<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Colorfully_lu的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Colorfully_lu</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Colorfully_lu]]></copyright><item><title><![CDATA[元玺教我：如何从“会议室鹌鹑“进化成“数据刺客“]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/157839002</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/157839002</guid><author>Colorfully_lu</author><pubDate>Sat, 07 Feb 2026 10:55:21 +0800</pubDate><description><![CDATA[《统计学财务BP的逆袭之路》讲述了一个统计学毕业生如何将专业优势转化为职场竞争力。文章以幽默口吻分享了财务BP的生存之道：用统计思维重新定义财务分析，将&quot;怂&quot;包装成&quot;严谨&quot;（如用置信区间代替不确定表述），通过数据引导会议讨论方向（如用因素分解法明确责任归属）。作者总结出三大&quot;作弊器&quot;：用置信区间建立专业形象、用方差分解实现优雅甩锅、用对照组数据反驳借口。最终证明，内向者无需改变性格，只需善用数据工具，就能从&quot;会议室鹌鹑&quot;蜕变为令]]></description><category></category></item><item><title><![CDATA[Python让Excel飞起来—批量制作常用图表]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122479027</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122479027</guid><author>Colorfully_lu</author><pubDate>Fri, 14 Jan 2022 15:47:32 +0800</pubDate><description><![CDATA[案例01 制作柱形图展示数据的对比关系 

代码文件：制作柱形图展示数据的对比关系.py 
	数据文件：员工销售业绩统计表.xlsx 
实现代码：


import xlwings as xw
app=xw.App(visible=True,add_book=False)
workbook=app.books.open(r'C:\Users\Administrator\Desktop\22\员工销售业绩统计表.xlsx')
for i in workbook.sheets:
    chart=i.char]]></description><category></category></item><item><title><![CDATA[Python让Excel飞起来—批量进行数据分析]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122385033</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122385033</guid><author>Colorfully_lu</author><pubDate>Tue, 11 Jan 2022 18:41:21 +0800</pubDate><description><![CDATA[案例01 批量升序排序一个工作簿中的所有工作表 

代码文件：批量升序排序一个工作簿中的所有工作表.py 
	数据文件：产品销售统计表.xlsx
每个表批量对销售利润进行升序排列：




import xlwings as xw
import pandas as pd
app=xw.App(visible=True,add_book=False)
workbook=app.books.open(r'C:\Users\MLoong\Desktop\22\产品销售统计表.xlsx')
for i in wo.]]></description><category></category></item><item><title><![CDATA[Python让Excel飞起来—批量处理行、列和单元格]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122347926</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122347926</guid><author>Colorfully_lu</author><pubDate>Sat, 08 Jan 2022 19:28:46 +0800</pubDate><description><![CDATA[案例01 精确调整多个工作簿的行高和列宽


·代码文件：精确调整多个工作簿的行高和列宽.py 

·数据文件：销售表（文件夹）


除了前面讲解的工作簿和工作表的批量操作，Python还可以对工作表中的行、列和单元格等元素进行批量设置。例如，要调整行高和列宽，可以使用xlwings模块的column_width和row_height属性，再加上for语句，就可以实现批量调整了。 



调整为:

代码如下：


import os
import xlwings as xw
file_pa...]]></description><category></category></item><item><title><![CDATA[Python让Excel飞起来—批量处理工作薄和工作表]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122327656</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122327656</guid><author>Colorfully_lu</author><pubDate>Thu, 06 Jan 2022 15:19:06 +0800</pubDate><description><![CDATA[案例01 批量新建并保存工作薄

举一反三 批量新建并关闭工作薄

案例02 批量打开一个文件夹下的所有工作薄

举一反三 列出文件夹下所有文件和子文件夹的名称

案例03 批量重命名一个工作薄中的所有工作表

举一反三 批量重命名一个工作薄中的部分工作表

案例04 批量重命名多个工作薄

举一反三 批量重命名多个工作薄中的同名工作表

案例05 在多个工作部中批量增加新的工作表

举一反三 在多个工作簿中批量删除工作表

案例06 批量打印工作薄

举一反三 批量打印多个工作薄中的指定工作表

]]></description><category></category></item><item><title><![CDATA[Python让Excel飞起来—模块]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122307235</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122307235</guid><author>Colorfully_lu</author><pubDate>Wed, 05 Jan 2022 16:54:54 +0800</pubDate><description><![CDATA[3.2处理文件和文件夹的模块——os

