Python实战项目——旅游数据分析（四）

已于 2023-08-29 11:02:05 修改
阅读量2.2k 收藏 20
点赞数 3
分类专栏： 数据解析之旅：发现信息的奥秘 文章标签： python 旅游 数据分析
于 2023-07-21 11:21:13 首次发布
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/m0_66106755/article/details/131847219
版权

由于有之前的项目，所以今天我们直接开始，不做需求分析，还不会需求分析的可以看我之前的文章。Python实战项目——用户消费行为数据分析（三）

导入库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']# 用来正常显示中文标签
from datetime import datetime

1.初识数据

df = pd.read_csv('kelu.csv')
df.info()
df.head()

在这里插入图片描述

  • 基本信息：门票价格101，数据来自16年~19年，8K+多数据量
df.describe()

在这里插入图片描述

  • 根据平均分92，和1/2分位得知，大多数用户评分在100，效果非常不错。
  • 16年~19年门票价格都是110

2.分析数据

a1.每天销量分析

df['time'] = pd.to_datetime(df['time'],format='%Y/%m/%d')
df.groupby('time')['rating'].count().plot(figsize=(12,4))

在这里插入图片描述

  • 整体来看每日销量呈现上升趋势，但是在18年5月份前后（2，3，4）出现一次较大的波动，销量急剧下滑，猜测：台风，疫情，运营推广不利
  • 16年9月~17年1月，销量非常低，每天平均2-3张门票，猜测：101观景台门票刚刚上线发售，观景台刚刚对游客进行开放

a2.每月销量分析

df['month'] = df['time'].values.astype('datetime64[M]')  #保留月份精度的日期
df.head()
df.groupby('month')['rating'].count().plot(figsize=(12,4))  #按照月份进度进行计数
plt.xlabel('月份')
plt.ylabel('销售数量')
plt.title('16~19年每月销量分析')

在这里插入图片描述
月份整体销量依然呈现上升趋势，但是在18年2，3，4月份月销量下滑明显。跟每天销量下降有关。猜测：台风，疫情，运营推广不利

a3.每个用户的购买量和消费金额分析

merge用法，相当于sql当中join：

df1 = pd.DataFrame({
    'name':['zhangsan','lisi'],
    'group':['A','B']
})
df2 =  pd.DataFrame({
    'name':['wangwu','lisi'],
    'score':[88,90],
    'group':['C','D']
})
pd.merge(left=df1,right=df2,on='name',how='inner',suffixes=['_1','_2'])

left：左表 right:右表 on：关联字段 how：inner（默认值，交集）|outer（并集）|left（只保留左侧）|right（只保留右侧）
#suffixes:如果两个表中有多个相同列，用suffixes给的值进行区分(默认值xy)
在这里插入图片描述

#按照游客分组，统计每个游客的购买次数
grouped_count_author = df.groupby('author')['frequency'].count().reset_index() 
#按照游客分组，统计每个游客的消费金额
grouped_sum_amount = df.groupby('author')['amount'].sum().reset_index()
user_purchase_retention = pd.merge(left=grouped_count_author,
                                  right=grouped_sum_amount,
                                  on='author',
                                  how='inner')
user_purchase_retention.tail(60)
user_purchase_retention.plot.scatter(x='frequency',y='amount',figsize=(12,4))
plt.title('用户的购买次数和消费金额关系图')
plt.xlabel('购物次数')
plt.ylabel('消费金额')

在这里插入图片描述
结论：斜率就是门票价格110，用户的消费金额和消费次数呈现线性关系

b1.用户购买门票数量分析

df.groupby('author')['frequency'].count().plot.hist(bins=50)  #影响柱子的宽度，宽度= （最大值-最小值）/bins
plt.xlim(1,17)
plt.xlabel('购买数量')
plt.ylabel('人数')
plt.title('用户购买门票数量直方图')

