超全！推荐 70 个常用的数据分析网址

最新推荐文章于 2024-10-07 10:33:49 发布
最新推荐文章于 2024-10-07 10:33:49 发布
阅读量833 收藏 24
点赞数 22
文章标签： 数据分析 数据挖掘 python 开发语言 windows
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Java_Joker/article/details/135716122
版权

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

今天给大家分享的这篇文章，更像是一份数据分析常用网站字典

一共 70 个，包含：可视化、词频词云、PPT 模板等，面面俱到，值得收藏！

数据可视化工具

百度EChartshttp://echarts.baidu.com/
Cytoscapehttp://www.cytoscape.org/
图表秀http://www.tubiaoxiu.com/
数据观http://shujuguan.cn/
微博足迹可视化http://vis.pku.edu.cn/weibova/weibogeo_footprint/index.html
BDP个人版https://me.bdp.cn/home.html
魔镜http://www.moojnn.com/
图表秀https://www.tubiaoxiu.com
文图https://www.wentu.io
百度图说http://tushuo.baidu.com
infogr.amhttps://infogr.am/
Infographichttps://venngage.com
visuallyhttps://visual.ly
Piktocharthttps://piktochart.com
slideshttps://slides.com
声享https://ppt.baomitu.com
AntVhttps://antv.alipay.com/index.html

词频分析工具、词云

Rosthttp://www.cncrk.com/downinfo/54638.html
图悦http://www.picdata.cn/
语义分析系统http://ictclas.nlpir.org/nlpir/
Tagulhttps://tagul.com/
腾讯文智http://nlp.qq.com/semantic.cgi
Tagxedo词云http://www.tagxedo.com/

舆情分析工具

清博舆情系统http://yuqing.gsdata.cn/
云相http://www.weidata.cn/

PPT模板工具

我图网http://so.ooopic.com/
51PPT模板http://www.51pptmoban.com/ppt/
无忧PPThttp://www.51ppt.com.cn/
第1PPThttp://www.1ppt.com/
站长之家http://sc.chinaz.com/ppt/
设计师网址导航http://www.userinterface.com.cn/
HiPPTer -  汇总PPT设计的酷站&神器http://www.hippter.com
微软的官方网站——OFFICEPlus:http://www.officeplus.cn/
国货精品WPS公司下的稻壳儿http://www.docer.com/
演界网http://www.yanj.cn/

互联网趋势分析工具

微博指数http://data.weibo.com/index
百度指数http://index.baidu.com/
好搜指数http://index.so.com/#index
搜狗指数http://zhishu.sogou.com/
百度预测http://trends.baidu.com/

在线调查工具

腾讯问卷调查http://wj.qq.com/
麦客http://www.mikecrm.com/
ICTRhttp://cn2.ictr.cn/
问道网http://www.askform.cn/
问卷星http://www.sojump.com/
调查派http://www.diaochapai.com/
问卷网http://www.wenjuan.com/
SurveyMonkeyhttps://zh.surveymonkey.com/

网站分析监测工具

H5传播分析工具http://chuanbo.datastory.com.cn/
百度统计http://tongji.baidu.com/web/welcome/login
腾讯云分析http://mta.qq.com/
51.lahttp://www.51.la/

社交媒体监测工具

孔明社会化媒体管理http://www.kmsocial.cn/
企业微博管理中心http://e.weibo.com/
知乎用户深度分析http://www.kanzhihu.com/useranalysi

其他数据网站

数据分析网http://www.afenxi.com
媒体微博排行榜http://v6.bang.weibo.com/xmt
友盟http://www.umeng.com/
中国新闻地图http://vis.360.cn/open/cnnews/
中国票房榜http://www.cbooo.cn/
收视率排行http://www.tvtv.hk/archives/category/tv
农业大数据云平台http://www.dataagri.com/agriculture/gis.action
房价指数http://industry.fang.com/data/datacenter.aspx
中国统计局http://data.stats.gov.cn/
中国主要城市拥堵排名http://report.amap.com/traffic/
中国综合社会调查http://www.chinagss.org/
中国P2P网贷指数http://www.p2p001.com/wdzs/wdzs_p2pline.html
Alexahttp://www.alexa.com/
易车汽车指数http://index.bitauto.com/
旅游预测http://trends.baidu.com/tour/

*声明：本文转自python编程学习圈，版权归原作者所有，如来源信息有误或侵犯权益，请联系我们删除或授权事宜。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

