今天是8月23日，kobe的42岁生日。早起刷着微博的时候，看到了一位著名的锅炉写手猫三老师分享的关于Kobe的几个故事。与您分享！Kobe与大鲨鱼奥尼尔当年在湖人队，奥尼尔是出了名不爱训练，懒散，受了小伤就选择休战。休赛季吃喝玩乐，赛季开始之前做手术养伤。Kobe有着自己的看法。Kobe说：我绝对不会因为伤病而退却。是的，Kobe是这样说的，也是这样做的。99年的时候，Kobe右手手掌骨折，带着
转载
2023-11-29 10:34:35
53阅读
《Python数据分析与挖掘实战》第六章案例代码总结与修改分析一、实验目的1.掌握拉格朗日插值算法进行缺失值处理的方法。 2.掌握LM神经网络和CART决策树构建分类模型的方法。二、实验要求1.利用拉格朗日插值算法补全数据用户的用电数据存在的缺失值。对拉格朗日插值法公式的理解，然后参考拉格朗日插值算法进行编程，将数据中的缺失值利用多项式函数对缺失值进行补充2.构建分类模型对窃漏电用户进行识别，两模
转载
2024-06-03 10:29:39
55阅读
数据分析参考python数据分析与挖掘实战-张良均著数据探索数据质量分析缺失值分析异常值分析一致性分析利用箱线图检验异常值，可以看出数据的分布范围大致情况，和1/4值、1/2值、3/4值得情况。代码：# -*- coding: utf-8 -*-
import pandas as pd
catering_sale = '../data/catering_sale.xls' # 餐饮数据
data
【读书笔记与思考】《python数据分析与挖掘实战》-张良均最近看一些机器学习相关书籍，主要是为了拓宽视野。在阅读这本书前最吸引我的地方是实战篇，我通读全书后给我印象最深的还是实战篇。基础篇我也看了，但发现有不少理论还是讲得不够透彻，个人还是比较倾向于 《Machine Learning》--Tom M.Mitchell，Andrew 的 machine learning 课程，或周华志的《机器学
转载
2023-10-06 22:01:52
251阅读
本文是《python数据分析与挖掘实战》学习笔记，持续更新。PART1:包含前四章第一章 数据挖掘的基础第二章 Python数据分析简介第三章 数据探索第四章 数据预处理重点：4.1.1 拉格朗日插值法*********************************************************************************************第一章 数据
转载
2024-06-18 07:09:04
39阅读
一般情况下拿到数据进行分析，首先要对数据进行预处理，根据经典的特征工程选取相应的特征向量，前几步一般都是一样的，然后进行模型训练与数据预测，最后进行决策分析。首先要导入一些机器学习的包，要好好学习这些库的使用方法哦。一、首先要导入数据，读取数据，当然也要检查数据是否有重复的或者缺失的删除有缺失的数据二、开始进行特征工程，选取那些必要特征进行分析，这些特征的选取要根据经验，哈哈哈选取了这五个特征，并
文章目录第一章 数据挖掘概念第二章 Python数据分析第三章 数据探索第四章 数据预处理第五章 模型构建1. 分类与预测2. 聚类分析3. 关联规则4. 时序模式5. 离群点检测总结参考文献 第一章 数据挖掘概念以餐饮行业中所存在的数据挖掘需求作为切入点，引出了数据挖掘的概念。数据挖掘的定义：从大量数据（包括文本）中挖掘出隐含的、未知的、对决策有潜在价值的关系、模式和趋势，并用这些知识和规则建
转载
2023-10-11 12:17:56
85阅读
文章目录第2章：python数据分析简介2.2、python使用入门2.2.3、数据结构(1)列表/元组(2)字典(3)集合(4)函数式编程2.2.4、库的导入与添加2.3、python数据分析工具2.3.1、numpy2.3.2、scipy2.3.3、matplotlib2.3.4、pandas2.3.5、statsmodels2.3.6、scikit-learn2.3.7、keras2.3.
