对于使用Python快捷地进行数据分析可视化而言，Seaborn是一个简单易用的选择。Seaborn 核心库进行了更高阶的 API 封装，可以轻松地画出配色更加舒服、图形元素的样式更加细腻的图形。
本文我们介绍pandas可视化及绘制各种图形的方法，大部分基础图像（条形图、直方图、箱型图、面积图、散点图、饼形图等）绘制只要一行代码就能实现，大大加速了我们的分析效率。
数据可视化是以图示或图形格式表示的数据，以更直观方式理解与分析数据。本篇内容，我们给大家介绍数据分析中关于可视化的一些核心知识，包括：各类图形及特点，不同图形选择方法。
在我们进行业务数据分析时，经常要对数据根据1个或多个字段分为不同的组（group）进行分析处理。Pandas中可以借助groupby操作对Dataframe分组操作，本文介绍groupby的基本原理及对应的agg、transform和apply方法与操作。
本篇为『图解Pandas数据变换高级函数』，讲解3个函数是map、apply和applymap，更高效地完成数据处理过程中对DataFrame进行逐行、逐列和逐元素的操作。
本篇为pandas系列的导语，对『Pandas核心操作函数』进行介绍，讲解Pandas进行数据操作和处理的核心数据结构：Series、DataFrame和Index。
Pandas是Python中最常用到的数据操作和分析工具包，它构建在Numpy之上，具备简洁的使用接口和高效的处理效率。数据科学、机器学习AI应用过程，涉及数据清洗和分析的操作也频繁使用Pandas。
n维数组是NumPy的核心概念，大部分数据的操作都是基于n维数组完成的。本系列内容覆盖到1维数组操作、2维数组操作、3维数组操作方法，本篇讲解Numpy与3维、更高维数组的操作。
n维数组是NumPy的核心概念，大部分数据的操作都是基于n维数组完成的。本系列内容覆盖到1维数组操作、2维数组操作、3维数组操作方法，本篇讲解Numpy与2维数组操作——向量初始化、矩阵操作等。
n维数组是NumPy的核心概念，大部分数据的操作都是基于n维数组完成的。本系列内容覆盖到1维数组操作、2维数组操作、3维数组操作方法。本篇讲解Numpy与1维数组操作——向量初始化、索引、操作等。
n维数组是NumPy的核心概念，大部分数据的操作都是基于n维数组完成的。本系列内容覆盖到1维数组操作、2维数组操作、3维数组操作方法，本篇为系列导入文章，讲解数组的特点、与列表的对比等。
基于数据分析目前良好的发展前景，各界也出现了许多好用的功能种类丰富的数据分析工具。本文列举其中的一些常用工具：Python、R、SQL、SAS、Tableau、Excel等。
数据分析分核心步骤分为：业务认知与数据探索、数据预处理、业务认知与数据探索等三个核心步骤。本文介绍第三个步骤：业务认知与数据探索，包括常见业务分析模型，如AB测试、RFM、AARRR、对比分析、来源分析、细分分析、用户分析、聚类分析等。
数据分析分核心步骤分为：业务认知与数据探索、数据预处理、业务认知与数据探索等三个核心步骤。本文介绍第二个步骤：数据预处理，包括数据调整（量纲、数据标准化）、数据异常值检测与分析、缺失值的处理等。
数据分析分核心步骤分为：业务认知与数据探索、数据预处理、业务认知与数据探索等三个核心步骤。本文介绍第一个步骤：业务认知与数据探索，包括常见业务目标和业务指标，并结合典型案例讲解指标体系的设计与使用。
一文讲解数据分析所需要的数学知识！本文包括描述性统计量（集中趋势、离散程度和分布形态），相关性与线性回归、方差分析、概率论（概率事件、条件概率、排列组合、概率分布）、统计推断（抽样、假设检验）等。
数据分析思维的核心为六个字——对比、细分、溯源，也即数据分析的三板斧，也是数据实践的有效支撑。本文详细讲解对比对数据的要求、数据细分的维度与数据溯源的注意事项等重点知识。
数据分析是洞察数据背后的规律、得出准确的结论或做出正确决策的过程。本文讲解数据化分析思维的养成，包括最常使用的五力模型、PEST、SWOT、生命周期、金字塔原理、SMART、5W2H等重要模型和理论。
数据分析是一项应用非常广泛的技能。本系列教程展开讲解数据分析。这套数据分析教程不同于其他文字版教程，我们以最直挂的「图示」对每个内容和关键点「可视化」，配以最精准精简的代码，让大家尽快入。
Copyright © 2005-2025 51CTO.COM 版权所有 京ICP证060544号
