    plt.bar(x, num_list, width=width, label='boy',fc = 'y')  
    for i in range(len(x)):  
        x[i] = x[i] + width  
    plt.bar(x, num_list1, width=width, label='girl',tick_label = name_list,fc = 'r')  
    plt.legend()  
    plt.show()  
    

    在这里插入图片描述
    Python生成折线图

    // An highlighted block
    import pandas as pd
    import numpy as np
     
    df = pd.DataFrame(np.random.rand(15, 4), columns=['a', 'b', 'c', 'd'])
    df.plot.area() 
    

    在这里插入图片描述
    Python生成柱状图

    // An highlighted block
    import pandas as pd
    import numpy as np
     
    df = pd.DataFrame(3 * np.random.rand(5), index=['a', 'b', 'c', 'd','e'], columns=['x'])
    df.plot.pie(subplots=True)
    

    在这里插入图片描述
    Python生成箱型图

    // An highlighted block
    #首先导入基本的绘图包
    import matplotlib.pyplot as plt
    import numpy as np
    import pandas as pd
    
    #添加成绩表
    plt.style.use("ggplot")
    plt.rcParams['axes.unicode_minus'] = False
    plt.rcParams['font.sans-serif']=['SimHei'] 
    
    #新建一个空的DataFrame
    df=pd.DataFrame()
    
    // An highlighted block
    df["英语"]=[76,90,97,71,70,93,86,83,78,85,81]
    df["经济数学"]=[65,95,51,74,78,63,91,82,75,71,55]
    df["西方经济学"]=[93,81,76,88,66,79,83,92,78,86,78]
    df["计算机应用基础"]=[85,78,81,95,70,67,82,72,80,81,77]
    df
    
    // An highlighted block
    plt.boxplot(x=df.values,labels=df.columns,whis=1.5)
    plt.show()
    

    在这里插入图片描述

    // An highlighted block
    #用pandas自带的画图工具更快
    df.boxplot()
    plt.show()
    

    在这里插入图片描述
    Python生成正态分布图

    // An highlighted block
    # -*- coding:utf-8 -*-
    # Python实现正态分布
    # 绘制正态分布概率密度函数
    import numpy as np
    import matplotlib.pyplot as plt
    import math
    
    u = 0  # 均值μ
    u01 = -2
    sig = math.sqrt(0.2)  # 标准差δ
    
    x = np.linspace(u - 3 * sig, u + 3 * sig, 50)
    y_sig = np.exp(-(x - u) ** 2 / (2 * sig ** 2)) / (math.sqrt(2 * math.pi) * sig)
    print(x)
    print("=" * 20)
    print(y_sig)
    plt.plot(x, y_sig, "r-", linewidth=2)
    plt.grid(True)
    plt.show()
    

    在这里插入图片描述
    喜欢的小伙伴可以尝试一下哦

    这是小编公众号,请动动您可爱的小手手,关注一下💓😘
    在这里插入图片描述

    展开全文
  • Python数据分析与机器学习实战

    万人学习 2017-01-24 10:18:45
    Python数据分析与机器学习实战教程,该课程精心挑选真实的数据集为案例,通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。课程以实战为基础,所有课时都结合代码演示...
  • 系列一:《python数据分析基础与实践》 章节1Python概况 课时2Python简介 章节2Python安装 课时3安装Anaconda 课时4使用Anaconda 章节3数据准备 课时5数据类型 – 布尔型 课时6数据类型 – 数值型 课时7数据类型 – ...

    系列一:《python数据分析基础与实践》
    章节1Python概况
    课时2Python简介
    章节2Python安装
    课时3安装Anaconda
    课时4使用Anaconda
    章节3数据准备
    课时5数据类型 – 布尔型
    课时6数据类型 – 数值型
    课时7数据类型 – 字符型
    课时8数据结构 – List
    课时9数据结构 – Tuple
    课时10数据结构 – Set
    课时11 数据结构 – Dic
    课时12 Pandas数据结构 – Series
    课时13 Pandas数据结构 – DataFrame
    课时14程序结构 – 选择
    课时15程序结构 – 循环
    课时16函数使用
    课时17向量化运算
    章节4数据处理
    课时18数据的导入 – CSV
    课时19数据的导入 – 修改文件编码
    课时20数据的导入 – TXT
    课时21数据的导入 – Excel
    课时22数据的导出
    课时23重复值处理
    课时24 缺失值处理
    课时25空格值处理
    课时26字段抽取
    课时27字段拆分
    课时28记录抽取
    课时29随机抽样
    课时30记录合并
    课时31字段合并
    课时32字段匹配
    课时33简单计算
    课时34数据标准化
    课时35数组分组
    课时36日期转换
    课时37日期格式化
    课时38日期抽取
    章节5数据可视化
    课时39散点图
    课时40折线图
    课时41饼图
    课时42柱形图
    课时43直方图
    章节6网页数据抓取
    课时44HTML简述
    课时45JSON简述
    课时46网页结构分析
    课时47解析网页
    课时48综合案例
    章节7连接MySQL
    课时49Python & MySQL
    章节8数据分析
    课时50基本统计
    课时51分组分析
    课时52分布分析
    课时53交叉分析
    课时54结构分析
    课时55相关分析

    系列二:《Python数据分析班(视频+课件+源码)》

    第一课 Python入门 (王)
    1.Python安装
    2.常用数据分析库NumPy、Scipy、Pandas、matplotlib安装
    3.常用高级数据分析库scikit-learn、NLTK安装
    4.IPython的安装与使用
    5.Python2与Python3区别简介
    案例:Python常用科学计算

    第二课 数据准备与Numpy (应)
    1.多维数组对象
    2.元素级别处理函数
    3.利用数组进行数据处理
    4.文件输入输出
    5.线性代数相关功能以及线性代数基础知识
    6.随机数的生成
    案例:通过实际代码演示NumPy的多维数组与线性代数矩阵操作,以及数据输入输出

    第三课 Python数据分析主力Pandas (应)
    1.基本数据结构
    2.基本功能:索引,选取,过滤,排序…
    3.基本统计功能
    4.缺失数据处理
    5.层次化索引
    案例:通过实际代码演示pandas处理及统计数据

    第四课 数据获取与处理 (寒)
    1.工业界常见数据格式与形态
    2.python对不同格式的数据读写
    3.pandas数据处理复习
    4.数据简易爬取与解析
    5.正则表达式:快捷捕捉你想要的信息
    案例:简易网页爬取与数据解析处理

    第五课 数据可视化Matplotlib (冯)
    1.信息可视化和数据可视化的基本原理
    2.常见可视化的方式
    3.如何针对数据特点设计可视化方案
    案例:一典型可视化方式的实现(提供课堂ipython代码实例)

