數(shù)據(jù)分析心得體會(huì)

1、數(shù)據(jù)分析心得體會(huì)在數(shù)據(jù)分析這門(mén)課程當(dāng)中主要學(xué)習(xí)了 numpy 和 pandas 和數(shù)據(jù)挖掘的知識(shí)，學(xué)習(xí)過(guò)程很充實(shí)，也不是很難。首先學(xué)習(xí)了 Numpy, NumPy(Numerical Python) 是 Python 語(yǔ)言的一個(gè)擴(kuò)展程序庫(kù)，主要學(xué)習(xí)了 1、矩陣生成，2、矩陣切片，3、軸對(duì)換、相乘，4、條件填入（where） ，5、數(shù)據(jù)處理。NumPy 是一個(gè)運(yùn)行速度非?？斓臄?shù)學(xué)庫(kù)，主要用于數(shù)組計(jì)算。在 pandas 中有兩類(lèi)非常

2、重要的數(shù)據(jù)結(jié)構(gòu)，即序列 Series 和數(shù)據(jù) DataFrame。Series 類(lèi)似于 numpy 中的一維數(shù)組，除了通吃一維數(shù)組可用的函數(shù)或方法，而且其可通過(guò)索引標(biāo)簽的方式獲取數(shù)據(jù)，還具有索引的自動(dòng)對(duì)齊功能；DataFrame 類(lèi)似于 numpy中的二維數(shù)組，同樣可以通用 numpy 數(shù)組的函數(shù)和方法，而且還具有其他靈活應(yīng)用。之后學(xué)習(xí)了數(shù)據(jù)索引 index，包括了通過(guò)索引值或索引標(biāo)簽獲取數(shù)據(jù)以及自動(dòng)化對(duì)齊；此外，pandas 模塊為我

3、們提供了非常多的描述性統(tǒng)計(jì)分析的指標(biāo)函數(shù)，如總和、均值、最小值、最大值等，我們來(lái)具體看看這些函數(shù)；在 SQL 中常見(jiàn)的操作主要是增、刪、改、查幾個(gè)動(dòng)作，那么 pandas 能否實(shí)現(xiàn)對(duì)數(shù)據(jù)的這幾項(xiàng)操作呢？答案是 Of Course! 我們發(fā)現(xiàn)，不論是刪除行還是刪除列，都可以通過(guò) drop 方法實(shí)現(xiàn)，只需要設(shè)定好刪除的軸即可，即調(diào)整 drop 方法中的 axis 參數(shù)。默認(rèn)該參數(shù)為 0，表示刪除行觀測(cè)，如果需要?jiǎng)h除列變量，則需設(shè)置為 1。在

4、 Excel 中有一個(gè)非常強(qiáng)大的功能就是數(shù)據(jù)透視表，通過(guò)托拉拽的方式可以迅速的查看數(shù)據(jù)的聚合情況，這里的聚合可以是計(jì)數(shù)、求和、均值、標(biāo)準(zhǔn)差等。pandas 為我們提供了非常強(qiáng)大的函數(shù)pivot_table()，該函數(shù)就是實(shí)現(xiàn)數(shù)據(jù)透視表功能的。數(shù)據(jù)挖掘的技術(shù)與方法相關(guān)知識(shí)包括：數(shù)據(jù)挖掘的方法分為描述性與預(yù)測(cè)性?xún)煞N。其中描述性數(shù)據(jù)挖掘指的是分析具有多個(gè)屬性的數(shù)據(jù)集，找出潛在的模式和規(guī)律，沒(méi)有因變量。要采用的算法：聚類(lèi)、關(guān)聯(lián)分析、因子分析、主

