- 博客(54)
- 收藏
- 关注
RSS订阅原创 powerbi 案例3：财务数据分析（下）
本文基于已处理的财务数据，系统开展Power BI可视化与财务分析。首先回顾数据获取与清洗流程，重点讲解参数化查询构建及笛卡尔积生成多报表多年度数据的方法。随后聚焦三大报表（资产负债表、利润表、现金流量表）的指标计算与可视化：通过自定义度量值实现偿债能力、营运能力、盈利能力等关键指标的动态计算；运用矩阵表、KPI图、折线图、瀑布图等实现多维度分析；最后通过摘要文本框实现动态叙事，结合自定义背景与页面导航按钮，完成一体化财务分析看板。
2026-10-07 11:25:16
413
原创 powerbi 案例3：财务数据分析（上）
本文详细介绍了上市公司财务数据的获取与处理方法。主要内容包括：1）财务分析基础，重点解读三大报表（资产负债表、利润表、现金流量表）和四大能力分析；2）数据获取途径，推荐上交所、深交所官网和新浪财经等数据源；3）数据处理流程，涵盖格式转换、多表合并、数据清洗等步骤；4）结构化处理方法，通过创建维度表建立完整的数据模型；5）日期表构建与模型关系建立。文章特别演示了如何通过Power Query实现多年度多报表数据的自动化获取，并详细说明了报表结构化处理的具体步骤，为后续财务分析打下数据基础。
2026-10-07 11:14:49
259
原创 数据分析案例：空气质量分析
本文基于2023年全国城市空气质量数据，通过统计学方法分析空气质量影响因素并建立预测模型。首先对数据进行清洗（处理缺失值、异常值和重复值），使用中位数填充降雨量缺失值，对数转换处理GDP右偏分布。通过相关系数热力图分析发现空气质量指数与纬度（0.55）呈正相关，与降雨量（-0.40）呈负相关。在建模阶段，先用线性回归得到较差效果（R²约0.4），后采用Stacking集成学习策略（结合随机森林、线性回归和SVR），将测试集R²提升至0.647。案例展示了数据清洗、特征工程和多模型集成在现实数据分析中的完整流
2026-07-28 07:36:34
206
原创 推断统计分析 —— 假设检验、Z 检验
本文介绍了推断统计学中的假设检验原理与应用（附完整代码）。主要内容包括：1、假设检验的基本框架；2、Z检验的应用；3、检验类型区分：根据问题需求选择双边检验或单边检验（左/右侧），对应不同的P值计算方法；4、两类错误分析：第一类错误（弃真）和第二类错误（取伪）的关系，以及在实际案例（如法庭判案、质量控制）中的表现。5、实践案例：通过3个习题展示了不同场景下Z检验的应用，包括客户投诉分析、服务质量评估和工艺水平检验。
2026-07-28 07:34:31
222
原创 描述性统计分析-参数估计
本文介绍了推断统计中的参数估计方法，重点讲解了点估计和区间估计的概念与应用。点估计使用样本统计量直接估计总体参数，简单但准确性有限；区间估计则给出一个置信区间和置信度，量化估计的不确定性。文章详细阐述了中心极限定理及其验证过程，说明样本均值随样本量增大趋近正态分布的特性。此外，还讲解了正态分布的特点和置信区间的计算方法，并通过Python代码模拟了抽样过程和置信区间的可视化呈现。
2026-07-06 09:13:52
337
原创 描述性统计分析
本文重点介绍了描述性统计分析的基本概念和方法。详细讲解了频数/频率计算、集中趋势指标（均值、中位数、众数、分位数）、离散程度（极差、方差、标准差）以及分布形状（偏度、峰度）的分析方法。通过Python代码演示了数据预处理、统计量计算和可视化过程，包括使用numpy和pandas进行数据合并、转换，以及利用seaborn绘制统计图表。
2026-07-06 09:08:13
251
原创 数据分析综合项目案例：幸福指数深度挖掘（KNN，随机森林）