    第六课 Python文本分析NLTK (加)
    1.分词
    2.词性标注
    3.情感分析
    4.词形还原
    5.拼写检查
    6.文本分类
    案例:一个典型文本分类流程的实现

    第七课 python 社交网络分析igraph(王)
    1.社交网络分析指标介绍
    2.pagerank算法
    3.igraph中多种社区发现算法介绍
    案例:如何构造一个图,节点、边操作,以及基础图算法使用和可视化案例

    第八课 Python机器学习scikit-learn(冯)
    1.scikit-learn简介
    2.机器学习的处理流程:以scikit-learn为例
    3.scikit-learn的优化方法(并行化处理,cython的使用等)
    案例:以手写数字识别和房价预估为例,如何利用sklearn进行机器学习的特征转化、建模、可视化,以及最后的模型评估

    第九课 数据科学完整案例:学会使用你的“瑞士军刀”(寒)
    1.数据获取与解析:你爱的足球队
    2.用“数据”的眼睛去看球:“一个人完成的央视数据统计”
    3.球员数据统计与可视化:“到底谁是最好的球员?”
    案例说明:从抓取数据、解析数据、分析数据,到可视化、建模完整走一遍,从实际案例中一举窥探数学科学完整工作流程

    第十课 Python分布式计算 (王)
    1.Python多进程模块Multiprocessing
    2.Python使用Hadoop分布式计算库mrjob
    3.Python使用Spark分布式计算库PySpark
    案例:分别使用MapReduce和Spark实现wordcount

    系列三《十五周完完全全学python数据分析》:
    课程大纲:
    第一部分. Python基础
    第一课:Python的概览——Python的基本介绍、安装与基本语法、变量类型与运算符
    第二课:了解Python流程控制——条件、循环语句与其他语句
    第三课:常用函数——函数的定义与使用方法、主要内置函数的介绍
    第四课:NumPy基础——数组的创建、组合与分割

    第二部分 数据分析的准备
    第五课:了解数据——数据加载、储存与文件格式;异常值的清理与缺失值处理
    第六课:数据清洗与初步分析——数据清理、转换、合并与重塑;数据汇总与描述统计;
    第七课:绘图与可视化——基本绘图命令与图形概览、图形元素设定与实例:地震危机数据的可视化
    第八课:数据聚合与分组处理——数据聚合、分组运算与转换、透视表与交叉表

    第三部分 数据分析初探
    第九课:假设检验——常用假设检验与实例分析
    第十课:线性回归——线性回归模型、分析结果呈现与解读;实例:商品价格预测
    第十一课: logistic回归——logistic回归模型讲解;实例:电信客户流失分析
    第十二课:时间序列分析——时间序列基本处理、时间序列模型构建与结果解读;实例:未来股票价格预测

    第四部分 深入数据分析
    第十三课:分类算法——knn、决策树、贝叶斯分类器等算法介绍;实例:网页注册用户预测
    第十四课:聚类算法——k-means算法介绍;实例:通信基站聚类分析
    第十五课:降维方法——主成分分析与因子分析算法介绍;实例:地区经济指标评分

    系列四:Python可视化分析教程(新增)
    1.课程简介和环境搭建16:26
    2.Numpy简介12:47
    3.散点图12:16
    4.折线图11:14
    5.条形图10:23
    6.直方图09:30
    7.饼状图06:39
    8.箱形图07:35
    9.颜色和样式12:40
    10.面向对象 VS Matlab Style09:18
    11.子图-subplot07:46
    12.多图-figure03:03
    13.网格08:03
    14.图例_legend12:09
    15.坐标轴范围06:08
    16.坐标轴刻度14:56
    17.添加坐标轴09:15
    18.注释09:29
    19.文字10:40
    20.Tex公式16:33
    21.工具栏04:49
    22.区域填充11:20
    23.形状10:26
    24.样式-美化13:41
    25.极坐标09:03
    26.函数积分图(一)14:09
    27.函数积分图(二)17:29
    28.散点-条形图(一)14:53
    29.散点-条形图(二)14:41
    30.球员能力图(一)15:37
    31.球员能力图(二)15:34
    32.股票K线图(一)10:04
    33.股票K线图(二)12:03

    系列五:2017年5月最新数据分析升级班(视频+代码+课件)
    课程大纲:
    第一课 工作环境准备及数据分析建模理论基础 (2课时)

    1. 课程介绍
    2. Python语言基础及Python 3.x新特性
    3. 使用NumPy和SciPy进行科学计算
    4. 数据分析建模理论基础
    a. 数据分析建模过程
    b. 常用的数据分析建模工具
    5. 实战案例:科技工作者心理健康数据分析(Mental Health in Tech Survey)
    第二课 数据采集与操作 (2课时)

    1. 本地数据的采集与操作
    a. 常用格式的本地数据读写
    b. Python的数据库基本操作
    2. 网络数据的获取与表示
    a. BeautifulSoup解析网页
    b. 爬虫框架Scrapy基础
    3. 回归分析– Logistic回归
    4. 实战案例:获取国内城市空气质量指数数据
    第三课 数据分析工具Pandas (2-3课时)

    1. Pandas的数据结构
    2. Pandas的数据操作
    a. 数据的导入、导出
    b. 数据的过滤筛选
    c. 索引及多重索引
    3. Pandas统计计算和描述
    4. 数据的分组与聚合
    5. 数据清洗、合并、转化和重构
    6. 聚类模型 — K-Means
    7. 实战案例:全球食品数据分析(World Food Facts)
    第四课 数据可视化 (2课时)

    1. Matplotlib绘图
    2. Pandas绘图
    3. Seaborn绘图
    4. 交互式数据可视化 — Bokeh绘图
    5. 实战案例:世界高峰数据可视化 (World’s Highest Mountains)
    第五课 时间序列数据分析 (2课时)

    1. Python的日期和时间处理及操作
    2. Pandas的时间序列数据处理及操作
    3. 时间数据重采样
    4. 时间序列数据统计 — 滑动窗口
    5. 时序模型 — ARIMA
    6. 实战案例:股票数据分析
    第六课 文本数据分析 (2课时)

    1. Python文本分析工具NLTK
    2. 分词
    3. 情感分析
    4. 文本分类
    5. 分类与预测模型 — 朴素贝叶斯
    6. 实战案例:微博情感分析
    第七课 图像数据处理及分析 (2课时)

    1. 基本的图像操作和处理
    2. 常用的图像特征描述
    3. 分类与预测模型 — 人工神经网络
    4. 实战案例:电影口碑与海报图像的相关性分析
    第八课 机器学习基础及机器学习库scikit-learn (2课时)