5、成分分析等。預(yù)測(cè)性數(shù)據(jù)挖掘指的是用一個(gè)或多個(gè)自變量預(yù)測(cè)因變量的值。主要算法：決策樹(shù)、線性回歸 Logistic 回歸、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、判別分析。通過(guò)這幾天的學(xué)習(xí)我了解到數(shù)據(jù)分析的復(fù)雜性和難度，想要學(xué)好的它，還需要我花費(fèi)很長(zhǎng)時(shí)間。數(shù)據(jù)分析心得體會(huì)在數(shù)據(jù)分析這門(mén)課程當(dāng)中主要學(xué)習(xí)了 numpy 和 pandas 和數(shù)據(jù)挖掘的知識(shí)，學(xué)習(xí)過(guò)程很充實(shí)，也不是很難。首先學(xué)習(xí)了 Numpy, NumPy(Numerical Python) 是

6、 Python 語(yǔ)言的一個(gè)擴(kuò)展程序庫(kù)，主要學(xué)習(xí)了 1、矩陣生成，2、矩陣切片，3、軸對(duì)換、相乘，4、條件填入（where） ，5、數(shù)據(jù)處理。NumPy 是一個(gè)運(yùn)行速度非常快的數(shù)學(xué)庫(kù)，主要用于數(shù)組計(jì)算。在 pandas 中有兩類(lèi)非常重要的數(shù)據(jù)結(jié)構(gòu)，即序列 Series 和數(shù)據(jù) DataFrame。Series 類(lèi)似于 numpy 中的一維數(shù)組，除了通吃一維數(shù)組可用的函數(shù)或方法，而且其可通過(guò)索引標(biāo)簽的方式獲取數(shù)據(jù)，還具有索引的自動(dòng)對(duì)齊功

7、能；DataFrame 類(lèi)似于 numpy中的二維數(shù)組，同樣可以通用 numpy 數(shù)組的函數(shù)和方法，而且還具有其他靈活應(yīng)用。之后學(xué)習(xí)了數(shù)據(jù)索引 index，包括了通過(guò)索引值或索引標(biāo)簽獲取數(shù)據(jù)以及自動(dòng)化對(duì)齊；此外，pandas 模塊為我們提供了非常多的描述性統(tǒng)計(jì)分析的指標(biāo)函數(shù)，如總和、均值、最小值、最大值等，我們來(lái)具體看看這些函數(shù)；在 SQL 中常見(jiàn)的操作主要是增、刪、改、查幾個(gè)動(dòng)作，那么 pandas 能否實(shí)現(xiàn)對(duì)數(shù)據(jù)的這幾項(xiàng)操作呢？答案

8、是 Of Course! 我們發(fā)現(xiàn)，不論是刪除行還是刪除列，都可以通過(guò) drop 方法實(shí)現(xiàn)，只需要設(shè)定好刪除的軸即可，即調(diào)整 drop 方法中的 axis 參數(shù)。默認(rèn)該參數(shù)為 0，表示刪除行觀測(cè)，如果需要?jiǎng)h除列變量，則需設(shè)置為 1。在 Excel 中有一個(gè)非常強(qiáng)大的功能就是數(shù)據(jù)透視表，通過(guò)托拉拽的方式可以迅速的查看數(shù)據(jù)的聚合情況，這里的聚合可以是計(jì)數(shù)、求和、均值、標(biāo)準(zhǔn)差等。pandas 為我們提供了非常強(qiáng)大的函數(shù)pivot_table(

9、)，該函數(shù)就是實(shí)現(xiàn)數(shù)據(jù)透視表功能的。數(shù)據(jù)挖掘的技術(shù)與方法相關(guān)知識(shí)包括：數(shù)據(jù)挖掘的方法分為描述性與預(yù)測(cè)性?xún)煞N。其中描述性數(shù)據(jù)挖掘指的是分析具有多個(gè)屬性的數(shù)據(jù)集，找出潛在的模式和規(guī)律，沒(méi)有因變量。要采用的算法：聚類(lèi)、關(guān)聯(lián)分析、因子分析、主成分分析等。預(yù)測(cè)性數(shù)據(jù)挖掘指的是用一個(gè)或多個(gè)自變量預(yù)測(cè)因變量的值。主要算法：決策樹(shù)、線性回歸 Logistic 回歸、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、判別分析。通過(guò)這幾天的學(xué)習(xí)我了解到數(shù)據(jù)分析的復(fù)雜性和難度，想要學(xué)好