END



以上就是“超全！推荐 70 个常用的数据分析网址”的全部内容，希望对你有所帮助。
​
​**关于Python技术储备**

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

**一、Python所有方向的学习路线**

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

![在这里插入图片描述](https://img-blog.csdnimg.cn/4fc8244a2ce84aa7b2055590d614e00f.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAUHl0aG9u546L6aWx6aWx,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center)

**二、Python必备开发工具**

![img](https://img-blog.csdnimg.cn/f22c25db2ad7410888ed8d243b19aecb.png)



**三、Python视频合集**

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

![img](https://img-blog.csdnimg.cn/img_convert/a5372451ed5bd21ea53c69aed75dc176.png)

**四、实战案例**

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

![img](https://img-blog.csdnimg.cn/img_convert/8b2d5abeb48067841785b84bdf1e87a0.png)

**五、Python练习题**

检查学习结果。

![img](https://img-blog.csdnimg.cn/img_convert/85eff90bbfa0dbf6385567a4e210b70a.png)

**六、面试资料**

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

![img](https://img-blog.csdnimg.cn/img_convert/3934c5902600982ce502e3557018e1fc.png)

 最后祝大家天天进步！！

**上面这份完整版的Python全套学习资料已经上传至CSDN官方，朋友如果需要可以直接微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。**
<img src="https://img-blog.csdnimg.cn/img_convert/98e059d28fcd33c94e299dabac892682.jpeg" style="margin: auto" />
Ai_绘画小南
关注
【Python数据分析与可视化】期末复习试题集
风口IT猪的成长录
12-03 2万+
1.Jupyter notebook不具备的功能是 （） Jupyter notebook可以直接生成一份交互式文档 Jupyter notebook可以安装Python库 Jupyter notebook可以导出HTML文件 Jupyter notebook可以将文件分享给他人 right_answers: Jupyter notebook可以将文件分享给他人 2.在Jupyter notebook的命令模式下，要查看所有快捷..
数据分析案例-顾客购物数据可视化分析
m0_64336780的博客
07-25 1万+
本数据集来源于kaggle，原始数据集共有99457条，10个特征变量，各变量含义解释如下：Invoice_no：发票编号。标称。字母“I”和唯一分配给每个操作的 6 位整数的组合。customer_id：客户编号。标称。字母“C”和唯一分配给每个操作的 6 位整数的组合。gender：客户性别的字符串变量。age：顾客年龄的正整数变量。category：所购买产品的类别的字符串变量。quantity：每笔交易的每种产品（商品）的数量。数字。price：单价。数字。
皮尔逊相关系数php,生信分析网站（相关性分析）
weixin_39599097的博客
03-24 1437
生信论文的套路ONCOMINE从全景、亚型两个维度做表达差异分析；临床标本从蛋白水平确认(或HPA数据库)，很重要；Kaplan-Meier Plotter从临床意义的角度阐明其重要性；cBio-portal数据库做基因组学的分析(机制一)；STRING互作和GO/KEGG分析探讨可能的信号通路(机制二)；TISIDB/TIMER分析肿瘤免疫特征(机制三)。在差异分析的前提下，表型分析成为重点内容...
给大家介绍几个数据分析，数据可视化的网站合集
互联网运营知识库
03-06 2545
给大家介绍几个数据分析，数据可视化的网站合集
数据分析方面比较好的几个网站
Babyfatliang的博客
02-21 5246
今天发现了几个数据分析方面比较好的网站，看了很多篇文章，觉得很不错，但是实际的方法论和理论点需要自己去理解并掌握成自己的东西，能够讲出来并且用起来。 内容不在多，在于精，对于好的文章，额外多花点时间钻研下。   1， 数据分析网：https://www.afenxi.com/              数据分析方法论的概括的东西多一些 2，蓝鲸的网站分析笔记： http://bluewha...