    1. 机器学习基础
    2. Python机器学习库scikit-learn
    3. 特征降维 — 主成分分析
    4. 实战案例:识别Twitter用户性别 (Twitter User Gender Classification)
    第九课 项目实战:通过移动设备行为数据预测使用者的性别和年龄(2课时)

    1. 交叉验证及参数调整
    2. 特征选择
    3. 项目实操
    4. 课程总结

    系列六:2018python数据分析与机器学习实战(视频+源码+课件)
    目录
    章节1:人工智能入门指南(有基础的同学请略过!)
    课时1课程介绍(主题与大纲)10:46
    课时2AI时代首选Python09:20
    课时3Python我该怎么学04:21
    课时4人工智能的核心-机器学习10:35
    课时5机器学习怎么学?08:37
    课时6算法推导与案例08:19
    章节2:Python科学计算库-Numpy
    课时7使用Anaconda安装python环境(Python新手先看这个)13:10
    课时8课程数据,代码,PPT(在参考资料界面)
    课时9科学计算库Numpy10:32
    课时10Numpy基础结构10:41
    课时11Numpy矩阵基础05:55
    课时12Numpy常用函数12:02
    课时13矩阵常用操作10:18
    课时14不同复制操作对比10:49
    章节3:python数据分析处理库-Pandas
    课时15Pandas数据读取11:50
    课时16Pandas索引与计算10:26
    课时17Pandas数据预处理实例13:01
    课时18Pandas常用预处理方法11:11
    课时19Pandas自定义函数07:44
    课时20Series结构12:29
    章节4:Python数据可视化库-Matplotlib
    课时21折线图绘制08:25
    课时22子图操作14:05
    课时23条形图与散点图10:12
    课时24柱形图与盒图10:17
    课时25细节设置06:13
    章节5:Python可视化库Seaborn
    课时26Seaborn简介02:44
    课时27整体布局风格设置07:48
    课时28风格细节设置06:50
    课时29调色板10:40
    课时30调色板颜色设置08:18
    课时31单变量分析绘图09:38
    课时32回归分析绘图08:53
    课时33多变量分析绘图10:36
    课时34分类属性绘图09:40
    课时35Facetgrid使用方法08:50
    课时36Facetgrid绘制多变量08:30
    课时37热度图绘制14:19
    章节6:线性回归算法原理推导
    课时38线性回归算法概述14:24
    课时39误差项分析11:33
    课时40似然函数求解09:36
    课时41目标函数推导09:22
    课时42线性回归求解10:57
    章节7:梯度下降策略
    课时43梯度下降原理11:42
    课时44梯度下降方法对比07:20
    课时45学习率对结果的影响06:09
    章节8:逻辑回归算法
    课时46逻辑回归算法原理推导10:52
    课时47逻辑回归求解14:59
    章节9:案例实战:Python实现逻辑回归与梯度下降策略
    课时48Python实现逻辑回归任务概述07:34
    课时49完成梯度下降模块12:51
    课时50停止策略与梯度下降案例10:55
    课时51实验对比效果10:25
    章节10:项目实战-交易数据异常检测
    课时52案例背景和目标08:32
    课时53样本不均衡解决方案10:18
    课时54下采样策略06:36
    课时55交叉验证13:03
    课时56模型评估方法13:06
    课时57正则化惩罚08:09
    课时58逻辑回归模型07:37
    课时59混淆矩阵08:53
    课时60逻辑回归阈值对结果的影响10:01
    课时61SMOTE样本生成策略15:51
    章节11:决策树算法
    课时62决策树原理概述12:25
    课时63衡量标准-熵11:04
    课时64决策树构造实例10:09
    课时65信息增益率05:49
    课时66决策树剪枝策略15:31
    章节12:案例实战:使用sklearn构造决策树模型
    课时67决策树复习08:55
    课时68决策树涉及参数11:09
    课时69树可视化与sklearn库简介18:14
    课时70sklearn参数选择11:46
    章节13:集成算法与随机森林
    课时71集成算法-随机森林12:03
    课时72特征重要性衡量13:51
    课时73提升模型11:15
    课时74堆叠模型07:09
    章节14:案例实战:泰坦尼克获救预测
    课时75船员数据分析11:02
    课时76数据预处理11:39
    课时77使用回归算法进行预测12:13
    课时78使用随机森林改进模型13:25
    课时79随机森林特征重要性分析15:55
    章节15:贝叶斯算法
    课时80贝叶斯算法概述06:58
    课时81贝叶斯推导实例07:38
    课时82贝叶斯拼写纠错实例11:46
    课时83垃圾邮件过滤实例14:10
    课时84贝叶斯实现拼写检查器12:21
    章节16:Python文本数据分析:新闻分类任务
    课时85文本分析与关键词提取12:11
    课时86相似度计算11:44
    课时87新闻数据与任务简介10:20
    课时88TF-IDF关键词提取13:28
    课时89LDA建模09:10
    课时90基于贝叶斯算法进行新闻分类14:53
    章节17:支持向量机
    课时91支持向量机要解决的问题10:06
    课时92距离与数据的定义10:33
    课时93目标函数09:41
    课时94目标函数求解11:27
    课时95SVM求解实例13:45
    课时96支持向量的作用11:53
    课时97软间隔问题06:46
    课时98SVM核变换16:52
    章节18:案例:SVM调参实例
    课时99sklearn求解支持向量机11:24
    课时100SVM参数选择14:00
    章节19:聚类算法-Kmeans
    课时101KMEANS算法概述11:34
    课时102KMEANS工作流程09:42
    课时103KMEANS迭代可视化展示08:20
    课时104使用Kmeans进行图像压缩07:58
    章节20:聚类算法-DBSCAN
    课时105DBSCAN聚类算法11:04
    课时106DBSCAN工作流程15:03
    课时107DBSCAN可视化展示08:52
    章节21:案例实战:聚类实践
    课时108多种聚类算法概述04:34
    课时109聚类案例实战17:19
    章节22:降维算法-PCA主成分分析
    课时110PCA降维概述08:39
    课时111PCA要优化的目标12:22
    课时112PCA求解10:18
    课时113PCA实例08:34
    章节23:神经网络
    课时114初识神经网络11:28
    课时115计算机视觉所面临的挑战09:40
    课时116K近邻尝试图像分类10:01
    课时117超参数的作用10:31
    课时118线性分类原理09:35
    课时119神经网络-损失函数09:18
    课时120神经网络-正则化惩罚项07:19
    课时121神经网络-softmax分类器13:39
    课时122神经网络-最优化形象解读06:47
    课时123神经网络-梯度下降细节问题11:49
    课时124神经网络-反向传播15:17
    课时125神经网络架构10:11
    课时126神经网络实例演示10:39
    课时127神经网络过拟合解决方案15:54
    课时128感受神经网络的强大11:30
    章节24:Xgboost集成算法
    课时129集成算法思想05:35
    课时130xgboost基本原理11:07
    课时131xgboost目标函数推导12:18
    课时132xgboost求解实例11:29
    课时133xgboost安装03:32
    课时134xgboost实战演示14:44
    课时135Adaboost算法概述13:01
    章节25:自然语言处理词向量模型-Word2Vec
    课时136自然语言处理与深度学习11:58
    课时137语言模型06:16
    课时138-N-gram模型08:32
    课时139词向量09:28
    课时140神经网络模型10:03
    课时141Hierarchical Softmax10:01
    课时142CBOW模型实例11:21
    课时143CBOW求解目标05:39
    课时144梯度上升求解10:11
    课时145负采样模型07:15
    章节26:使用Gensim库构造中文维基百度数据词向量模型
    课时146使用Gensim库构造词向量06:22
    课时147维基百科中文数据处理10:27
    课时148Gensim构造word2vec模型08:52
    课时149测试模型相似度结果07:42
    章节27:scikit-learn模型建立与评估
    课时150使用python库分析汽车油耗效率15:09
    课时151使用scikit-learn库建立回归模型14:02
    课时152使用逻辑回归改进模型效果13:12
    课时153 模型效果衡量标准20:09
    课时154ROC指标与测试集的价值14:31
    课时155交叉验证15:15
    课时156多类别问题15:52
    章节28:Python库分析科比生涯数据
    课时157Kobe Bryan生涯数据读取与简介07:45
    课时158特征数据可视化展示11:41
    课时159数据预处理12:32
    课时160使用Scikit-learn建立模型10:12
    章节29:Python时间序列分析
    课时161章节简介01:03
    课时162Pandas生成时间序列11:28
    课时163Pandas数据重采样09:22
    课时164Pandas滑动窗口07:47
    课时165数据平稳性与差分法11:10
    课时166ARIMA模型10:34
    课时167相关函数评估方法10:46
    课时168建立ARIMA模型07:48
    课时169参数选择12:40
    课时170股票预测案例09:57
    课时171使用tsfresh库进行分类任务12:04
    课时172维基百科词条EDA14:30
    章节30:机器学习项目实战-贷款申请最大化利润
    课时173数据清洗过滤无用特征12:08
    课时174数据预处理10:12
    课时175获得最大利润的条件与做法13:26
    课时176预测结果并解决样本不均衡问题12:47
    章节31:机器学习项目实战-用户流失预警
    课时177数据背景介绍06:35
    课时178数据预处理10:05
    课时179尝试多种分类器效果08:32
    课时180结果衡量指标的意义19:50
    课时181应用阈值得出结果06:26
    章节32:探索性数据分析-足球赛事数据集
    课时182内容简介02:13
    课时183数据背景介绍10:30
    课时184数据读取与预处理13:09
    课时185数据切分模块14:42
    课时186缺失值可视化分析13:27
    课时187特征可视化展示12:23
    课时188多特征之间关系分析11:21
    课时189报表可视化分析10:38
    课时190红牌和肤色的关系17:16
    章节33:探索性数据分析-农粮组织数据集
    课时191数据背景简介11:05
    课时192数据切片分析17:26
    课时193单变量分析15:21
    课时194峰度与偏度11:37
    课时195数据对数变换09:43
    课时196数据分析维度06:55
    课时197变量关系可视化展示12:22
    章节34:机器学习项目实战-HTTP日志聚类分析
    课时198建立特征工程17:25
    课时199特征数据预处理10:34
    课时200应用聚类算法得出异常IP