本文介绍了数据预处理和建模分析幸福指数的完整流程。主要内容包括： 数据预处理 缺失值处理：删除缺失比例>60%的字段，对剩余缺失值按业务逻辑填充（如配偶相关字段用0填充，社交字段用7填充） 重复值处理：统一大小写后去重 特征工程：计算年龄、婚姻时长等衍生特征 标准化处理：对数值型特征进行Z-score标准化 建模分析 使用KNN和随机森林算法预测幸福指数 处理数据不平衡问题：采用SMOTE过采样方法 模型评估：随机森林准确率达90%，优于KNN的80%
2026-07-04 23:13:44
275
原创 K-Means 聚类算法项目案例——广告分析效果
本文介绍了广告渠道效果分析与聚类的完整流程。通过对889条广告渠道数据的分析，包括日均UV、注册率、搜索率等12个维度的特征，使用K-Means聚类将渠道分为4类。分析过程包括数据清洗、缺失值处理、类别变量独热编码、数值标准化等步骤，并通过轮廓系数确定最优聚类数。结果显示不同类别渠道特征差异显著：如第0类渠道在投放时间和访问深度表现突出，但UV和转化率较低。最终通过雷达图可视化呈现各类别核心特征，为广告投放策略优化提供数据支持，实现针对性效果提升。
2026-07-04 10:00:00
180
原创 K-Means（K均值）聚类算法
本文介绍了K-Means聚类算法的原理、实现和应用。K-Means是一种无监督学习算法，通过迭代将数据划分为K个簇，每个簇用质心表示。文章详细讲解了算法步骤：1. 随机选择K个初始质心；2. 将样本分配到最近的质心；3. 重新计算质心；4. 重复直到收敛。同时分析了算法优缺点，并提供了Python实现代码，包括数据生成、模型训练、预测和可视化。文章还介绍了K-Means++算法，它改进了初始质心选择方式，能获得更好的聚类效果。最后讲解了如何通过肘部法则和轮廓系数确定最佳K值，并给出了两种方法的代码实现。
2026-06-29 09:45:00
558
原创 powerbi 案例2：鸡蛋费用用工分析
本文摘要：文章详细介绍了如何对2023-2024年鸡蛋养殖费用数据进行清洗、建模和可视化分析。核心步骤包括：1）通过逆透视列将月份数据转为时间维度；2）创建项目结构表（维度表）和日期表辅助分析；3）建立9个关键指标度量值（如直接费用、人工成本等）；4）使用卡片图展示指标，环形图分析费用占比，矩阵表实现同比分析，折线图呈现月度趋势。重点强调了数据清洗时的时间维度转换、维度表构建方法，以及通过DAX函数实现同比计算（SAMEPERIODLASTYEAR）等关键技术要点，最终构建出包含动态筛选功能的完整分析看板。
2026-06-29 09:00:00
171
原创 算法：随机森林算法
本文介绍了随机森林算法的原理、实现及应用。主要内容包括： 随机森林是一种基于决策树的集成学习方法，通过样本扰动和属性扰动增加基学习器的多样性。 核心概念：集成学习（Bagging并行式）、自助采样（Bootstrap）、投票策略（硬投票和软投票）。 代码实现： 使用make_moons数据集演示硬/软投票效果 随机森林分类算法实现（准确率0.896） 医疗费用预测案例（回归算法，R²=0.834） 应用技巧： 文本特征编码（LabelEncoder） 数据标准化处理 特征重要性分析
2026-06-08 17:42:00
281
1
原创 算法：决策树算法
本文围绕决策树完整知识体系展开讲解，整体分为理论概念与实操代码两大板块。理论部分先介绍决策树特征选择的核心基础：信息熵、样本不纯度、信息增益及各类不纯度度量标准；随后对比三大经典决策树算法 ID3、C4.5、CART，清晰区分三者核心划分依据 ——ID3 依托信息增益、C4.5 采用信息增益率、工业最常用的 CART 算法同时支持分类决策树与回归决策树两种任务；文末配套完整实操代码，覆盖分类、回归决策树的数据划分、模型训练、效果评估、树结构可视化、新样本预测等落地操作，完整串联决策树理论原理与工程实践。
2026-06-01 00:15:00
454
原创 特征工程处理
