<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[yourkind的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/yourkind</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; yourkind]]></copyright><item><title><![CDATA[graph objects 定制自己的图]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/163462297</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/163462297</guid><author>yourkind</author><pubDate>Tue, 04 Aug 2026 14:00:56 +0800</pubDate><description><![CDATA[本文是一份Plotly可视化进阶指南，主要面向已有plotly.express基础、需要精细定制图表的财务/商业分析师。内容分为四部分：1）详解graph_objects核心概念与创建方式；2）系统梳理属性体系，重点讲解Scatter轨迹的线条样式、标记点样式等常用配置；3）提供plotly.express生成图的精修方法；4）财务场景实战模板。手册通过大量示例图和代码演示如何控制图表细节，如线型、颜色、标记点形状、填充效果等，帮助用户实现从快速出图到专业定制的进阶。]]></description><category></category></item><item><title><![CDATA[懂点概念，和IT沟通更顺畅]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/163305558</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/163305558</guid><author>yourkind</author><pubDate>Thu, 30 Jul 2026 14:59:27 +0800</pubDate><description><![CDATA[这篇文章为非技术背景的财务分析师提供了一份系统化的AI与架构学习指南。全文分为两大部分： 系统架构部分：采用餐厅类比，详细解析数据产品的五层架构： 前端（顾客界面） API（服务员传话协议） 后端（厨房处理逻辑） 数据库（仓库存储） 外部数据源（食材市场） 并特别说明网络通信基础（DNS/TCP/HTTP）和前后端分离的核心概念。 AI前沿概念部分：重点培养技术判断力，涵盖： 大模型幻觉（hallucination） RAG（检索增强生成） Agent（智能体） Skill（技能模块） 等关键概念，帮助读者]]></description><category></category></item><item><title><![CDATA[《商业数据分析师MySQL结丹教程》]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/162069058</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/162069058</guid><author>yourkind</author><pubDate>Tue, 30 Jun 2026 11:22:37 +0800</pubDate><description><![CDATA[本文介绍了MySQL在商业数据分析中的应用，重点针对人力资源和财务数据仓库的三层架构（ODS/DWD/ADS）。第一章详细讲解了SQL逻辑执行顺序（FROM→WHERE→GROUP BY→HAVING→SELECT→ORDER BY→LIMIT）及其在ETL过程中的应用场景，包括基础查询、运算符使用、NULL值处理和分页优化。第二章强调数据类型选择对数据精度和性能的影响，特别指出数值类型在HR/财务系统中的重要性。全文结合具体业务场景示例，为数据分析师提供从SQL基础到数据仓库建模的实用指导。]]></description><category></category></item><item><title><![CDATA[财务 MySQL 筑基期修炼手册]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/161053204</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/161053204</guid><author>yourkind</author><pubDate>Wed, 13 May 2026 16:00:17 +0800</pubDate><description><![CDATA[MySQL 财务入门手册摘要 这本手册专为零基础财务人员设计，将数据库概念类比Excel表格，帮助读者快速掌握MySQL核心技能。手册采用"概念解释+财务场景示例+SQL代码注释+常见错误提醒"的教学模式，从基础查询到多表操作逐步深入。 核心内容包括： 数据库基础：用Excel类比理解表、行、列等概念 SQL四大基础操作：SELECT查询、WHERE条件过滤、ORDER BY排序、LIMIT分页 实用技巧：通配符模糊查询、函数计算、分组统计等 财务场景示例：凭证查询、科目统计、应收应付分析等 手册特点： 专]]></description><category></category></item><item><title><![CDATA[Python爬取电影数据作业1]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/153925770</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/153925770</guid><author>yourkind</author><pubDate>Sun, 26 Oct 2025 16:53:22 +0800</pubDate><description><![CDATA[文章摘要： 本文展示了两种Python网络爬虫实现方式：正则表达式和XPath。第一种方法通过requests获取网页，使用正则表达式提取电影详情页链接及数据（名称、评分），并保存为JSON文件。第二种方法改用XPath从HTML中提取电影名称、详情链接、评分、时长等信息。两种方式均实现了对&quot;https://ssr1.scrape.center&quot;网站的电影数据抓取，涉及多进程处理以提高效率。代码结构清晰，包含URL构造、响应处理、数据解析和存储等完整流程，适合作为网络爬虫学习案例。]]></description><category></category></item><item><title><![CDATA[plotly.express绘图学习成果4-平行坐标图、平行流向图、旭日图、树图]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/153577325</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/153577325</guid><author>yourkind</author><pubDate>Sun, 19 Oct 2025 16:40:34 +0800</pubDate><description><![CDATA[文章摘要：本文展示了使用Python的Pandas和Plotly库进行数据可视化分析的方法。通过parallel_coordinates图展示店铺销售计划金额分布，使用pivot_table处理数据并设置颜色映射。parallel_categories图适用于多层次关系数据，sunburst和treemap图则分别以环形和矩形树状结构展示&quot;古玩&quot;数据分布，包含器物、玩家、店铺和市场层级关系。