    系列七:145课时带你完完全全成为Python数据分析师
    章节1: 如何七周成为数据分析师
    课时1:为什么需要七周 免费 16:46
    课时2:七周应该怎么学 免费 10:22
    章节2: 第一周:数据分析思维
    课时3:为什么思维重要 02:30
    课时4:数据分析的三种核心思维(结构化) 26:34
    课时5:数据分析的三种核心思维(公式化) 19:17
    课时6:数据分析的三种核心思维(业务化) 14:01
    课时7:数据分析的思维技巧(象限法) 04:37
    课时8:数据分析的思维技巧(多维法) 05:47
    课时9:数据分析的思维技巧(假设法) 07:36
    课时10:数据分析的思维技巧(指数法) 18:23
    课时11:数据分析的思维技巧(二八法) 03:24
    课时12:数据分析的思维技巧(对比法) 04:54
    课时13:数据分析的思维技巧(漏斗法) 01:28
    课时14:如何在业务时间锻炼数据分析思维 09:16
    章节3: 第二周:业务
    课时15:为什么业务重要 02:59
    课时16:经典的业务分析指标 11:47
    课时17:市场营销指标 08:54
    课时18:产品运营指标 16:23
    课时19:用户行为指标 06:24
    课时20:电子商务指标 04:06
    课时21:流量指标 07:34
    课时22:怎么生成指标 04:37
    课时23:如何建立业务分析框架 01:15
    课时24:市场营销模型 04:51
    课时25:AARRR模型 06:05
    课时26:用户行为模型 04:09
    课时27:电子商务模型 02:49
    课时28:流量模型 04:00
    课时29:如何应对各类业务场景 04:15
    课时30:如何应对各类业务场景(小练习) 18:02
    课时31:数据化管理业务 02:02
    章节4: 第三周:Excel
    课时32:为什么要学习Excel 07:18
    课时33:文本清洗函数 07:35
    课时34:常见的文本清洗函数练习 13:35
    课时35:关联匹配函数 13:57
    课时36:逻辑运算函数 07:27
    课时37:计算统计函数 11:23
    课时38:时间序列函数 05:40
    课时39:Excel的常见技巧 09:23
    课时40:Excel工具(1) 06:50
    课时41:Excel工具(2) 08:16
    课时42:用Excel进行数据分析(1) 22:50
    课时43:用Excel进行数据分析(2) 18:11
    章节5: 第四周:数据可视化
    课时44:数据可视化之美 08:23
    课时45:常见的图表类型与应用 08:34
    课时46:高级图表类型与应用 09:38
    课时47:图表绘制 08:32
    课时48:Excel绘图技巧 10:55
    课时49:散点图 10:15
    课时50:辅助列 13:25
    课时51:复合图表 17:03
    课时52:甘特图(1) 14:45
    课时53:甘特图(2) 07:59
    课时54:标靶图 10:54
    课时55:杜邦分析法 25:21
    课时56:Power BI入门 13:17
    课时57:Power BI基础功能 21:14
    课时58:Power BI操作技巧 14:21
    课时59:用BI进行数据分析(1) 21:58
    课时60:用BI进行数据分析(2) 20:00
    课时61:Dashboard 15:55
    章节6: 第五周:MySQL
    课时62:MySQL安装 05:31
    课时63:数据库 13:06
    课时64:数据库实操 15:12
    课时65:SQL select 18:18
    课时66:SQL 条件查找 06:16
    课时67:SQL group by 05:38
    课时68:SQL group by 高级 13:00
    课时69:SQL 函数 10:45
    课时70:SQL 子查询 12:50
    课时71:SQL join 23:41
    课时72:SQL leetcode 15:50
    课时73:SQL 加载 05:33
    课时74:SQL 时间 05:48
    课时75:SQL 练习(1) 21:58
    课时76:SQL 练习(2) 18:13
    课时77:SQL 连接 power bi 09:59
    章节7: 第六周:统计学
    课时78:描述统计学 08:46
    课时79:分位数 08:15
    课时80:标准差 17:31
    课时81:权重统计 20:17
    课时82:切比雪夫 13:38
    课时83:箱线图 18:35
    课时84:直方图 21:28
    课时85:概率 13:22
    课时86:贝叶斯 18:49
    课时87:二项分布1 05:17
    课时88:二项分布2 05:21
    课时89:泊松分布 10:33
    课时90:正态分布 17:32
    课时91:假设检验 33:04
    章节8: 第七周:Python
    课时92:入门 12:25
    课时93:数据类型 17:57
    课时94:变量 07:17
    课时95:列表 16:04
    课时96:列表进阶 06:30
    课时97:字典 12:34
    课时98:集合 12:36
    课时99:控制流 10:53
    课时100:Python控制流循环 14:14
    课时101:Python循环进阶 07:28
    课时102:Python函数 16:41
    课时103:高阶函数 09:36
    课时104:第三方包 08:30
    课时105:numpy 08:38
    课时106:Python series 14:55
    课时107:dataframe 17:03
    课时108:Python dataframe查找 22:09
    课时109:read_csv 13:45
    课时110:计算 24:31
    课时111:Python groupby 12:00
    课时112:Python Pandas关联 20:21
    课时113:Python Pandas 多重索引 08:58
    课时114:Python Pandas 文本函数 06:17
    课时115:Python Pandas 去重 09:51
    课时116:Python Pandas apply 10:45
    课时117:Python Pandas 聚合 apply 10:26
    课时118:Python Pandas 数据透视 14:26
    课时119:Python 连接数据库 25:40
    课时120:Python连接数据库2 10:08
    课时121:Python 连接数据库3 07:40
    课时122:Python 练习 markdown 05:32
    课时123:Python 练习(1) 11:35
    课时124:Python 练习(2) 14:49
    课时125:Python 练习(3) 23:12
    课时126:Python 练习(4) 18:30
    课时127:Python 练习(5) 13:52
    课时128:Python 练习(6) 16:29
    课时129:Python 练习(7) 15:40
    课时130:Python 练习(8) 09:50
    课时131:Python 练习(9) 08:30
    课时132:Python 可视化(1) 07:45
    课时133:Python 可视化(2) 08:51
    课时134:Python 可视化(3) 06:57
    课时135:Python 可视化(4) 12:11
    课时136:Python 可视化(5) 06:30
    课时137:Python 可视化(6) 07:52
    课时138:Python 可视化(7) 14:20
    课时139:Python 可视化(8) 15:00
    课时140:Python seaborn 01 05:37
    课时141:Python seaborn 02 07:20
    课时142:Python seaborn 03 10:26
    课时143:Python Seaborn 04 10:44
    课时144:Python Seaborn 05 08:27
    课时145:Python seaborn 06 06:20

