本文基于挑战者号航天事故数据，通过Python实现泊松回归分析O型密封圈破损的影响因素。项目包含数据读取、可视化探索、模型构建和预测评估全流程：1）因变量为离散计数数据，直方图验证泊松回归适用性；2）建模结果显示温度是显著影响因素（p<0.05），温度每升高1℉，破损数下降约16.9%；3）压力、批次等因素无显著影响。文章提供完整可执行代码，适合零基础学习计数数据分析，从统计学角度验证了低温

《用乐高积木理解聚类分析》摘要（149字） 聚类分析就像整理乐高积木：电脑自动把数据按特征分类，如同把积木按颜色分组。它属于无监督学习，不需要预先标注，而是自主发现规律。以电商用户分层为例，通过RFM模型（最近消费时间、频率、金额）进行聚类，用K-Means算法找到最佳分组。但要注意数据标准化和处理异常值，且需预先设定分组数量。这种方法能有效区分用户价值，实现精准营销，但对非结构化数据效果有限。