谷歌高级搜索高校学生数据_获取用于数据分析任务的数据集高级Google搜索
weixin_26729841的博客
10-13 828
谷歌高级搜索高校学生数据“Data! Data! Data!” he cried impatiently. “I cannot make bricks without clay.”“数据！ 数据！ 数据！” 他不耐烦地哭了。 “我不能没有粘土就制造砖头。”Sherlock Holmes in “The Adventure of the Copper Beeches,” Sir Arthur Con...
超全网址分享：常用的 70 个数据分析网址
Penglaixiaoke的博客
04-27 702
今天给大家分享的这篇文章，更像是一份数据分析常用网站字典，一共70个，可视化、词频词云、PPT模板等等面面俱到，值得收藏。 数据可视化工具 百度ECharts http://echarts.baidu.com/ Cytoscape http://www.cytoscape.org/ 图表秀 http://www.tubiaoxiu.com/ 数据观 ...
超详细！基于 Apriori 关联规则挖掘算法实现商品购物篮分析（数据+代码+5k字项目报告）
03-15
在数据分析领域，关联规则挖掘是一种常用的技术，用于发现数据集中不同项之间的有趣关系。Apriori 算法是关联规则挖掘的经典算法之一，尤其在零售业中的商品购物篮分析中应用广泛。本项目深入探讨了如何利用 Apriori...
Python开发实现的数据分析与处理分类.zip
06-21
fashionMNIST数据集是机器学习领域常用的一个小型图像识别数据集，由Zalando公司提供，包含10个类别共70,000张28x28像素的灰度图像，旨在替代经典的MNIST手写数字数据集，用于训练和测试机器学习和深度学习模型。...
66个史上最全的行业数据研报网站
liudada8265的博客
06-04 2万+
1、萝卜投研：https://robo.datayes.com提供最新的上市公司研报，券商研报，行业研报，使投资者更早的了解到上市公司基本面变化，方便个股投研和评级。2、聚研宝：juyanbao.com.cn这个网站有一个特色就是贴合A股盘面，来删选热门研究报告3、镝数聚：www.dydata.io提供全球各年份相关行业数据报告，可视数据，表格数据查询下载，致力于为中国各...
5种常用的相关分析方法
热门推荐
xiwan0902的博客
05-16 18万+
相关分析（Analysis of Correlation）是网站分析中经常使用的分析方法之一。通过对不同特征或数据间的关系进行分析，发现业务运营中的关键影响及驱动因素。并对业务的发展进行预测。本篇文章将介绍5种常用的分析方法。在开始介绍相关分析之前，需要特别说明的是相关关系不等于因果关系。 相关分析的方法很多，初级的方法可以快速发现数据之间的关系，如正相关，负相关或不相关。中级的方法
科研工具汇总
YTIANYE的博客
06-05 459
Endnote 介绍： 地址： Mendeley 介绍： 下载： Zotero
史上最全数据集网站汇总
LC落潮的博客
03-15 9万+
如果你是一个初学者，你每完成一个新项目后自身能力都会有极大的提高，如果你是一个有经验的数据科学专家，你已经知道这里所蕴含的价值。 本文将为您提供一个网站/资源列表，从中你可以使用数据来完成你自己的数据项目，甚至创造你自己的产品。 一.如何使用这些资源? 如何使用这些数据源是没有限制的，应用和使用只受到您的创造力和实际应用。使用它们最简单的方法是进行数据项目并在网站上发布它们。这不仅能提高你的数...
学习数据科学的本质--资源路径
Debug_Snail的专栏
03-09 917
如果用一个句子总结学习数据科学的本质，那就是：  学习数据科学的最佳方法就是应用数据科学。  如果你是一个初学者，你每完成一个新项目后自身能力都会有极大的提高，如果你是一个有经验的数据科学专家，你已经知道这里所蕴含的价值。  本文将为您提供一个网站/资源列表，从中你可以使用数据来完成你自己的数据项目，甚至创造你自己的产品。  一.如何使用这些资源? 如何使用这些数据源是没
最全的数据查询网站
爱上统计学
12-05 5万+
1、国家数据——主要用户：社会情况研究人员 国家统计局开设网站，公布我国各个领域的宏观经济情况，权威度高 2、中国裁判文书网——主要用户：法律从业/学习/爱好者 中国最高人民法院开设，权威可信，可用于查询国内裁判文书，可作数据统计来源 3、中国互联网数据平台——主要用户：互联网研究人员 经国家主管部门批准组建的管理和服务机构，经常发布一些有价值的互联网信息报告 4、中国信通院——主要用户：互...
数据哪里找？200个源数据网站全给你！
数据分析
03-22 1万+
作者：王术，发表于知乎来源：https://www.zhihu.com/question/22698541/answer/22367802；部分内容来自网络01 搜索引擎搜索引擎是我们信息资料搜集的最重要的渠道之一，用搜索引擎查找信息资料需要使用恰当的关键词和一些搜索技巧。目前国内主要的搜集引擎有如下10个，近期还有较多行业型搜索冒出来，需找专业型行业资料可以使用行业型搜...
数据处理常用网站
SH_UANG的专栏m(R2)0doJj3*
06-26 1070
http://archive.ics.uci.edu/ml/machine-learning-databases/adult/
毕设 大数据电影数据分析与可视化系统（源码+论文）
最新发布