    系列八:大型Python数据分析实战教程从入门到精通(视频+源码+课件+作业)

    第一部分:数据思维导论:如何从数据中挖掘价值?

    第一章 数据能做什么?
    1.1 用数据认识世界
    1.2 用数据改变未来
    1.3 机器学习是什么?
    1.4 一条非典型性数据可视化之路

    第二章 课前入门指南
    2.1 软件安装及资料准备

    第二部分:基础语言入门:从零开始学习Python

    第一章 关于Python你需要知道的事儿
    1.1 为什么选择Python?
    1.2 集成开发环境及Python运行
    1.3 Jupyter Notebook 与 Spyder

    第二章 变量及数值类型
    2.1 数值类型概述
    2.2 认识变量
    2.3 算数运算
    2.4 逻辑运算
    2.5 注释#

    第三章 序列及通用操作
    3.1 可变序列/不可变序列概述
    3.2 可变序列/不可变序列通用操作
    3.3 列表list常用操作
    3.4 文本序列str常用操作

    第四章 字典映射
    4.1 字典dict基本概念
    4.2 字典的元素访问及遍历
    4.3 字典常用操作

    第五章 条件判断及循环语句
    5.1 什么是语句?
    5.2 条件判断:if语句
    5.3 循环语句:for / while 循环
    5.4 多重循环

    第六章 函数
    6.1 函数的基本概念及调用
    6.2 自定义函数
    6.3 局部变量及全局变量
    6.4 匿名函数Lambda

    第七章 模块与包
    7.1 什么是模块?
    7.2 模块创建及import指令运用
    7.3 “包”的概念及python包管理工具:pip
    7.4 windows环境下的代码运行

    第八章 数据读写
    8.1 文件对象声明及基本操作
    8.2 系统模块下的路径操作
    8.3 文件的读取与写入
    8.4 pickle模块的运用

    实战项目
    项目01 商铺数据加载及存储
    项目02 基于Python的算法函数创建

    第三部分:重点工具掌握:数据解析核心技巧
    第一章 科学计算工具:Numpy
    1.1 什么是Numpy?
    1.2 Numpy基础数据结构
    1.3 Numpy通用函数
    1.4 Numpy索引及切片
    1.5 Numpy随机数
    1.6 Numpy数据的输入输出

    第二章 数据分析工具:Pandas
    2.1 什么是Pandas?
    2.2 数据结构Series:基本概念及创建
    2.3 数据结构Series:索引及切片
    2.4 数据结构Series:基本技巧
    2.5 数据结构Dataframe:基本概念及创建
    2.6 数据结构Dataframe:索引及切片
    2.7 数据结构Dataframe:基本技巧
    2.8 时间模块
    2.9 时刻数据
    2.10 时间戳索引
    2.11 时期
    2.12 时间序列 – 索引及切片
    2.13 时间序列 – 重采样
    2.14 数值计算及统计基础
    2.15 文本数据
    2.16 合并
    2.17 连接及修补
    2.18 去重及替换
    2.19 数据分组
    2.20 分组转换
    2.21 透视表及交叉表
    2.22 文件读取