摘要：特征工程是提升机器学习模型性能的关键步骤，涉及数据清洗、特征选择与构建等灵活处理方法。本文以泰坦尼克号数据集为例，详细介绍了缺失值处理（如均值填充、众数填充）、数值型特征变换（对数变换、标准化、归一化）、高次特征生成（多项式特征）以及类别型特征编码（哑变量处理）等技术。通过实际代码演示了如何运用Pandas和Scikit-learn库进行特征预处理。
2026-05-28 23:44:23
266
原创 分类模型评估
本文介绍了逻辑回归分类模型的评估方法，重点分析了威斯康星乳腺癌数据集的应用。主要内容包括：1）混淆矩阵的构建与可视化，通过TP、FP、FN、TN四类结果评估模型性能；2）常用评估指标（准确率、精确率、召回率、F1分数）的计算与解读；3）ROC曲线分析，展示不同阈值下TPR与FPR的关系，并计算AUC值评估模型区分能力。实验结果显示该模型在乳腺癌数据集上表现优异（AUC=0.99），验证了多种评估方法在分类任务中的实用价值。
2026-05-28 11:30:00
518
原创 算法：逻辑回归
本文介绍了逻辑回归算法的原理与实现。逻辑回归虽然名称含"回归"，但实际是一种分类算法，主要用于二分类问题。文章详细讲解了Sigmoid函数的作用及其可视化，该函数将线性回归输出转换为0-1之间的概率值。通过鸢尾花数据集实例演示了逻辑回归的实现步骤：数据预处理、模型训练、预测评估及可视化。同时提供了决策边界绘制的通用模板代码，并比较了不同分类模型的效果差异。文章还包含完整的Windows和Mac系统下的Python实现代码，涵盖了从理论到实践的全流程内容。
2026-05-20 18:11:42
608
原创 powerbi 案例1：通过 powerbi 从 web 获取数据
本文介绍了如何在不使用爬虫的情况下，通过Power BI获取网站游戏排行榜数据的方法。首先在目标网站使用开发者工具找到数据所在的资源文件，复制请求URL。然后在Power BI中使用Web数据源功能，输入URL获取单页数据。对于多页数据，通过观察URL规律（page参数变化），构造1-4页的URL列表，使用Power Query的自定义函数功能批量获取多页数据。最后通过展开操作将所有数据整合到一个表中，完成数据采集流程。这种方法避免了编写爬虫程序，直接利用Power BI的内置功能实现数据获取。
2026-05-20 11:30:00
419
原创 PowerBI 可视化操作——常用视觉对象（堆积条形图、折线图、堆积柱形图、着色地图、丝带图、分解树、瀑布图、散点图...共计 16 种视觉对象）
摘要：本文详细介绍了Power BI中各类图表的创建与样式设置方法，包括堆积条形图、折线图、饼图、地图等可视化对象的制作流程。重点讲解了数据导入、字段配置、样式调整（如画布背景、坐标轴、图例设置）等操作步骤，并通过交通健康排行榜案例演示了综合仪表板的搭建过程。文章还涵盖了常见问题的解决方案，如X轴数据显示不全的处理方法，以及度量值创建、表关系建立等进阶技巧，为Power BI初学者提供了全面的可视化制作指南。
2026-05-11 23:51:07
745
原创 算法：线性回归
本文介绍了线性回归模型的基本原理与应用。首先阐述了模型的概念，指出模型是基于数据建立的公式或经验模式。然后详细讲解了线性回归的核心思想：通过拟合直线使预测值与真实值的误差最小化。文章以鸢尾花数据集为例，演示了完整的建模流程：1）数据准备与特征选择；2）数据集划分；3）模型训练；4）预测与可视化；5）模型评估（包括MSE、MAE、R²等指标）。最后提供了完整的Python实现代码，涵盖了从简单线性回归到多元线性回归的实践方法。通过实际案例展示了如何建立、评估和应用线性回归模型进行预测分析。
2026-05-11 11:20:57
943
原创 综合案例分析_美妆（完整数据分析可视化案例）
