Datawhale 5月数据分析营学习TASK04

最新推荐文章于 2025-07-23 09:38:25 发布
最新推荐文章于 2025-07-23 09:38:25 发布
阅读量108 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/keeplearninglena/article/details/124937554
在本次任务中，我深入学习了Python的数据可视化库Matplotlib，能够绘制出清晰的柱状图和折线图。这个新技能将极大地提升我在数据分析和报告展示中的能力，为数据解释和洞察提供了直观的工具。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

第四次任务啦：这次任务是数据可视化，又开发了新技能，了解了Python数据可视化库Matplotlib，能画出简单的柱状图、折线图了！

Datawhale 5月数据分析营学习TASK05
keeplearninglena的博客
05-26 74
最后一次打卡啦
Datawhale 5月数据分析营学习TASK03
keeplearninglena的博客
05-21 103
Datawhale 5月数据分析营学习TASK03
Datawhale 5月数据分析营学习TASK02
keeplearninglena的博客
05-19 114
第二个任务打卡：每天进步一点点。
Datawhale六月学习数据分析打卡task5
weixin_51956695的博客
06-23 209
学习目标： 这门课程得主要目的是通过真实的数据，以实战的方式了解数据分析的流程和熟悉数据分析python的基本操作。知道了课程的目的之后，我们接下来我们要正式的开始数据分析的实战教学，完成kaggle上泰坦尼克的任务，实战数据分析全流程。 这里有两份资料需要大家准备： 图书《Python for Data Analysis》第六章和 baidu.com & google.com（善用搜索引擎） 第三章 模型搭建和评估–建模： 经过前面的两章的知识点的学习，我可以对数数据的本身进行处理，比如数据本身的
Datawhale六月学习数据分析打卡task3
weixin_51956695的博客
06-19 218
第二章：数据重构 学习目标： 这门课程得主要目的是通过真实的数据，以实战的方式了解数据分析的流程和熟悉数据分析python的基本操作。知道了课程的目的之后，我们接下来我们要正式的开始数据分析的实战教学，完成kaggle上泰坦尼克的任务，实战数据分析全流程。 这里有两份资料需要大家准备： 图书《Python for Data Analysis》第六章和 baidu.com & google.com（善用搜索引擎） 复习： 复习：在前面我们已经学习了Pandas基础，第二章我们开始进入数据分析的业务部分
Datawhale六月学习数据分析打卡task2
weixin_51956695的博客
06-17 215
学习目标： 这门课程得主要目的是通过真实的数据，以实战的方式了解数据分析的流程和熟悉数据分析python的基本操作。知道了课程的目的之后，我们接下来我们要正式的开始数据分析的实战教学，完成kaggle上泰坦尼克的任务，实战数据分析全流程。 这里有两份资料需要大家准备： 图书《Python for Data Analysis》第六章和 baidu.com & google.com（善用搜索引擎） 学习内容： 数据清洗及特征处理 简介： 我们拿到的数据通常是不干净的，所谓的不干净，就是数据中有缺失值，
Datawhale六月学习数据分析打卡task4
weixin_51956695的博客
06-21 213
第三章：数据可视化 学习目标： 这门课程得主要目的是通过真实的数据，以实战的方式了解数据分析的流程和熟悉数据分析python的基本操作。知道了课程的目的之后，我们接下来我们要正式的开始数据分析的实战教学，完成kaggle上泰坦尼克的任务，实战数据分析全流程。 这里有两份资料需要大家准备： 图书《Python for Data Analysis》第六章和 baidu.com & google.com（善用搜索引擎） 复习： 复习：回顾学习完第一章，我们对泰坦尼克号数据有了基本的了解，也学到了一些基本的
Datawhale六月学习数据分析打卡task1
weixin_51956695的博客
06-14 370
学习目标： 这门课程得主要目的是通过真实的数据，以实战的方式了解数据分析的流程和熟悉数据分析python的基本操作。知道了课程的目的之后，我们接下来我们要正式的开始数据分析的实战教学，完成kaggle上泰坦尼克的任务，实战数据分析全流程。 这里有两份资料需要大家准备： 图书《Python for Data Analysis》第六章和 baidu.com & google.com（善用搜索引擎） 学习内容： 数据载入及初步观察 学习时间： 2021/6/14 ----- 2021/6/16 具体任
DataWhale 6月组队学习——动手学数据分析 Task04
weixin_49632439的博客
06-22 312
2 第二章：数据可视化 2.1导入相应的包和数据 import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # 多用于统计画图 #加载并查看result.csv这个数据 result=pd.read_csv('result.csv') result.shape result.head() # 查看数据 【思考】最基本的可视化图案有哪些？分别适用于那些场景？（比如...
DataWhale 二月组队学习-深度学习教程-Task03
qq_61081456的博客
02-19 933