转载
2024-08-16 11:11:50
147阅读
第2章Python基础入门本章是Python的基础章节，读者可以在这章中学习到丰富的Python基础知识。首先我们会从操作符和最简单的数字数据入手，然后就是流程控制，到这里读者能够对Python程序结构有一个清晰的认识。接着是较复杂的数据结构，主要涉及Python最常用的五大内建数据类型：列表，字符串，元组，字典和集合。这部分重点对这些数据结构的用法进行讲述，由于内容有限，并没有太多涉
文章目录一、卷积运算二、移动均线的绘制三、布林带绘制本篇依然是数据分析里数据可视化方面的内容，主要内容有一维卷积
原创
2022-08-02 10:13:18
400阅读
不用任何公开参考资料，估算今年新生儿出生数量 解答：1）采用两层模型（人群画像人群转化）：新生儿出生数=Σ各年龄层育龄女性数量各年龄层生育比率 2）从数字到数字：如果有前几年新生儿出生数量数据，建立时间序列模型（需要考虑到二胎放开的突变事件）进行预测 3）找先兆指标，如婴儿类用品的新增活跃用户数量X表示新生儿家庭用户。Xn/新生儿n为该年新生儿家庭用户的转化率，如X2007/新生儿2007位为20
转载
2023-08-21 09:13:32
633阅读
1.数据分析方法分类业务数据分析师（对数学建模的要求较低）、数据挖掘（对业务与数学建模的要求较高）、大数据分析（需要一定的编程能力）。层层进阶2.职位进阶3.数据分析结果数据可视化4.数据分析的流程在业务理解中要多问问题，了解需求，知道问题的核心。可以看书籍《学会提问》。5. 围绕数据分析师的三大类工作内容
原创
2022-04-15 21:35:17
1588阅读
当我们谈论IT服务管理（ITSM）世界中的大数据时，这里有两个非常不同的概念： • IT为业务提供的大数据工具/服务：对关键的业务运营数据进行数据索引。 • IT运营中的大数据：处理和利用复杂的IT运营数据。大数据中的业务运营服务在竞争日益激烈，数据驱动的世界中，企业管理者都在寻找能够有效管理和解释业务数据（尤其是大数据）的方法。数字化的业务操作，如：电子商务网站和银行移动APP，它们产生了大量的
转载
2023-10-03 08:52:17
206阅读
当提到华为和Kobe Bryant，你可能会有些困惑。但事实上，这两个名字在最近成为了一个热门话题，引起了人们的关注和讨论。
最近，有消息称著名NBA球星科比·布莱恩特（Kobe Bryant）的球衣已经出现在一家名为Kobe MPLS的球馆中。这引起了人们的好奇，因为科比的球衣通常是会在特定场馆或赛事中被展示，而这一次出现在了华为公司名下的一个球馆，则引发了广泛的猜测。
华为作为一家全球知名
原创
2024-03-05 13:39:12
41阅读
大数据技术和数据分析有什么关系大数据经过多年发展形成了一个完整的产业链和技术链，大数据的产业链是围绕技术链来打造的，而大数据的技术链则围绕数据价值化这个中心来展开，涉及到数据的采集、存储、安全、分析、呈现和应用，那么大数据技术和数据分析有什么关系呢?1、从大数据的技术链来看：数据分析是其中的重要一环，也是目前大数据价值化的核心环节，所以很多人也把大数据就理解为数据分析了。虽然数据分析比较重要，但是
转载
2024-01-13 20:01:43
252阅读
# 实现《张良均 数据分析与挖掘实战 第二版》源码的指南
在进行数据分析与挖掘的学习中，掌握实际的代码和案例是非常重要的。本文将为刚入行的小白介绍如何实现《张良均 数据分析与挖掘实战 第二版》的源码，帮助你更好地理解数据分析与挖掘的核心概念。以下是整个流程的步骤概览。
## 流程步骤
| 步骤编号 | 步骤描述 |
|----------|------
一、什么是AARRR模型，以及为什么它如此受欢迎？让我们深入了解Dave McClure的模型。AARRR代表：用户拉新Acquisition 用户激活Activation 用户留存Retention 用户推荐Referral 商业收入Revenue二 、RARRA模型是托马斯·佩蒂特Thomas Petit和贾博·帕普Gabor Papp对于海盗指标-AARRR模型的优化。RARRA模型突出了用
转载
2023-10-03 11:30:01
222阅读
2022年数据与分析有哪些新趋势？今年数据和分析主要趋势：1.激活多样性和活力使用自适应AI系统推动增长和创新同时应对全球市场的波动； 2.增强人员能力和决策以提供由业务模块化组件创建的丰富的、情境驱动的分析； 3.将信任制度化以大规模地实现数据和分析的价值。管理AI风险并实施跨分布式系统、边缘环境和新兴生态系统的互联治理。现在应该根据关键数据和分析技术趋势对于业务优先事项的紧迫性和匹配性来监测、
转载
2024-01-11 13:38:43
94阅读
对于一个ML问题，解决思路通常是：拿到数据后怎么了解数据(可视化) 选择最贴切的机器学习算法 定位模型状态(过/欠拟合)以及解决方法 大量极的数据的特征分析与可视化 各种损失函数(loss function)的优缺点及如何选择首先拿到数据要进行***数据分析***数据准备->数据清洗->数据重构->数据分析 典型的重构就是归一化可以利用降维算法来实现数据的处理，用更少的特征描述原
转载
2023-08-31 13:00:09
395阅读
相关性分析散点图矩阵初判多变量间关系，两两数据之间的，比如说4个数据ABCD，就有12个比较，第一个参数和第二个参数，第一个参数和第三个参数，.......这个图就是正态分布的几个参数，就没有任何的相关性 相关性分析
分析连续变量之间的线性相关程度的强弱
图示初判 / Pearson相关系数（皮尔逊相关系数） / Sperman秩相关系数（斯皮尔曼相关系数）
1
转载
2024-01-11 12:33:35
143阅读