本文介绍了美妆数据清洗和分析的全过程。首先对原始数据进行去重、缺失值填充等预处理操作，通过jieba分词提取商品特征，并建立分类体系。然后针对不同分析方向（品牌销量、商品类别、男性护肤品等）进行可视化呈现，包括柱状图、折线图等图表形式。在数据分析部分，重点展示了如何通过groupby分组统计销量、销售额等关键指标，并使用matplotlib和seaborn库实现数据可视化。整个过程涵盖了从数据清洗到分析可视化的完整流程，为美妆行业的数据分析提供了实用参考。
2026-04-29 05:30:00
403
3
原创 pyeharts + 案例分析（安装 + 常用图表 + 地理 + 数据生成 + 分词，词频统计）
本文介绍了Python数据可视化工具pyecharts的安装和使用方法，包括柱状图、折线图、饼图、地图等常见图表的绘制。通过示例代码展示了如何生成交互式图表，并介绍了Faker库用于生成模拟数据。还演示了如何利用jieba分词和WordCloud制作词云图，分析《穷爸爸富爸爸》一书的高频词汇。文章提供了详细的代码示例和官方文档链接，适合初学者快速上手数据可视化。
2026-04-27 07:12:41
386
原创 Pandas 分组聚合（groupby）+ Pandas 透视表（pivot_table） + Matplotlib + 案例
本文介绍了Pandas和Matplotlib在数据处理与可视化中的核心应用。Pandas部分重点讲解了groupby()分组聚合方法及其参数（by、axis、as_index等），通过实例演示了按年龄分组、城市统计、销售额汇总等操作；同时介绍了透视表(pivot_table)的创建方法和文件读取技巧（编码处理、分块读取等）。Matplotlib部分展示了折线图、柱状图、散点图等常见图表的绘制方法，详细说明了图表美化参数（颜色、标记、网格等），并通过信用卡逾期案例演示了双Y轴图表的实现。
2026-04-27 06:59:28
686
原创 数据分析利器 Pandas ：apply() 方法 + map() 配对 + 计算描述统计 + 协方差和相关性 + 异常值处理常用方法（基于 python ）
本文介绍了pandas库的基本操作及其与numpy的结合使用。主要内容包括：1) pandas的安装与DataFrame创建，演示了如何将numpy数组转换为带行列标签的表格；2) 数据处理方法，如apply()函数进行列计算、map()配对数据、统计函数(均值、标准差等)的应用；3) 数据清洗技巧，包括异常值填充(fillna)、去重(drop_duplicates)和替换(replace)；4) 高级操作如正则提取、数据分割与合并。通过多个案例展示了pandas在数据分析和处理中的强大功能。
2026-04-06 21:32:05
662
1
原创 Power Query使用
本文详细介绍了PowerBI中PowerQuery的数据清洗操作。主要内容包括：1）使用SWITCH函数进行年龄段分类；2）Excel与PowerQuery的联动操作；3）数据清洗的基本操作如添加自定义列、条件列、索引列等；4）数据拆分方法（按分隔符、字符数、位置）；5）空值处理与筛选；6）合并查询的6种联接方式及应用实例；7）追加查询的操作方法；8）透视与逆透视列的转换；9）分组汇总功能；10）数据源设置和文件导出方法。这些操作可帮助用户有效清洗和转换数据，为后续分析做好准备。
2026-04-06 06:45:00
594
原创 Power BI 使用
本文介绍了PowerBI Desktop的功能特点及其与FineBI的区别。PowerBI是微软推出的免费商业智能工具，支持数据连接、清洗、建模和可视化，功能强大但操作较复杂；FineBI作为国产工具，图表类型丰富且操作简单，但计算功能较弱。文章详细讲解了PowerBI的数据导入、可视化创建、样式修改、筛选器使用等核心功能，并演示了新建列、度量值、函数应用等数据处理方法。通过矩阵表和卡片图等实例，展示了PowerBI的数据分析和报表制作流程，最后介绍了常用聚合函数和逻辑函数的使用场景。
