数据分析思维与业务指标数据分析一般流程：用户行为——原始数据——加工数据——可视化——数据决策——数据产品应用数据分析的三种核心思维：结构化将分析思维结构化，将论点归纳整理、递进拆解、完善补充（可借助思维导图）公式化上下互为计算，将论点可数据化表示。左右呈关联，最小不可分割。业务化用结构化思考+公式化拆解获得的最终分析论点往往只是现象，数据是某个结果的体现，但不代...

Python数据分析：逻辑回归(logistic regression)逻辑回归（Logistic Regression），简称LR，能够将特征输入集合转化为0和1这两类的概率。优点：计算代价不高，易于理解和实现缺点：容易欠拟合，分类精度不高使用数据：数值型和标称型基本模型：训练样本：X(xθ,x1,x2,…,xn)X \left(x_{\theta}, x_{1}, x_...

Python数据分析：人工神经网络（ANN)神经网络基本组成：输入层（input layer），隐藏层（hidden layer），输出层（output layer）每层由神经元或单元组成输入层由训练集的样本特征向量传入经过连接节点的权重（weight）传入下一层，上一层的输出是下一层的输入上一层中的加权求和，然后根据非线性方程转化为下一层的输入对于多层神经...

数据挖掘基本流程数据挖掘基本流程：商业理解：从商业的角度理解项目需求，通过数据挖掘来帮助业务。数据理解：尝试手机部分数据，对其进行探索，从而对数据有个初步认知。数据准备：收集数据并对其清洗、集成等操作，完成数据挖掘前的准备。模型建立：选择和应用各种算法模型，并进行优化，以得到更好分类结果。模型评估：对模型进行评价，并检查模型的每个步骤，确认模型是否实现商业目标。上线发布：通过数据挖...

向量数据库概念、特点及应用领域

Python数据分析：时间数据重采样重采样：将时间序列从一个频率转换到另一个频率得的过程，需要聚合高频率转换为低频率，downsampling，相反的过程为upsamplingpandas中的resample方法实现重采样产生resample对象import pandas as pdimport numpy as npdate_rng = pd.date_rang...

Python数据分析：时间数据重采样重采样：将时间序列从一个频率转换到另一个频率得的过程，需要聚合高频率转换为低频率，downsampling，相反的过程为upsamplingpandas中的resample方法实现重采样产生resample对象import pandas as pdimport numpy as npdate_rng = pd.date_rang...

Python数据分析：数据可视化案例import pandas as pdimport matplotlib.pyplot as pltfrom matplotlib import stylestyle.use('ggplot')# 设置图片显示的主题样式# 解决matplotlib显示中文问题plt.rcParams['font.sans-serif'] = ['Sim...

Python数据分析：数据可视化SeabornseabornPython中的一个制图工具库，可以制作出吸引人的、信息量大的统计图在matplotlib上构建，支持numpy和pandas的数据结构可视化，甚至是SciPy和statsmodels的统计模型可视化特点多个内置主题及颜色主题可视化单一变量、二维变量用于比较数据集中各变量的分布情况可视化线性回归模型中的独立变量及不独立...

python数据分析：数据库基本操作（SQLite）SQLite：关系型数据库管理系统嵌入式数据库，适用于嵌入式设备SQLite不是C/S的数据库引擎集成在用户程序中实现了大多数SQL标准连接数据库：conn = sqlite3.connect(db_name)如果db_name存在，则读取数据库若不存在，则新建数据库获取游标：conn.cursor()一...