    第三章 图表绘制工具:Matplotlib
    3.1 Mtplotlib简介及图表窗口
    3.2 图表的基本元素
    3.3 图表的样式参数
    3.4 刻度、注解、图表输出
    3.5 子图
    3.6 基本图表绘制
    3.7 柱状图,堆叠图
    3.8 面积图,填图,饼图
    3.9 直方图
    3.10 散点图,矩阵散点图
    3.11 极坐标图
    3.12 箱型图
    3.13 表格样式创建
    3.14 表格显示控制
    3.15 表格样式调用

    第四章 空间分析工具:GIS
    4.1 什么是空间数据?
    4.2 GIS软件操作及数据加载
    4.3 坐标系
    4.4 空间数据基本处理
    4.5 空间数据几何计算
    4.6 空间数据可视化制图
    4.7 空间划分
    4.8 空间统计

    第五章 你必须知道的数据源
    5.1 国外公开数据
    5.2 国内公开数据
    5.3 城市数据团-数据库介绍

    实战项目
    项目03 知乎数据清洗整理和结论研究
    项目04 视频网站数据清洗整理和结论研究

    第四部分:进阶算法学习:统计分析能力强化
    第一章 数据特征分析
    1.1 分布分析
    1.2 对比分析
    1.3 统计分析
    1.4 帕累托分析
    1.5 正太性检测
    1.6 相关性分析

    第二章 数据处理
    2.1 缺失值处理
    2.2 异常值处理
    2.3 数据归一化
    2.4 数据连续属性离散化

    第三章 数学建模
    3.1 回归
    3.2 分类
    3.3 聚类
    3.4 蒙塔卡罗模拟

    实战项目
    项目05 多场景下的算法构建

    第五部分:数据表达逻辑:结果输出及内容美化
    第一章 数据可视化整体概述
    1.1 什么是数据可视化?
    1.2 数据可视化技术体系及方向
    1.3 数据图表表达的逻辑原理
    1.4 设计美学

    第二章 Python图表数据可视化:Seaborn
    2.1 为什么选择Seaborn做图表可视化?
    2.2 整体风格设置
    2.3 调色盘
    2.4 分布数据可视化 – 直方图与密度图
    2.5 分布数据可视化 – 散点图
    2.6 分类数据可视化 – 分类散点图
    2.7 分类数据可视化 – 分布图
    2.8 分类数据可视化 – 统计图
    2.9 线性关系数据可视化
    2.10 时间线图表、热图
    2.11 结构化图表可视化

    第三章 关系网络数据可视化:Gephi
    3.1 什么是关系网络图?
    3.2 Gephi软件安装及配置
    3.3 Gephi基本操作
    3.4 Python数据处理
    3.5 案例研究一:公司职工关系图表
    3.6 案例研究二:导演演员关系网络可视化

    第四章 空间数据可视化
    4.1 空间数据可视化工具概述
    4.2 3D图表
    4.3 空间柱状图(1)
    4.4 空间柱状图(2)
    4.5 空间线性轨迹图(1)
    4.6 空间线性轨迹图(2)
    4.7 空间热力图

    第五章 Python交互图表可视化:Bokeh
    5.1 什么是Bokeh及其可视化交互原理?
    5.2 绘图空间基本操作
    5.3 图表辅助参数设置
    5.4 散点图
    5.5 折线图 / 面积图
    5.6 柱状图 / 堆叠图 / 直方图
    5.7 绘图表达进阶操作
    5.8 ToolBar工具栏设置
    5.9 其他交互工具设置

    实战项目
    项目06 多场景下的图表可视化表达

    第六部分:数据挖掘项目实战
    实战项目
    项目07 城市餐饮店铺选址分析
    项目08 电商打折套路解析
    项目09 中国姓氏排行研究
    项目10 房价影响因素挖掘
    项目11 国产烂片深度揭秘
    项目12 中国城市资本流动问题探索
    项目13 社会财富分配问题模拟
    项目14 婚恋配对实验
    项目15 泰坦尼克号获救问题

    第七部分:游戏:数据时代的网络游戏设计与运营
    内容简介:在当下这个数据为王的时代,无论是产品设计还是运营决策,都需要倚重于数据。本课程从实际案例出发,就如何对游戏产生的海量数据进行分析,并应用于改进游戏的设计和指导运营策略进行讲解。

    第八部分:严选:用户增长实践经验分享
    内容简介:
    1、用户发展路径——从哪里来,到哪里去?
    2、基于用户的目标构建体系与目标管理——分析三板斧中的“对比”延伸;
    3、用户增长的“量”与“质”的平衡;
    4、用户增长的曲线路径——当用户增长乏力时该如何追求流水增长?

    第九部分:教育:如何高效构建业务指标体系
    内容简介:指标体系的搭建是数据分析工作中最基础也是最重要的能力,高效搭建符合业务的指标体系将会使后续数据分析工作事半功倍,该案例结合讲师教育相关的工作经历,深入浅出的讲解业务指标体系的构建思路及方法。

    第十部分:有数:数据平台在汽车行业中的应用
    内容简介:本课时会介绍有数这款企业级的敏捷分析平台,并通过几个真实的案例,介绍传统的汽车制造业如何利用有数快速从数据中发现业务问题,定位问题原因,找到解决问题的方法,从而获得业务增长。

    第十一部分:硅谷实战:消费者行为分析机器预测

    (a)介绍Longitudinal Data的概念以及其广泛的适用范围, 例如消费者行为预测,多只股票联合预测等。
    (b)消费者有历史行为数据, 我们既可以用一个用户本身的历史行为来预测该用户未来的行为,也可以用其他类似用户的行为来预测该用户的行为
    2、Longitudinal Data 的模型以及对消费者的应用
    (a)介绍混合模型的概念。
    (b)举实例说明如何利用混合模型来预测消费者行为。例如在电商中(亚马逊, Adobe, 沃尔玛等), 哪些消费者更有倾向购买本公司的产品,哪些客户可能在来年续订(取消)本公司的服务。
    3、模型的评估以及衡量
    (a)介绍ROC曲线的概念
    (b)评估分组建模和整体建模的优劣

    系列九:《2018东东老师教你数据分析师的核心能力素养技巧(视频+课件)》

    ─章节01: 一个本质的问题:数字、数据、数据分析与数据分析工作
    │ 1. 课程简介.mp4
    │ 2. 数字与数据.mp4
    │ 3. 数据与数据分析.mp4
    │ 4. 数据分析的本质.mp4