2026-03-29 23:59:15
666
1
原创 finebi 案例3 健身房数据分析（建模）
本文介绍了在帆软FineBI平台进行健身房数据分析的全过程。首先讲解了数据建模的基本概念和方法，通过产品ID、门店等关键字段建立了5张数据表之间的关联关系（1:N为主）。然后详细说明了核心KPI指标的计算逻辑，包括总销售额（课时数×单价）、教练薪酬成本（底薪+课时费）、运营费用、租金成本等，并最终计算出净利润。文章还展示了如何创建不同课程销售额占比玫瑰图和门店规模地图等可视化图表，强调了建模对跨表计算的重要性，以及新建列与计算字段的区别。整个分析过程涵盖了数据关联、指标计算和可视化呈现三个关键环节。
2026-03-25 18:45:00
578
1
原创 numpy 操作 + jupyter notebook 使用 + 常用统计函数
本文介绍了NumPy的基本概念和使用方法，包括Jupyter Notebook的启动方式。NumPy作为Python核心科学计算库，主要用于高效处理多维数组和数值计算，其性能优于原生Python。文章详细讲解了创建一维/二维数组的多种方法（np.array、np.arange、np.linspace等）、数组形状变换（reshape、flatten）以及基本运算规则。重点说明了常用统计函数（中值median、平均值mean、标准差std、方差var）的使用，并简要提及where条件筛选功能。NumPy是数据
2026-03-25 06:30:00
703
原创 数据操作案例：RFM 分析
本文介绍了如何使用FineBI工具实现RFM客户价值分析模型。通过三个核心指标（最近消费间隔R、消费频率F、消费金额M）对客户进行分组评估，详细说明了数据清洗、指标计算和客户分类的全过程。具体步骤包括：数据获取与过滤、计算各维度指标、建立0/1评价体系、组合RFM向量，最终根据预设规则为客户打标签。该方法能有效区分高价值客户、发展客户、保持客户等不同类型，为精准营销提供数据支持。操作流程可参考官方文档，包含完整的数据处理和可视化实现方案。
2026-03-23 23:14:32
540
1
原创 Python 数据存储操作_数据存储、补充知识点：Python 与 MySQL交互
本文介绍了三种数据存储方法：1. 使用pandas将列表和字典数据存储为Excel/CSV格式，包括DataFrame转换、表头设置和文件保存；2. Python与MySQL交互，通过pymysql实现数据库连接、查询、增删改操作，以及事务处理；3. 使用sqlalchemy引擎将pandas数据直接存入MySQL数据库。相比简单的txt存储，这些方法能更好地组织数据，便于后续分析和处理。文中详细演示了每种方法的代码实现和常见问题解决方案。
2026-03-23 06:45:00
707
原创 finebi 案例2 猎聘网python岗位分析
本文基于猎聘网Python岗位招聘数据，从多个维度进行了深入分析。通过数据清洗和可视化处理，构建了包含10个图表的分析仪表板。研究发现：北京、上海等一线城市薪资水平较高，但潍坊出现异常高薪数据；3-5年工作经验薪资达到峰值；金融、互联网行业岗位需求最多；公司规模与薪资呈正相关；2020-2022年岗位数增长但薪资下降。分析还展示了学历要求与薪资的关系、工作内容关键词分布等有价值的信息。该分析为求职者和企业提供了Python岗位招聘市场的全面洞察。
2026-02-25 14:47:14
737
原创 finebi 案例1 超市连锁店分析
先看一下数据，里面有日期、城市、单据编码、门店编码、门店名称、商品编码、商品类别、商品名称、省份、成本额、数量，销售额。看上去还挺简单的我们拿到这样一份数据，可以分析哪些东西？在拿到数据的第一时间要看懂数据，大致属于哪种类别。比如这个超市连锁店明细表，一看就属于销售数据。
2026-02-13 13:19:39
