Python数据分析课程复习
数据分析是一种将原始数据转换成有用信息的过程。它包括使用各种工具和技术来收集、处理、评估、解释和呈现数据。数据分析可以帮助企业或组织做出更好的决策，这些决策可能会影响到如何分配资源、开展业务和满足客户需求等方面。 以下是数据分析的几个应用领域：
- 商业决策：针对市场调研结果、经济指标、销售数据以及用户反馈等，为企业提供关键性战略建议，通过运用数据分析将关键业务、产品和服务领跑于同行。
- 销售和营销领域：结合市场研究数据，同时基于大量客户数据，进行目标客户群体划分，从而优化营销计划，提高市场竞争力。
- 海量数据处理与利用：运用数据挖掘和机器学习等领域技术，通过对超大规模、高维度的数据进行有效处理，进而分析数据信息并为公司决策提供落地执行计划。
- 人力资源管理：数据分析可用于统计员工离职率、工资状况、时间管理情况等关键指标，并为HR部门或公司提供制定更好的立体化管理策略及方案等。
基本工具
Python3.9，pycharm2023
基本数据结构
| 数据结构 | 是否可变 | 是否有序 | 定义的符号 | 访问方式 | | 列表 | 可变 | 有序 | [] | 索引 | | 元组 | 不可变 | 有序 | () | 索引 | | 字典 | 键不可变 | 有序 | {} | 键值 |
Python语法
- 注意缩进
- 单行注释：# 这是注释
- 多行注释：''' 这是注释 '''
- 循环：for、while
- 选择：if-else if-else、match-case
- 序列解包：使用元组接收函数返回的多个值
- 传参：关键字收集、可变参数收集、逆向参数收集
- 方法也是对象，可传递、可作为形参、返回值
第三方库
以下库使用于python的科学运算和数据分析
- Numpy：科学计算，特殊函数、积分、优化、信号处理和图像处理等高级函数
- pandas：数据读取
- SciPy：建立在Numpy之上，高级科学和工程，特殊函数、积分、优化、信号处理和图像处理等高级函数
- Scikit：数据挖掘和机器学习
- Matplotlib：绘制图形
数据分析流程
确定问题——数据收集——数据预处理——探索性数据分析——建模和分析——解析和评估分析结果——传播和应用