3.2.1获取当前运行的Python代码文件路径


import os
path=os.getcwd()
print(path)

'''
E:\数据分析师学习\jupyter notebook
'''

3.2.2列出指定路径下的文件夹包含的文件和文件夹名称


import os
path='E:\数据分析师学习\jupyter notebook'  #指定路径
os.listdir(path)  #指定路径下所有文件名

3.2.3分离文件主名和扩展名


i]]></description><category></category></item><item><title><![CDATA[Python模块 Matplotlib的基本用法]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122296087</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122296087</guid><author>Colorfully_lu</author><pubDate>Tue, 04 Jan 2022 16:33:39 +0800</pubDate><description><![CDATA[目录

1. 认识Matploblib

1.1 Figure

1.2 Axes

1.3 Multiple Axes

1.4 Axes Vs .pyplot

2. 基本绘图2D

2.1 线

2.2 散点图

2.3 条形图

2.4 直方图

2.6 箱形图

2.7 泡泡图

2.8 等高线（轮廓图）

3 布局、图例说明、边界等

3.1区间上下限

3.2 图例说明

3.3 区间分段

3.4 布局

3.5 轴相关

Matplotlib 是Python中类似MATLAB的绘图工具..]]></description><category></category></item><item><title><![CDATA[Seaborn绘图]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122244431</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122244431</guid><author>Colorfully_lu</author><pubDate>Fri, 31 Dec 2021 21:28:41 +0800</pubDate><description><![CDATA[1.Relational plots（关系图）

Seaborn中介绍的第一种类型的图就是Relational plots（关系图），这里翻译一下官网对他的解释：“统计分析是理解数据集中变量如何相互关联以及这些关系如何依赖于其他变量的过程。可视化可能是这个过程的核心部分，因为当数据被正确地可视化时，人类视觉系统可以看到指示某种关系的趋势和模式。”
Relational plots（关系图）中主要讨论的是三个seaborn函数。我们最常用的是relplot()。这是一个图形级函数使用两种常用方法可视化统计关系]]></description><category></category></item><item><title><![CDATA[Python编程题给你练（附答案）]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122120436</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122120436</guid><author>Colorfully_lu</author><pubDate>Sat, 25 Dec 2021 17:56:21 +0800</pubDate><description><![CDATA[题1
1级
问题:编写一个程序，它将找到所有这些数字，可被7整除，但不是5的倍数，2000年至3200年(包括在内)。得到的数字应按逗号分隔的顺序打印在一行上。
提示:考虑使用range(#begin， #end)方法

解决方案:


l=[]
for i in range(2000,3201):
    if (i%7==0)&amp;(i%5!=0):
        l.append(str(i))
print(",".join(l))

'''
输出答案：
2002,2009,2016,2023,]]></description><category></category></item><item><title><![CDATA[Sklearn专题七：支持向量机SVM-非线性SVM与核函数]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122108835</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122108835</guid><author>Colorfully_lu</author><pubDate>Thu, 23 Dec 2021 17:35:03 +0800</pubDate><description><![CDATA[核函数能够帮助我们解决三个问题： 

第一，有了核函数之后，我们无需去担心 究竟应该是什么样，因为非线性SVM中的核函数都是正定核函数(positive defifinite kernel functions)，他们都满足美世定律(Mercer's theorem)，确保了高维空间中任意两个向量的点积一定可以被低维空间中的这两个向量的某种计算来表示（多数时候是点积的某种变换）。 




第二，使用核函数计算低维度中的向量关系比计算原本的要简单太多了。 



第三，因为计算是在原始空间中进行，所以避免了维]]></description><category></category></item><item><title><![CDATA[Sklearn专题七：支持向量机SVM-线性SVM决策过程的可视化]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122102741</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122102741</guid><author>Colorfully_lu</author><pubDate>Thu, 23 Dec 2021 12:11:05 +0800</pubDate><description><![CDATA[2.1.4 线性SVM决策过程的可视化 