在这里插入图片描述

  • 绝大多数用户购买过1张门票，用户在7000人次左右
  • 少数人购买过2~4张门票，猜测：可能是台北周边用户

b2.用户购买门票2次及以上情况分析

df_frequency_2 = df.groupby('author').count().reset_index()
df_frequency_2.head()
df_frequency_2[df_frequency_2['frequency']>=2].groupby('author')['frequency'].sum().plot.hist(bins=50)
plt.xlabel('购买数量')
plt.ylabel('人数')
plt.title('购买门票在2次及以上的用户数量')

在这里插入图片描述
消费两次的用户在整体上占比较大，大于2次的用户占小部分，用户购买次数最多为8次

b3.查看购买2次及以上的具体人数

df_frequency_2[df_frequency_2['frequency']>=2].groupby('frequency')['author'].count()

在这里插入图片描述
出去购买一次的顾客，可以看出购买2次有402人，购买3次的99人，以此类推得知大多数据倾向于购买2~5

b4.购买次数在1~5次之间的用户占比分析

1.按照用户进行分组 2.取出购买次数 3.过滤出1~5次用户 4.绘制饼图


df_frequency_gte_1 = df.groupby('author')['frequency'].count().reset_index()
#过滤出<=5次的用户
values = list(df_frequency_gte_1[df_frequency_gte_1['frequency']<=5].groupby('frequency')['frequency'].count())
print(values)
plt.pie(values,labels=['购买1次','购买2次','购买3次','购买4次','购买5次'],autopct='%1.1f%%')
plt.title('购买次数在1~5次之间的人数占比')
plt.legend()

在这里插入图片描述
可以看出购买一次的占比83%，其次逐渐递减。并且递减比较明显，购买3.4.5的占比相近，人数都很少。

b5.购买次数在2~5次之间的用户占比分析

#过滤出>=2次并且<=5次的用户
df_frequency_gte_2 = df_frequency_2[df_frequency_2['frequency']>=2].reset_index()
values = list(df_frequency_gte_2[df_frequency_gte_2['frequency']<=5].groupby('frequency')['frequency'].count())
print(values)
plt.pie(values,labels=['购买2次','购买3次','购买4次','购买5次'],autopct='%1.1f%%')
plt.title('购买次数在2~5次之间的人数占比')
plt.legend()

在这里插入图片描述
在2~5次之间，购买2.3次用户占比最大，综合占据了80%

c1.复购率分析

复购率：在某一时间窗口内(多指一个月)内消费次数在两次及以上的用户在总消费用户的占比


df.head()
pivot_count = df.pivot_table(index='author',
                            columns='month',
                            values='frequency',
                            aggfunc='count').fillna(0)
pivot_count.head()
#三种情况：
#消费次数>1，为复购用户，用1表示
#消费次数=1，为非复购用户，用0表示
#消费次数=0, 未消费用户，用na表示
#applymap:df，处理每一个元素
#apply:df，处理每一行或者每一列数据
#map:Serise，处理每一个元素
pivot_count = pivot_count.applymap(lambda x: 1 if x>1 else np.NAN  if x==0 else 0)
# pivot_count[pivot_count['2016-09-01']==1]
(pivot_count.sum()/pivot_count.count()).plot()
plt.xlabel('时间(月)')
plt.ylabel('百分比(%)')
plt.title('16~19年每月用户复购率')

在这里插入图片描述
16年9月份复购率最高达到了7.5%，然后开始下降，趋于平稳在1.2%

c2.复购用户人数

pivot_count.sum().plot()
plt.xlabel('时间/月')
plt.ylabel('复购人数')
plt.title('16~19年每月的复购人数折线图'

在这里插入图片描述

  • 整体来看，复购人数长线上升趋势
  • 但是在18年2.3.4.10和19年2月份，复购人数下降较为明显，出现异常信号，需要和业务部门具体分析情况

c3.回购率分析

回购率：在某一个时间窗口内消费过的用户，在下一个时间窗口仍旧消费的占比。
举个例子：当前月消费用户人数1000人，其中200人在下一个月仍旧进行了消费，回购率200/1000=20%

pivot_purchase = df.pivot_table(index='author',
                columns='month',
               values='frequency',
               aggfunc='count'
              ).fillna(0)
pivot_purchase.head()
len(pivot_purchase.columns)