1129
2
原创 数据分析方法+报告（概览）
数据分析方法为业务决策提供系统性思路，主要包括11种核心方法：1）人货场模型（零售行业指标拆解）；2）PEST宏观分析法；3）5W2H问题分析法；4）SWOT优劣势分析法；5）逻辑树分解法；6）用户行为路径分析；7）A/B测试对比法；8）用户画像标签法；9）横向/纵向对比法（同比环比）；10）公式拆解法（指标逐层分解）；11）漏斗转化分析法。这些方法适用于不同业务场景，能帮助分析师从零散数据中构建逻辑链条，通过指标对比、因素拆解、流程追踪等方式，形成结构化分析框架，最终输出有价值的业务洞察。
2026-02-13 13:17:33
1061
原创 finebi 组件进阶——自定义图表、瀑布图
本文介绍了自定义组合图表的制作方法，重点讲解了柱形图+折线图、柱形图+面积图、堆积柱形图+折线图以及条形图+点等多种组合方式的应用场景和操作步骤。同时详细阐述了瀑布图的制作原理，包括数据清零处理、计算终点和起点等关键步骤，并通过工资组成案例演示了如何用瀑布图直观展示数据演变过程。文章强调通过双轴设置、颜色分组等技巧优化图表呈现效果，使数据对比和趋势分析更加清晰直观。
2026-01-18 05:00:00
781
原创 finebi 函数介绍
打开右侧数据流这边有两个选项，左边是更新Excel，右边是切换数据回到建立的分析主题“02finebi数据处理”打开成绩表2比如这份表，有姓名、考试结果和录入时间。如果想更新数据就可以点击更新Excel。点击之后，追加数据，替换数据都可以想要追加的话，有一个新的Excel追加到下方了。如果是替换，就是整个内容都替换掉了切换数据。现在的成绩表2，当中有姓名，考试结果，录入时间。上一篇针对考试结果拆分成了语数外三列。如果有一张表的结构和它是一样的，也要去进行相同的处理操作的话，可以直接点击切换数据。
2025-12-14 10:41:57
1559
原创 浏览器 driver （Chrome & Edge）驱动安装、Selenium 安装，使用Selenium进行网页自动化操作与数据抓取（Edge）
先补充一下之前一篇的代码。在这篇文章的最后展示了豆瓣电影Top250榜单爬取，但是只爬取了一页，而且是用打印的方式输出来的。现在补充一下该网站的多页抓取，并且将信息存在文件中的完整代码，如下接下来介绍 Selenium：一般来说，使用协议抓取搞不定的，就可以用 Selenium 的方式去做。
2025-12-13 12:03:02
2128
原创 finebi 第一个仪表板制作
点击自定义图表之后，生成了毛利额，毛利率关于时间的条形图毛利额，单位是非常大的。环比增长率，数值在0到1之间，显然不能共用一根轴。希望环比增长率用右边的轴。找到环比增长率，点击倒三角，点击设置值轴，把左直轴改为右直轴，点击确定设置好之后的效果是这样的，显然还需要微调一下毛利额希望不是柱子的形式，是折线的形式来到图形属性这里，有一个全部，把它折叠起来，找到它下方的两个。一个是毛利额，一个是环比增长率展开毛利额，把柱形图改为线效果是这样的，整体再去微调一下。
2025-12-05 13:01:05
1332
原创 jsonpath 爬取招聘网站信息
这个网址从问号后面都是拼接的信息：timestamp=1763435195846&countryId=1&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex=1&pageSize=10&language=zh-cn&area=cn。只适用于有严格的结构化的数据。name、 time， desc 这三个是一一对应的，如果取出来的条数不同，很难配上。一旦错位，数据就错了。，找到 url = '
2025-11-18 17:59:44
448
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人