我们可以使用sklearn中的式子来为可视化我们的决策边界，支持向量，以及决策边界平行的两个超平面。


1. 导入需要的模块 



from sklearn.datasets import make_blobs
from sklearn.svm import SVC
import matplotlib.pyplot as plt
import numpy as np

2. 实例化数据集，可视化数据集



X,y = make_blobs(n_samples]]></description><category></category></item><item><title><![CDATA[sklearn专题六：聚类算法K-Means]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122081914</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122081914</guid><author>Colorfully_lu</author><pubDate>Wed, 22 Dec 2021 20:10:25 +0800</pubDate><description><![CDATA[1 概述 

1.1 无监督学习与聚类算法 

在过去的五周之内，我们学习了决策树，随机森林，逻辑回归，他们虽然有着不同的功能，但却都属于“有监督学习”的一部分，即是说，模型在训练的时候，即需要特征矩阵X，也需要真实标签y。机器学习当中，还有相当一部分算法属于“无监督学习”，无监督的算法在训练的时候只需要特征矩阵X，不需要标签。我们曾经学过的PCA降维算法就是无监督学习中的一种，聚类算法，也是无监督学习的代表算法之一。 

聚类算法又叫做“无监督分类”，其目的是将数据划分成有意义或有用的组（或簇）。这种划分]]></description><category></category></item><item><title><![CDATA[​sklearn专题五：用逻辑回归​制作评分卡]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122061867</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122061867</guid><author>Colorfully_lu</author><pubDate>Tue, 21 Dec 2021 20:31:20 +0800</pubDate><description><![CDATA[在银行借贷场景中，评分卡是一种以分数形式来衡量一个客户的信用风险大小的手段，它衡量向别人借钱的人（受信人，需要融资的公司）不能如期履行合同中的还本付息责任，并让借钱给别人的人（授信人，银行等金融机构）造成经济损失的可能性。一般来说，评分卡打出的分数越高，客户的信用越好，风险越小。 

这些”借钱的人“，可能是个人，有可能是有需求的公司和企业。对于企业来说，我们按照融资主体的融资用途，分别使用企业融资模型，现金流融资模型，项目融资模型等模型。而对于个人来说，我们有”四张卡“来评判个人的信用程度：A卡，B卡，C]]></description><category></category></item><item><title><![CDATA[sklearn专题五：逻辑回归]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122004148</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/122004148</guid><author>Colorfully_lu</author><pubDate>Tue, 21 Dec 2021 14:39:52 +0800</pubDate><description><![CDATA[1 概述


1.1 名为“回归”的分类器


在过去的四周中，我们接触了不少带“回归”二字的算法，回归树，随机森林的回归，无一例外他们都是区别于分类算法们，用来处理和预测连续型标签的算法。然而逻辑回归，是一种名为“回归”的线性分类器，其本质是由线性回归变化而来的，一种广泛使用于分类问题中的广义回归算法。要理解逻辑回归从何而来，得要先理解线性回归。线性回归是机器学习中最简单的的回归算法，它写作一个几乎人人熟悉的方程： 




被统称为模型的参数，其中被称为截距(intercept)，被称为系数(coeff]]></description><category></category></item><item><title><![CDATA[sklearn专题四：降维算法]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/121968806</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/121968806</guid><author>Colorfully_lu</author><pubDate>Fri, 17 Dec 2021 19:45:25 +0800</pubDate><description><![CDATA[1 概述 


1.1 从什么叫“维度”说开来 

在过去的三周里，我们已经带大家认识了两个算法和数据预处理过程。期间，我们不断提到一些语言，比如说：随机森林是通过随机抽取特征来建树，以避免高维计算；再比如说，sklearn中导入特征矩阵，必须是至少二维；上周我们讲解特征工程，还特地提到了，特征选择的目的是通过降维来降低算法的计算成本……这些语言都很正常地被我用来使用，直到有一天，一个小伙伴问了我，”维度“到底是什么？ 