    ├─章节02: 一个有趣的现象:为什么叫数据分析部,不叫ESP部
    │ 6. 数据分析的价值是由作用而非技能决定.mp4
    │ 7. 不能解决问题的数据分析终被淘汰.mp4

    ├─章节03: 一个成长的难题:从掌握取数技能,到完成数据分析工作,还需要补充多少能力
    │ 10. 数据分析师需要的八大能力.mp4
    │ 11. 后续的课程介绍(重要、必看).mp4
    │ 8. 数据分析师在实战中常见难题.mp4
    │ 9. 数据分析师常犯错误.mp4

    ├─章节04: 能力一:收集信息能力
    │ 12. 什么是“业务”.mp4
    │ 13. 什么是“理解”业务.mp4
    │ 14. 不理解业务的恶果是什么.mp4
    │ 15. “模型”无法拯救,那个不理解业务的你.mp4
    │ 16. 优秀的数据分析师必须自己去理解业务1.mp4
    │ 17. 优秀的数据分析师必须自己去理解业务2.mp4
    │ 18. 理解业务的起点:了解最基础的业务形态.mp4
    │ 19. 理解业务的七步成诗法.mp4
    │ 20. 七步成诗法之一 ,最核心问题:业务模式.mp4
    │ 21. 七步成诗法 ,四大角色概览.mp4
    │ 22. 七步成诗法 之二,产品.mp4
    │ 23. 七步成诗法 之三,渠道.mp4
    │ 24. 七步成诗法 之四,用户.mp4
    │ 25. 七步成诗法 之五,运营.mp4
    │ 26. 七步成诗法 之六之七,组织架构与KPI.mp4
    │ 27. 应用七步成诗法,所必需的信息收集能力(在职版).mp4
    │ 28. 应用七步成诗法,所必需的信息收集能力(面试版).mp4
    │ 29. 小练习:入职后的沟通要点.mp4
    │ 30. 小练习:面试前的准备要点.mp4
    │ 31. 特别提醒:交流业务情况时的保密原则与谈话尺度微信.mp4

    ├─章节05: 能力二:沟通需求能力
    │ 32. 什么是:“数据需求”.mp4
    │ 33. 数据需求的基本规范.mp4
    │ 34. 只做数据需求永无出头之日.mp4
    │ 35. 什么是:“数据分析需求”.mp4
    │ 36. 数据分析需求的基本规范.mp4
    │ 37. 良好的沟通是成功的起点.mp4
    │ 38. 初级需求沟通:明确任务内容.mp4
    │ 39. 中级需求沟通:需求排班管理.mp4
    │ 40. 高级需求沟通:需求挖掘与升级.mp4
    │ 41. 当业务不理不睬的时候,主动引发需求.mp4
    │ 42. 特别提醒:有一类特殊需求叫模型.mp4
    │ 43. 实战指南:编排自己的需求管理表(针对已入职数据分.mp4
    │ 44. 实战指南:设计自己的数据需求表(针对未入职的准数据.mp4

    ├─章节06: 能力三:定义问题能力
    │ 45. 第一节:什么是“定义问题”.mp4
    │ 46. 第二节:什么是数据分析中的“定义问题”.mp4
    │ 47. 第三节:为什么“定义问题”很重要.mp4
    │ 48. 第四节:如何做到“清晰描述问题”.mp4
    │ 49. 第五节:如何划分问题边界及转化问题.mp4
    │ 50. 第六节:如何细分问题,构建思路.mp4
    │ 51. 第七节:如何确认输出形式,规划资源投入.mp4
    │ 52. 第八节:实战指南:如何在日常工作中锻炼定义问题的.mp4
    │ 53. 第九节:特别提示:职场上没有标准答案,只有符合需.mp4

    ├─章节07: 能力四:梳理流程能力
    │ 54. 什么是“梳理流程”.mp4
    │ 55. “梳理流程”与“指标体系”关系.mp4
    │ 56. “梳理流程”后,如何用“指标体系”进行分析.mp4
    │ 57. “梳理流程”,总结指标体系的基本方法.mp4
    │ 58. 什么是企业工作中的“梳理流程”.mp4
    │ 59. 战略级流程梳理-经营分析指标体系.mp4
    │ 60. 战术级流程梳理——业务部门指标体系.mp4
    │ 61. 战斗级流程梳理(1)——销售流程类指标构建.mp4
    │ 62. 战斗级流程梳理(2)——用户运营类指标体系.mp4
    │ 63. 战斗级流程梳理(3)——活动策划类指标体系.mp4
    │ 64. 战斗级流程梳理(4)——网络推广指标体系.mp4
    │ 65. 战斗级流程梳理(5)——商品管理类指标体系.mp4
    │ 66. 流程梳理中常见问题.mp4
    │ 67. 实战指南:如何梳理出自己的指标体系.mp4
    │ 68. 特别提示:关于《国家2025指标体系指导纲要》的问题.mp4

    ├─章节08: 能力五:定义标准的能力
    │ 69. 什么是“标准”.mp4
    │ 70. 好的“标准”符合哪些原则.mp4
    │ 71. 什么是“定义标准”.mp4
    │ 72. 什么是企业工作中的“定义标准”.mp4
    │ 73. 一维分类:平均法、分摊法、二八法,十分位法.mp4
    │ 74. 二维分类:象限法、矩阵法.mp4
    │ 75. 三维分类:RFM、杜邦分析法、漏斗分析法.mp4
    │ 76. 多维分类:归纳法与演绎法.mp4
    │ 77. 多维分类:综合评估的常见方法.mp4
    │ 78. 一维动态分类:趋势分析法.mp4
    │ 79. 多维动态分类:层层深入的逐级分析.mp4
    │ 80. 行为指标的分类:魔法数字与交叉表.mp4
    │ 81. 实战操练:如何从平庸的工作中总结数据标准.mp4
    │ 82. 坚决克服“指标”“标准”混为一谈的恶习!.mp4

    ├─章节09: 能力六:寻找原因的能力
    │ 83. 为什么我们那么喜欢问“为什么”.mp4
    │ 84. 寻找原因的基本方法.mp4
    │ 85. 企业中“寻找原因”问题.mp4
    │ 86. 甩锅的艺术——如何把原因归罪到别人头上.mp4
    │ 87. 分析思路示例——为什么销售业绩下降了!!!.mp4
    │ 88. 分析思路示例——为什么用户活跃下降了???.mp4
    │ 89. 分析思路示例——为什么用户都流失了???.mp4
    │ 90. 分析思路示例——为什么新用户越来越少???.mp4
    │ 91. 分析思路示例——为什么活动做了不见效???.mp4
    │ 92. 更广泛的分析思路——咨询顾问的独门秘籍.mp4
    │ 93. 实战操练:让你的原因分析无懈可击.mp4
    │ 94. 拒绝无脑,找经得起检验的原因.mp4