训练数据划分策略：k折交叉验证（k-fold cross validation），如下图所示，将训练数据随机分成k等份，每次取其中的（k-1）份作为训练集，剩下一份作为验证集，重复k次，得到k组结果，将k组结果平均起来，得到模型的最终效果。当有多个模型时，选择结果最好的模型用在全部训练集上，再到测试集上。将训练数据分成两部分，训练集（training set）和验证集（validation set），用training set中的数据训练模型，用validation set中的数据挑选模型。
Datawhale_五月：异常检测（Task04）
kobe2018的博客
05-20 204
目录1、概述2、基于距离的度量1、概述2.1 基于单元的方法2.1 基于索引的方法3、基于密度的度量3.1 k-距离（k-distance(p)）3.2 k-邻域（k-distance neighborhood）3.3 可达距离（reachability distance）3.4 局部可达密度（local reachability density）3.5 局部异常因子 1、概述 “异常”通常是一个主观的判断，什么样的数据被认为是“异常”的，需要结合业务背景和环境来具体分析确定。 实际上，数据通常嵌入在大量的
【Datawhale AI 夏令营第五期学习笔记】Datawhale X 李宏毅苹果书 深度学习入门 AI夏令营 Task3 #Datawhale #AI夏令营
2301_80126721的博客
09-03 899
过拟合是指模型在训练集上的表现非常好，但在测试集上的表现却很差的现象。这通常是因为模型过于复杂，能够记住训练数据的每一个细节和噪声，而无法有效地泛化到新的数据。
【Datawhale AI 夏令营第五期学习笔记】Datawhale X 李宏毅苹果书 深度学习入门 AI夏令营 Task1 #Datawhale #AI夏令营
2301_80126721的博客
08-27 1038
机器学习的第一步是定义一个带有未知参数的函数 ( f )，用于预测未来的观看次数。ybw×x1ybw×x1​( y ) 是我们想要预测的内容，即今天的总观看次数。( x_1 ) 是前一天的总观看次数。( b ) 和 ( w ) 是未知的参数，需要通过数据来确定。( w ) 被称为权重（weight）。( b ) 被称为偏置（bias）。这个带有未知参数的函数被称为模型（model）。
DataWhale_天池_零基础入门金融风控_贷款违约预测_Task2_数据分析
baidu_36184635的博客
09-18 936
队伍： NULL 阿里天池比赛地址： 零基础入门金融风控-贷款违约预测 DataWhale组队学习地址： 九月组队学习 一、赛题背景 本次新人赛是Datawhale与天池联合发起的0基础入门系列赛事第四场 —— 零基础入门金融风控-贷款违约预测。 赛题以金融风控中的个人信贷为背景，要求选手根据贷款申请人的数据信息预测其是否有违约的可能，以此判断是否通过此项贷款，这是一个典型的分类问题。通过这道赛题来引导大家了解金融风控中的一些业务背景，解决实际问题，帮助竞赛新人进行自我练习、自我提高。 为了更好的引导大家入
同时安装了 Python 3.8.20 和 Python 3.12.3如何指定默认版本
m0_71071763的博客
07-22 255
0 /usr/bin/python3.12 2 自动模式。1 /usr/bin/python3.12 2 手动模式。2 /usr/bin/python3.8 1 手动模式。有 2 个候选项可用于替换 python3 (提供 /usr/bin/python3)。要维持当前值[*]请按<回车键>，或者键入选择的编号：2。
深入解析与实战应用：利用Python和Amazon Product Advertising API实战分析
2503_92516413的博客
07-21 724
在电商平台的运营中，关键词搜索接口是不可或缺的一部分，特别是在亚马逊这样的全球电商平台。请注意，你需要将<你的API_KEY>和<你的API_SECRET>替换为实际获取的API密钥。为了使用亚马逊的API接口，你需要获取API密钥，这包括API密钥（Key）和API密钥密文（Secret）。首先，你需要访问亚马逊开发者中心，注册一个开发者账号，并获取相应的API权限。API限制：亚马逊的API可能有请求频率限制，确保你的请求频率符合其规定，以避免被封禁。API_KEY = '<你的API_KEY>'
写个 flask todo app，简洁，实用
waterHBO的博客
07-22 1126
这是一个基于 Flask 框架开发的现代化 Todo 应用，专为个人任务管理而设计。应用采用简洁的界面设计和直观的操作方式，帮助用户高效管理日常任务。这个 Flask Todo 应用虽然功能简洁，但涵盖了任务管理的核心需求。它不仅是一个实用的工具，也是学习 Flask 全栈开发的优秀示例。无论是个人使用还是作为学习项目，都具有很好的实用价值。项目代码结构清晰，易于理解和扩展，是 Web 开发初学者和有经验开发者的理想选择。
时间序列预测Python机器学习应用
最新发布
木头大左的博客
07-23 1033
时间依赖性：当前值受过去值的影响。趋势性：数据可能呈现长期上升或下降的趋势。季节性：数据在固定周期内重复出现的模式。噪声：随机波动，无明显规律。
在Ubuntu安装vnpy教程（最新）
猿小白的博客
07-22 59
VeighNa量化交易框架在Ubuntu的安装指南 VeighNa是一个基于Python的量化交易开发框架，提供从API对接到策略自动交易的全流程解决方案。本文详细介绍了在Ubuntu系统上安装VeighNa的步骤： 下载4.1.0版本源码 安装系统依赖项 解压文件 执行安装脚本 通过run.py启动程序 安装前需确保已安装Python3环境，推荐使用Miniconda3。该框架支持多种金融市场，提供策略开发、回测、风险管理等功能，适合快速开发量化交易策略。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值