数据分析

最近几年，基本已经不做应用系统的开发了，主要做一些数据分析和机器学习相关的应用（业务复杂度不高），因此，对于以前熟悉的各种软件模式也逐渐生疏。 今天，偶尔又翻到保罗·格雷厄姆（Paul Graham）

提到 “数据分析”，你的脑海里浮现的是什么？是密密麻麻的Excel表格，是复杂的Python代码，还是令人眼花缭乱的仪表盘？ 很多想踏入这个行业的新人，往往一上来就陷入了工具的学习中。 但实际上，工具

在日常工作中，你是否遇到过这种情况：你辛辛苦苦跑完数据，画了一张图表发给老板或客户，结果对方盯着看了半天，问了一句：“所以，你想表达什么？” 这就像讲笑话没人笑一样尴尬。图表的本质不是 “画图”，而是

很多刚入行的小伙伴问我：“我想预测下个月公司的销售额，或者预测一下明天的股价，该学什么？” 我的回答通常只有六个字：时间序列分析。 如果在数据分析的世界里有一种魔法能让你“预知未来”，那一定就是它。

在数据分析的江湖里，有一个绝对的核心技能，叫做回归分析（Regression Analysis）。 无论你是刚入行的新手，还是想要进阶的老手，掌握它，你就拥有了预测未来的“水晶球”。 很多初学者一听到

在数据分析的江湖里，我们经常会听到老板或业务方抛出这样的问题： “现在的年轻人越晚睡，买护肤品是不是越疯狂？” “我们APP的各种优惠券，真的能提升用户的留存率吗？” “天气越热，这只股票是不是跌得越

你是否经历过这样的场景： 同事发给你一个 Excel 表格，文件名叫 data_final_v2.xlsx。 你满怀期待地打开，结果发现： 表头是 cryptic 的英文缩写（如 c_amt, usr

在数据分析的世界里， “距离” 不仅仅是地图上两点之间的路程。 距离 ，本质上是衡量两个事物 “相似度” 的尺子。 距离越近 = 相似度越高 距离越远 = 差异越大 如果你想做用户画像聚类、想做商品推

你是否对数据分析这个行业充满好奇，但又不知从何下手？ 别担心，这篇文章将用最通俗易懂的语言，系统地介绍数据分析师需要具备哪些“基本功”， 并且结合实际生活中的例子和Python代码，为你铺平通往数据分

对于想要学习数据分析的同学，如果你问我："数据分析的第一步是什么？" 我的回答是："理解数据本身。" 数据是我们所有分析工作的起点，本文主要探讨如何辨别我们面对的是什么样的数据，包括它的分类方法和描述

当你踏入数据分析的大门时，可能会被海量的数据淹没，感到无从下手。 想象一下，你想了解一座巨大森林里所有树木的平均高度，难道要一棵一棵地去测量吗？这显然不现实。 这时，“抽样” 这个强大的工具就该登场了

数据分析时，我们经常需要从样本数据推断总体特征。 而抽样分布就是连接样本与总体的重要桥梁，如果你不理解它，就无法理解为什么我们可以通过调查几千人来预测全国的选举结果，也无法理解A/B测试背后的逻辑。

很多刚入行甚至想入行数据分析的朋友，往往会陷入一个误区：以为数据分析就是不停地做报表、画饼图。 其实，数据分析的核心魅力在于 “推断”——即见微知著。 在现实生活中，我们很难获取“全量数据”（比如你不