所有图表均导出为HTML文件，提供了交互式数据探索功能。]]></description><category></category></item><item><title><![CDATA[plotly.express绘图学习成果3-箱图、小提琴图]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/153576839</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/153576839</guid><author>yourkind</author><pubDate>Sun, 19 Oct 2025 16:17:26 +0800</pubDate><description><![CDATA[本文展示了使用Python的Pandas和Plotly库进行数据可视化的代码示例。通过读取Excel文件并处理日期字段后，代码创建了三种图表：1)箱线图比较不同商店的交易金额分布；2)小提琴图展示商店金额分布并叠加箱线图；3)组合散点图附带边缘箱线图和小提琴图，仅筛选2019年2月前的数据。最后将所有图表保存为HTML文件。该代码演示了如何快速生成交互式可视化图表并进行多维度数据分析。]]></description><category></category></item><item><title><![CDATA[plotly.express学习成果2-散点、饼图]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/153576493</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/153576493</guid><author>yourkind</author><pubDate>Sun, 19 Oct 2025 16:10:17 +0800</pubDate><description><![CDATA[该代码使用Python的pandas和plotly.express库分析销售数据，生成三种可视化图表。首先读取Excel数据并按店铺和计划分组汇总金额，然后分别创建：1)散点图展示黄金计划的销售分布；2)矩阵散点图比较不同计划销售情况；3)饼图显示黄金计划的销售占比。最后将所有图表保存为HTML文件。整个过程实现了从数据预处理到交互式可视化的完整流程。]]></description><category></category></item><item><title><![CDATA[plotly.express绘图学习成果1-线图、面积图、直方图、极坐标图]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/153574117</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/153574117</guid><author>yourkind</author><pubDate>Sun, 19 Oct 2025 15:49:35 +0800</pubDate><description><![CDATA[本文展示了一个使用Python pandas和plotly.express进行销售数据可视化分析的完整流程。首先读取Excel数据并进行预处理，包括按月份和店铺汇总交易金额。然后使用plotly.express创建了多种可视化图表：折线图（按月显示各店铺销售额）、面积图（显示销售额趋势）、柱状图（分组和堆叠模式）、极坐标条形图（按店铺显示总销售额）和极坐标线图（按套餐类型和店铺显示销售额）。所有图表最终导出为HTML文件。示例数据包含2019年4月各店铺不同套餐类型的交易记录。]]></description><category></category></item><item><title><![CDATA[无风险和风险资产组合图像与函数]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/153037279</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/153037279</guid><author>yourkind</author><pubDate>Sat, 11 Oct 2025 10:53:44 +0800</pubDate><description><![CDATA[文章摘要：通过Python可视化分析无风险资产与风险资产组合的收益-风险关系。图1显示收益率与标准差呈线性相关，图2以方差为横轴呈现抛物线关系。模型设定无风险收益率3%，风险组合预期收益10%、标准差20%。权重w在-0.5到1.5范围内模拟做空和杠杆情况，验证了资本市场允许负权重（做空）和超1权重（加杠杆）的特性。两幅图表分别标记了无风险资产（红点）和风险组合（绿点）的关键位置，直观展示了不同风险度量下的收益分布特征。]]></description><category></category></item><item><title><![CDATA[pandas表连接和数据透视表]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/152804881</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/152804881</guid><author>yourkind</author><pubDate>Thu, 09 Oct 2025 16:27:19 +0800</pubDate><description><![CDATA[本文展示了使用Python进行金融数据处理和分析的过程。首先使用pandas读取CSV和Excel文件，统一日期格式并设置多级索引。然后通过join()和merge()方法整合不同数据源，包括公司财务数据和城市人均收入数据。接着演示了数据分组统计和数据透视表操作，使用groupby()计算员工人数平均值，用pivot_table()将人均收入数据从长格式转换为宽格式。最后利用plotly绘制柱状图可视化各城市平均人均收入情况。整个流程涵盖了数据清洗、合并、转换和可视化等典型数据分析步骤。]]></description><category></category></item><item><title><![CDATA[经济订货批量模型解析与可视化]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/152413672</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/152413672</guid><author>yourkind</author><pubDate>Thu, 02 Oct 2025 16:16:17 +0800</pubDate><description><![CDATA[本文通过Python实现经济订货批量(EOQ)模型分析。计算年需求量6000件、每次订货成本290元、单位存储成本3.293元时的最优订货量及成本。]]></description><category></category></item><item><title><![CDATA[本量利分析与绘图]]></title><link>https://blog.youkuaiyun.com/yourkind/article/details/152373121</link><guid>https://blog.youkuaiyun.com/yourkind/article/details/152373121</guid><author>yourkind</author><pubDate>Wed, 01 Oct 2025 17:39:55 +0800</pubDate><description><![CDATA[本量利分析与绘图]]></description><category></category></item></channel></rss>