HUXINY的博客
10-07 898
🔥这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的是🚩毕业设计 大数据电影数据分析与可视化系统（源码+论文）🥇学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：4分🧿 项目分享:见文末!项目包含内容完整详细设计论文🧿 项目分享:见文末!
用3000字使用一个泰坦尼克号数据集做一个建模分析
06-06
好的，我会用3000字来为您详细阐述如何使用泰坦尼克号数据集进行建模分析。 一、数据集介绍 泰坦尼克号数据集是一个经典的数据集，它记录了1912年泰坦尼克号沉船事故中的乘客信息，包括乘客的个人信息、船舱信息、票务信息和生存情况等。该数据集包含了891条记录和12个特征列，其中“Survived”列是目标列，表示乘客是否生还，取值为0和1。 二、数据预处理 在进行建模分析之前，我们需要对数据进行预处理，包括缺失值处理、特征变换和特征选择等。 1. 缺失值处理 首先，我们需要处理数据中的缺失值。在泰坦尼克号数据集中，缺失值主要分布在“Age”、“Cabin”和“Embarked”三列中。对于“Age”列，我们可以使用中位数来填充缺失值；对于“Cabin”列，由于缺失值太多，我们可以将其删除；对于“Embarked”列，由于只有两个缺失值，我们可以使用众数来填充。 2. 特征变换 接着，我们需要对类别型的特征进行变换，将其转换为数值型特征。在泰坦尼克号数据集中，类别型的特征主要包括“Sex”和“Embarked”两列。我们可以使用pandas库中的get_dummies()函数来进行One-Hot编码，将这两列转换为数值型特征。 3. 特征选择 最后，我们需要对特征进行选择，选择最优的特征子集，以提高模型的预测性能。在泰坦尼克号数据集中，不同特征的重要性不同，我们需要使用特征选择方法来选择最优的特征子集。在这里，我们可以使用sklearn库中的SelectKBest和chi2函数来选择最优的K个特征。 三、建模分析 在进行建模分析之前，我们需要将数据集分成训练集和测试集两部分。在泰坦尼克号数据集中，我们可以将数据集按照7:3的比例进行划分，其中70%的数据作为训练集，30%的数据作为测试集。 1. 决策树 决策树是一种基于树结构的分类算法，它可以根据特征的不同取值来进行分类。我们可以使用sklearn库中的DecisionTreeClassifier来构建决策树模型。在构建模型之前，我们需要确定决策树的最大深度和最小叶子节点数量等参数。在这里，我们可以使用网格搜索法来确定最优的参数组合。网格搜索法可以通过对不同参数组合的交叉验证来确定最优的参数组合。 代码如下： ```python from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import GridSearchCV # 构建决策树模型 dt = DecisionTreeClassifier() # 设置参数范围 param_grid = {'max_depth': [3, 4, 5, 6, 7, 8], 'min_samples_leaf': [2, 3, 4, 5, 6, 7, 8, 9, 10]} # 进行网格搜索 grid_search = GridSearchCV(dt, param_grid, cv=10) grid_search.fit(X_train, y_train) # 输出最优的参数组合 print(grid_search.best_params_) ``` 2. 随机森林 随机森林是一种基于决策树的集成学习算法，它可以通过对多个决策树的预测结果进行投票来进行分类。我们可以使用sklearn库中的RandomForestClassifier来构建随机森林模型。在构建模型之前，我们需要确定随机森林的决策树数量和最小叶子节点数量等参数。同样地，我们可以使用网格搜索法来确定最优的参数组合。 代码如下： ```python from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import GridSearchCV # 构建随机森林模型 rf = RandomForestClassifier() # 设置参数范围 param_grid = {'n_estimators': [100, 200, 300, 400, 500], 'min_samples_leaf': [2, 3, 4, 5, 6, 7, 8, 9, 10]} # 进行网格搜索 grid_search = GridSearchCV(rf, param_grid, cv=10) grid_search.fit(X_train, y_train) # 输出最优的参数组合 print(grid_search.best_params_) ``` 3. 支持向量机 支持向量机是一种基于最大间隔分类的算法，它可以通过找到最优的超平面来进行分类。我们可以使用sklearn库中的SVC来构建支持向量机模型。在构建模型之前，我们需要确定支持向量机的核函数和惩罚参数等参数。同样地，我们可以使用网格搜索法来确定最优的参数组合。 代码如下： ```python from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV # 构建支持向量机模型 svm = SVC() # 设置参数范围 param_grid = {'kernel': ['linear', 'poly', 'rbf', 'sigmoid'], 'C': [0.1, 1, 10, 100, 1000]} # 进行网格搜索 grid_search = GridSearchCV(svm, param_grid, cv=10) grid_search.fit(X_train, y_train) # 输出最优的参数组合 print(grid_search.best_params_) ``` 4. 