- 博客(6)
- 收藏
- 关注
RSS订阅原创 大数据技术核心解析与实操实战
大数据技术并非单一工具，而是一套覆盖 “存储 - 计算 - 分析 - 建模 - 可视化” 的完整技术体系。本文通过核心架构解析与两段实操代码，展示了大数据分析的关键流程，从 Pandas 小数据预处理到 PySpark 分布式计算，对应了不同数据量场景下的解决方案。对于入门学习者而言，建议先掌握 Python Pandas 基础，再逐步深入 Spark、Flink 等大数据框架，同时结合具体行业场景进行实操练习，才能快速将大数据技术落地应用。
2025-12-25 14:45:40
884
原创 学 Hadoop 核心技术，探大数据世界门径
在 2025 - 2026 学年第一学期的 Hadoop 核心技术课程学习中，我如同在大数据的浩瀚海洋里扬起了探索的风帆，收获诸多，也对大数据技术的应用与发展有了更深认知。
2025-12-08 15:50:10
477
原创 数据可视化
数据可视化：从基础到进阶的指南 摘要： 数据可视化是让数据直观呈现的关键工具。基础工具如Matplotlib适合绘制简单图表，Seaborn则能提升图表美观度；进阶工具Plotly支持交互式可视化，Tableau则提供专业商业智能分析。文章强调可视化"黄金法则"：明确目标选择合适图表、保持简洁避免信息过载、注重美观提升体验。掌握这些工具和原则，能有效挖掘数据价值，清晰讲述数据背后的故事。
2025-10-15 15:20:54
728
原创 # Python数据分析与可视化学习心得
Pandas 的数据结构（DataFrame、Series ）让我掌握了数据清洗的核心逻辑——从缺失值处理（`dropna`、`fillna` ）、重复值剔除（`drop_duplicates` ）到数据类型转换（`astype` ），每一步都关乎后续分析的准确性。Matplotlib 则是可视化的 “基石”，折线图、柱状图、散点图的绘制，让我学会用图形语言呈现数据趋势，但初期因参数繁多（如坐标轴设置、图例调整 ），图表总是差强人意，也让我意识到 “工具掌握” 不等于 “会用工具”。
2025-06-19 15:03:51
652
原创 我的学习方法
设计 IPO（Input-Process-Output）：输入是程序所需的数据，处理是程序的核心算法，输出是程序执行的结果。print(title.string)在这个例子中，程序发送了一个网络请求到指定的网址，然后使用 BeautifulSoup 库解析了返回的 HTML 页面，并提取出了网页的标题。print("最大值：", max_value)在这个例子中，程序使用 pandas 库读取了一个 CSV 数据文件，对数据进行了清洗（删除缺失值），然后计算了某一列数据的平均值和最大值，并打印出了结果。
2024-12-19 16:10:33
359
原创 我的学习心得
我们或许都有过这样的经历：上课时分心几秒钟出神，在回过神来便跟不上老师的节奏，导致整节课的内容无法理解透彻。在课堂上，我不仅努力听懂老师的讲解，还将老师的讲解与自己的思考相结合，做好笔记。考的好时，不能骄傲自满，要牢记“骄兵必败”的教训；让我们以坚定的信念和满腔的热情迎接学习中每一个挑战，只要我们保持积极地态度，就一定能取得优异的成绩。例如，每天利用等车，排队等零碎的时间背几个语法或单词等等，日积月累，便能掌握大量的知识。回顾这段学习历程，我感受颇深，不仅在知识上有所增长，更在方法和态度上有了新的领悟。
2024-12-19 15:19:59
395
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