    ├─章节10: 能力七:提出建议的能力
    │ 100. 如何提解决方案,并评估问题方案的可行性.mp4
    │ 101. 如何从多个备选方案中选优.mp4
    │ 102. 利用业务假设预测问题未来情况.mp4
    │ 103. 利用算法预测问题未来情况.mp4
    │ 104. 如何在政治上给予老板有力支持.mp4
    │ 105. 实战操练,做一个完整的建议方案.mp4
    │ 106. 数据分析与业务的边界在哪里.mp4
    │ 95. 什么是靠谱建议.mp4
    │ 96. 如何推导出靠谱建议.mp4
    │ 97. 在企业里,常见的“给点建议”的要求有哪些.mp4
    │ 98. 如何清晰梳理待建议的问题.mp4
    │ 99. 如何提目标,并评估问题目标的可行性.mp4

    └─章节11: 能力八:总结汇报的能力
    107. 汇报中常范的错误.mp4
    108. 做好汇报需要考虑的三大要素.mp4
    109. 应付差事型汇报——操作规范及注意事项.mp4
    110. 引起注意型汇报——操作规范与注意事项.mp4
    111. 推动落地型汇报——操作规范与注意事项.mp4
    112. 争取认可型汇报——操作规范与注意事项.mp4
    113. 展示能力型汇报——操作规范与注意事项.mp4
    114. 一个经典的汇报例子.mp4
    115. 实战操练:同一份报告的三种不同形态.mp4
    116. 为什么常规的数据分析报告套路不管用.mp4

    获取资料Q 2844366079

    展开全文
  • Python数据分析与挖掘

    万人学习 2018-01-08 11:17:45
    二、基础篇: 围绕Python基础语法介绍、数据预处理、数据可视化以及数据分析与挖掘......这些核心技能模块展开,帮助你快速而全面的掌握和了解成为一个数据分析师的所有必修功法。   三、数据采集篇: 通过...
  • 本篇文章主要是介绍一个北京二手房数据分析的项目,目的是熟悉python数据分析的及可视化的一些常用方法。 数据获取 通过编写python脚本(爬虫)从二手房交易数据网站上获取北京二手房数据集 数据解释 Direction:...
  • python数据分析项目练习

    千次阅读 2019-04-12 19:28:01
    python数据分析项目练习 在敲代码中领悟 转自:大神原文链接 import numpy as np import pandas as pd import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签...
  • python数据分析与挖掘项目实战记录

    万次阅读 2017-11-26 17:20:24
    python数据挖掘项目实战记录取自《Python数据分析与挖掘实战》一书,整理各个项目中用到的数据处理方法: 数据预处理方法 建立模型方法 绘制图形 对于分类问题:用模型分类;混淆矩阵及其绘图;观测其ROC曲线; ...
  • 这篇文章找来了有关药品销售数据进行案例分析练习,利用适当的统计方法对相关数据进行月均消费次数、月均消费金额、客单价和消费趋势等几个业务指标进行分析分析过程为:数据获取、数据清洗、建模分析、可视化 ...
  • Python数据分析实战项目-共享单车骑行数据分析

    千次阅读 多人点赞 2019-06-24 22:13:50
    数据来源
  • Python数据分析:股票数据分析案例

    万次阅读 多人点赞 2019-05-01 15:54:26
    Python数据分析:股票数据分析案例 步骤: 准备数据 可视化数据、审查数据 处理数据 根据ACF、PACF定阶 拟合ARIMA模型 预测 import pandas as pd import pandas_datareader import datetime import matplotlib....
  • 作者找工作中 V信:dfs2191 开发环境 4.3【开发平台及环境】 ...数据清洗 分析模块pandas,numpy 可视化模块pyecharts 下期更新flask可项目视化项目 python,MySQL,Echarts,js 一:数据采集 招聘...
  • 原标题:Python数据分析案例实战至今我们网站已经开设了多个数据分析系列的课程,大部分都是基于算法思路来开展的,课程中着重点在于算法的讲授、软件的使用,案例只是辅助学习。然而很多学员反映,希望可以在课程中...
  • 20个python数据分析实战项目(附源码)

    万次阅读 多人点赞 2020-11-05 20:03:22
    2.python数据分析——pyecharts柱状图全解(小白必看) https://mp.weixin.qq.com/s/fvenxqQBIh-UaYVTJVADrw 3.太震撼了,我用python画出全北京的公交线路动图 https://mp.weixin.qq.com/s/TbxeM7LnBGdyCfjn96EI5A ...
  • Python数据分析分享

    2019-07-02 14:33:22
    Python数据分析
  • 第四章 Python数据分析实战 习题(数据见附件sizhang.xlsx) 班主任现有一班级的两张表,如下。 表一:成绩表 学 号 C# 线 代 Python 16010203 78 88 96 表二:信息表 姓 名 学 号 手机号码 张三 16010203 ...
  • Python数据分析案例-药店销售数据分析

    万次阅读 多人点赞 2020-05-20 11:14:02
    最近学习了Python数据分析的一些基础知识,就找了一个药品数据分析的小项目来练一下手。 数据分析的目的: 本篇文章中,假设以朝阳医院2018年销售数据为例,目的是了解朝阳医院在2018年里的销售情况,通过对朝阳区...
  • Python数据分析实战(1)数据分析概述

    千次阅读 多人点赞 2020-08-23 21:51:03
    成为数据分析师必须具备多种技能,利用好Python等工具。Python有多个版本;根据不同系统安装;需要添加环境变量;需要安装pip;可以选择PyCharm开发。Anaconda是科学计算工具;安装后会附带很多工具;conda是包管理...
  • 入门Python数据分析最好的实战项目(一)分析篇

    万次阅读 多人点赞 2018-12-24 14:51:15
    知乎:python数据分析 非经作者允许,禁止任何商业转载。 目的:本篇给大家介绍一个数据分析的初级项目,目的是通过项目了解如何使用Python进行简单的数据分析。 数据源:博主通过爬虫采集的链家全网北京二手房...
  • import numpy as npimport ...F:/Python数据分析与应用PPT、教案、实训数据、习题答案/37304-Python数据分析与应用-课后实训数据/第3章/populations.npz’)plt.rcParams["font.sans-serif’]=’SimHei’###与...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 176,995
精华内容 70,798
关键字:

python数据分析项目

python 订阅