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