qq_43432717的博客

写在前面：1.生成一个series:df = pd.Series(data=[1,2,3,4], index=["a", "b", "c", "d"])display(df)print(type(df)) #Seriesprint(df.loc["b"]) #索引 2print(df.iloc[1]) #位置 22.生成一个DataFrame:df = pd.DataFrame(np.random.rand(5, 6), index=["地区1

1.背景与目标2.数据准备3.数据清洗4.具体目标分析5.案例结论1.背景与目标对一家全球超市4年（2011年-2014年）的零售数据进行数据分析数据分析的目标：* 分析每年销售额增长率* 各个地区分店的销售额* 销售淡旺季* 新老客户数* 利用RFM模型标记用户价值2.数据准备数据来源于数据科学竞赛平台Kaggle-https://www.kaggle.com/jr2ngb/superstore-data，总共51290条数据，24个字段。导入数据import pand

业务指标1.如何理解数据2.常用的业务指标有哪些？3.如何选择指标？1.如何理解数据每一列的含义数据分析：用户数据：用户的属性【性别、年龄、地区等】行为数据：用户做了什么【点击菜单的次数、分享量、收藏次数等】产品数据：我是卖什么的【文章标题、日期、阅读量等】2.常用的业务指标有哪些？用户数据指标行为数据指标产品数据指标2.2 行为数据指标2.3产品数据指标...

分类：已知当前所研究的问题的类别数目及各类特征，将一些未知类别的个体正确地归属于其中某一类。例如，在大学，学校根据院系、专业，将学员分类不同的类别，有学计算机的，有学金融，有学数学等，这个过程就是分类，一开始就知道类别数目、类别特征聚类：事先不知道所研究的问题应分为几类，也不知道观测到的个体的具体分类情况，需要按照性质上的亲疏程度在没有先验知识的情况下进行自动分类，产生分类结果例如，在大学，同学之间根据兴趣爱好、性格、家乡等，自发地聚集成不同的圈子，这个过程就是聚类，一开始不知道类别数目及细节多

数据分析的流程：1、明确分析目的和思路/提出假设2、数据收集3、数据处理/整理4、数据分析/验证假设5、数据展现/可视化图表6、报告撰写1.分析背景2019年，平台经过一年的发展，销售体量、客户群体、平台规模达到新的高度。现对平台2019年销售数据进行分析。分析数据：(10万+)2019-01-01-00：00:00 — 2019-12-31-23:59:592.分析思路2.1.整体运营2.2.用户行为2.3.销售2.4.渠道流量3.分析过程3.1.整体运