首页
技术小册
AIGC
面试刷题
技术文章
MAGENTO
云计算
视频课程
源码下载
PDF书籍
「涨薪秘籍」
登录
注册
什么是数据分析和挖掘
数据分析与挖掘的应用领域
电商领域—发现破坏规则的“害群之马”
交通出行领域—为打车平台进行私人订制
医疗健康领域—找到最佳医疗方案
数据分析与挖掘的区别
数据挖掘的流程
常用的数据分析与挖掘工具
下载与安装Anoconda
数据分析实战案例
数据的探索性分析
数据建模-对离散变量重编码
数据建模-拆分数据集
数据建模-默认参数的模型构建
数据建模-模型网格搜索
数据建模-默认的K近邻模型
数据建模-网格搜索的K近邻模型
数据建模-默认的GBDT模型
数据建模-网络搜索的GBDT模型
序列与数据框的构造
外部数据的读取
数据类型转换及描述统计
字符与日期数据的处理
常用的数据清洗方法
重复观测处理
缺失值处理
异常值处理
数据子集的获取
透视表功能
表之间的合并与连接
分组聚合操作
当前位置:
首页>>
技术小册>>
Python数据分析与挖掘实战(上)
小册名称：Python数据分析与挖掘实战(上)
随着数据时代的蓬勃发展，越来越多的企事业单位开始认识到数据的重要性，并通过各种手段进行数据的搜集。 例如，使用问卷调查法获取用户对产品的评价或改善意见；通过每一次的实验获得产品性能的改良状况；基于各种设备记录空气质量状况、人体健康状态、机器运行寿命等；通过网页或APP记录用户的每一次登录、浏览、交易、评论等操作；基于数据接口、网络爬虫等手段获取万维网中的公开数据；甚至是企业间的合作实现多方数据的共享。 企事业单位花费人力、物力获取各种数据的主要目的就是通过数据分析和挖掘手段实现数据的变现，否则囤积的数据就是资源的浪费。 数据分析和挖掘都是基于搜集来的数据，应用数学、统计、计算机等技术抽取出数据中的有用信息，进而为决策提供依据和指导方向。 例如，应用漏斗分析法挖掘出用户体验过程中的不足之处，从而进一步改善产品的用户流程；利用AB测试法检验网页布局的变动对交易转化率的影响，从而确定这种变动是否有利；基于RFM模型实现用户的价值分析，进而针对不同价值等级的用户采用各自的营销方案，实现精准触达；运用预测分析法对历史的交通数据进行建模，预测城市各路线的车流量，进而改善交通的拥堵状况；采用分类手段，对患者的体检指标进行挖掘，判断其所属的病情状况；利用聚类分析法对交易的商品进行归类，可以实现商品的捆绑销售、推荐销售等营销手段。 应用数据分析和挖掘方法，让数据产生价值的案例还有很多，这里就不一一枚举了，所以只有很好地利用数据，它才能产生价值，毫不夸张地说，大部分功劳都要归功于数据分析和挖掘。
下一篇：
数据分析与挖掘的应用领域
该分类下的相关小册推荐：
Python机器学习实战
Python爬虫入门与实战开发(上)
Python数据分析与挖掘实战(下)
Python与办公-玩转PPT
剑指Python(万变不离其宗)
Python神经网络入门与实践
Python机器学习基础教程(上)
Python合辑10-函数
Python合辑11-闭包函数
Python爬虫入门与实战开发(下)
Python与办公-玩转PDF
Python合辑7-集合、列表与元组
