本文基于心脏病医疗数据集开展二分类预测实战，完成数据清洗、EDA 可视化、特征标准化等预处理，筛选关键生理指标作为模型输入。封装统一评估函数，对比逻辑回归、SVM、决策树、随机森林、XGBoost 五类算法，通过混淆矩阵与 ROC-AUC 衡量性能。实验表明线性模型效果一般，树集成模型随机森林、XGBoost AUC 达 0.99，拟合与泛化能力最优，适合医疗辅助诊断，文末给出优化拓展思路。

本项目完整实现电商订单数据分析闭环数据层：完成 10 万 + 级订单数据清洗，处理空值、异常值，保证数据质量；运营层：从渠道、月份、时段、退款四大维度拆解营收与售后问题，输出可落地的运营建议；用户层：结合 LRFM 模型与 K-Means 机器学习算法完成用户分层，实现从 “整体营收” 到 “单个用户” 的精细化分析。整套代码适配 Jupyter Notebook，交互式图表（pyecharts）

本文利用Python完成周大福黄金价格ARIMA时间序列预测，涵盖数据预处理、平稳性检验、差分变换、模型训练与效果评估流程。文中修正原代码存在的语法与逻辑问题，代码可直接运行。经ADF检验，序列一阶差分后达到平稳（p-value<0.05），模型预测平均绝对误差MAPE为27.41%，可把握金价整体走势，但短期波动拟合效果欠佳。文中整合ADF检验、滚动预测等核心功能，附带环境部署教程，同时给出SA

本文基于Python实现股票股价预测全流程实战，包含数据预处理、可视化分析及双模型预测对比。项目使用线性回归和ARIMA时间序列模型，通过历史股价、成交量等14个字段进行预测，重点展示时序特征构造、模型评估及未来10日股价预测方法。结果显示ARIMA在捕捉时序趋势方面表现更好，而线性回归解释性更强。文章强调该预测仅供学习参考，实际股市受多重因素影响，并建议后续可引入LSTM等更复杂模型提升精度。项

本文以 2001-2024 年全国 31 省份结婚、离婚登记数据为研究对象，运用 pandas 完成数据读取、宽表转长表、数据合并等清洗工作，结合 matplotlib 绘制时序趋势图，利用 pyecharts 制作行政区地图、玫瑰饼图、年度动态轮播柱状图，从时间、空间双维度开展婚姻登记可视化分析。时序结果显示全国结婚登记量持续走低，离婚规模缓慢上升；地域层面人口大省婚恋登记总量领先，西部省份数值

black_list = ["世界","东亚与太平洋地区","高收入经济体","欧盟","中国香港","中国澳门","撒哈拉以南非洲","北美","中东北非"]tooltip_opts=opts.TooltipOpts(trigger="axis",formatter="国家：{b}<br>人口：{c:,}").add_yaxis("总人口(人)",data_year["Population"].

本项目完整实现电商订单数据分析闭环数据层：完成 10 万 + 级订单数据清洗，处理空值、异常值，保证数据质量；运营层：从渠道、月份、时段、退款四大维度拆解营收与售后问题，输出可落地的运营建议；用户层：结合 LRFM 模型与 K-Means 机器学习算法完成用户分层，实现从 “整体营收” 到 “单个用户” 的精细化分析。整套代码适配 Jupyter Notebook，交互式图表（pyecharts）