神经网络 神经网络是一种基于人工神经元的模型，它可以通过多层神经元的组合来进行分类。我们可以使用Keras库中的Sequential和Dense函数来构建神经网络模型。在构建模型之前，我们需要确定神经网络的层数和节点数量等参数。同样地，我们可以使用网格搜索法来确定最优的参数组合。 代码如下： ```python from keras.models import Sequential from keras.layers import Dense from keras.wrappers.scikit_learn import KerasClassifier from sklearn.model_selection import GridSearchCV # 构建神经网络模型 def create_model(): model = Sequential() model.add(Dense(12, input_dim=8, activation='relu')) model.add(Dense(8, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) return model # 封装为sklearn的模型 model = KerasClassifier(build_fn=create_model, verbose=0) # 设置参数范围 param_grid = {'batch_size': [10, 20, 30, 40, 50], 'epochs': [10, 50, 100]} # 进行网格搜索 grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=10) grid_search.fit(X_train, y_train) # 输出最优的参数组合 print(grid_search.best_params_) ``` 四、模型评估 在确定了最优的模型和参数组合之后，我们需要对模型进行评估，以确定其预测性能。 1. 交叉验证 交叉验证是一种常用的模型评估方法，它可以通过将数据集分成多个子集来进行模型评估。在泰坦尼克号数据集中，我们可以使用sklearn库中的cross_val_score函数来进行交叉验证。在交叉验证中，我们通常使用10折交叉验证，即将数据集分成10个子集，每次用其中9个子集作为训练集，1个子集作为测试集，重复10次，最后对结果进行平均。 代码如下： ```python from sklearn.model_selection import cross_val_score # 使用最优的模型和参数组合进行交叉验证 model = RandomForestClassifier(n_estimators=500, min_samples_leaf=2) scores = cross_val_score(model, X_train, y_train, cv=10) # 输出交叉验证的准确率 print('Accuracy: %.2f%% (%.2f%%)' % (scores.mean()*100, scores.std()*100)) ``` 2. 模型比较 最后，我们需要比较不同模型的预测性能，以确定哪个模型的预测性能最优。在泰坦尼克号数据集中，我们可以使用准确率、精确率、召回率和F1值等指标来比较不同模型的预测性能。准确率表示分类正确的样本占总样本数的比例，精确率表示预测为正样本的样本中实际为正样本的比例，召回率表示实际为正样本的样本中预测为正样本的比例，F1值是精确率和召回率的调和平均数。 代码如下： ```python from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 使用最优的模型和参数组合进行预测 model = RandomForestClassifier(n_estimators=500, min_samples_leaf=2) model.fit(X_train, y_train) y_pred = model.predict(X_test) # 输出准确率、精确率、召回率和F1值等指标 print('Accuracy: %.2f%%' % (accuracy_score(y_test, y_pred)*100)) print('Precision: %.2f%%' % (precision_score(y_test, y_pred)*100)) print('Recall: %.2f%%' % (recall_score(y_test, y_pred)*100)) print('F1: %.2f%%' % (f1_score(y_test, y_pred)*100)) ``` 五、总结 在本文中，我们使用泰坦尼克号数据集进行建模分析，包括数据预处理、特征选择和建模分析等。我们使用了决策树、随机森林、支持向量机和神经网络等机器学习算法进行建模分析，并使用网格搜索法确定最优的参数组合。最后，我们对模型进行了评估，以确定不同模型的预测性能。建议读者在实际使用中，根据实际情况选择不同的模型和参数组合，并注意交叉验证和模型比较等方面。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值