对于数组和Series来说，维度就是功能shape返回的结果，shape中返回了几个]]></description><category></category></item><item><title><![CDATA[sklearn专题三：数据预处理]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/121933910</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/121933910</guid><author>Colorfully_lu</author><pubDate>Wed, 15 Dec 2021 15:19:29 +0800</pubDate><description><![CDATA[目录



1 概述

1.1 数据预处理与特征工程

数据挖掘的五大流程：

1.2 sklearn中的数据预处理和特征工程

2 数据预处理 Preprocessing &amp; Impute

2.1 数据无量纲化

preprocessing.MinMaxScaler数据归一化

preprocessing.StandardScaler数据标准化

StandardScaler和MinMaxScaler选哪个？

2.2缺失值

impute.SimpleImputer

BONUS：用Pan..]]></description><category></category></item><item><title><![CDATA[sklearn专题二：随机森林]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/121857645</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/121857645</guid><author>Colorfully_lu</author><pubDate>Mon, 13 Dec 2021 17:59:03 +0800</pubDate><description><![CDATA[1 概述

1.1 集成算法概述

集成学习（ensemblelearning）是时下非常流行的机器学习算法，它本身不是一个单独的机器学习算法，而是通过在数据上构建多个模型，集成所有模型的建模结果。基本上所有的机器学习领域都可以看到集成学习的身影，在 现实中集成学习也有相当大的作用，它可以用来做市场营销模拟的建模，统计客户来源，保留和流失，也可用来预 测疾病的风险和病患者的易感性。在现在的各种算法竞赛中，随机森林，梯度提升树（GBDT），Xgboost等集成 算法的身影也随处可见，可见其效...]]></description><category></category></item><item><title><![CDATA[sklearn专题一：决策树]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/121791962</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/121791962</guid><author>Colorfully_lu</author><pubDate>Fri, 10 Dec 2021 12:15:14 +0800</pubDate><description><![CDATA[sklearn之train_test_split()函数各参数含义

在机器学习中，我们通常将原始数据按照比例分割为“测试集”和“训练集”，

从 sklearn.model_selection 中调用train_test_split 函数

简单用法如下：

X_train,X_test, y_train, y_test =sklearn.model_selection.train_test_split(train_data,train_target,test_size=0.4, random_stat.]]></description><category></category></item><item><title><![CDATA[Power BI时间智能]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/121771738</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/121771738</guid><author>Colorfully_lu</author><pubDate>Tue, 07 Dec 2021 18:44:00 +0800</pubDate><description><![CDATA[mDateAdd = calculate(sum('调用的函数'[金额]),dateadd('调用的函数'[日期],-1,MONTH))



mPreviousMonth = calculate([金额合计],PREVIOUSMONTH('调用的函数'[日期]))



MtD = totalmtd(sum('调用的函数'[金额]),'调用的函数'[日期])

...]]></description><category></category></item><item><title><![CDATA[Power BI 数据分析核心技术]]></title><link>https://blog.youkuaiyun.com/Colorfully_lu/article/details/121753868</link><guid>https://blog.youkuaiyun.com/Colorfully_lu/article/details/121753868</guid><author>Colorfully_lu</author><pubDate>Tue, 07 Dec 2021 16:09:39 +0800</pubDate><description><![CDATA[上下文，从语言的角度看就是指文章上下文的意思，叫语言环境（语境）更好。比如：“很累吗?”这句话是什么意思，要根据当时的对话环境来推断。任何DAX表达式在不同上下文中都可以得到不同结果，上下文就是指计算公式的“环境”。计值上下文分为行上下文和筛选上下文。

1、计值上下文之行上下文（迭代处理数据）

行上下文，作用是迭代表的行并计算值，存在于迭代函数和计算列中。行上下文不是用来做筛选的，仅向DAX指示使用表的哪一行。下面分别解释计算列和迭代函数中的行上下文。

计算列中的行上下文通过迭代计算之后，呈...]]></description><category></category></item></channel></rss>