在这里插入图片描述

def purchase_return(data): #data:代表的是每一名游客的所有月份消费记录
    status = [] #存储每一个月回购状态
    for i in range(30):#遍历每一个月（最后一个月除外）
        ####本月消费
        if data[i] == 1:
            if data[i+1] ==1:#下个月有消费，是回购用户，1
                status.append(1)
            else:#na|未消费
                status.append(0) #非回购用户，0
        else: ####本月未消费
            status.append(np.NaN)
    status.append(np.NaN)
    return pd.Series(status,pivot_purchase.columns)
pivot_purchase_return = pivot_purchase.apply(purchase_return,axis=1)  #用户回购状态
(pivot_purchase_return.sum()/pivot_purchase_return.count()).plot()
plt.title('16年~19年每月的回购率')
plt.xlabel('月份')
plt.ylabel('回购率%')

在这里插入图片描述

  • 回购率最高在18年6月份，达到4%
  • 整体来看，回购率呈现微弱上升趋势
  • 出现了几次较大下滑，分别是17年6月份，18年1月份，18年8月份，19年1月份

c4.回购人数分析

pivot_purchase_return.sum().plot()
plt.title('16年~19年每月的回购人数')
plt.xlabel('月份')
plt.ylabel('回购人数')
print(pivot_purchase_return.sum())

在这里插入图片描述

  • 整体呈现上升趋势，回购人数最多时在18年11月份，人数未17人
  • 其中有几次回购人数下降较为明显，主要在分别是17年6月份，18年1月份，18年8月份，19年1月份

c5.每个月分层用户占比情况

活跃用户|不活跃用户|回流用户|新用户


def active_status(data): #data：每一行数据（共31列）
    status = [] #存储用户31个月的状态（new|active|unactive|return|unreg）
    for i in range(31):
        #判断本月没有消费==0
        if data[i] ==0:
            if len(status)==0: #前几个月没有任何记录（也就是97年1月==0）
                status.append('unreg')  
            else:#之前的月份有记录（判断上一个月状态）
                if status[i-1] =='unreg':#一直没有消费过
                    status.append('unreg')
                else:#上个月的状态可能是：new|active|unative|reuturn
                    status.append('unactive')
        else:#本月有消费==1
            if len(status)==0:
                status.append('new') #第一次消费
            else:#之前的月份有记录（判断上一个月状态）
                if status[i-1]=='unactive':
                    status.append('return') #前几个月不活跃，现在又回来消费了，回流用户
                elif  status[i-1]=='unreg':
                    status.append('new') #第一次消费
                else:#new|active
                    status.append('active') #活跃用户
            
    return pd.Series(status,pivot_purchase.columns) #值：status,列名：18个月份
pivot_purchase_status  =pivot_purchase.apply(active_status,axis=1)
pivot_status_count =pivot_purchase_status.replace('unreg',np.NaN).apply(pd.value_counts)
pivot_status_count.T.plot.area()

在这里插入图片描述

  • 可以看出，红色（不活跃用户）占据网站用户的主体
  • 橙色（新用户）从17年的1月~19年1月，呈现上升趋势；但是在18年4月份左右，新用户的量突然急剧下降，异常信号；
  • 以后，新用户又开始逐渐上涨，回复稳定状态
  • 绿色（回流用户），一直维持稳定稳定状态，但是在18年2~4月份,出现异常下降情况，异常信号；

c6.每月不同用户的占比

return_rate = pivot_status_count.apply(lambda x:x/x.sum())
return_rate.T.plot()

在这里插入图片描述

  • 在17年1月份过后，网站用户主体由不活跃用户组成，新用户占比开始逐渐下降，并且趋于稳定，稳定在10%左右
  • 活跃用户和会用户，一直很稳定，并且占比较小
  • 16年9月前后，新用户和不活跃用户，发生较大的变化，猜测：活动或者节假日造成…

c7.每月活跃用户的占比

return_rate.T['active'].plot(figsize=(12,6))
plt.xlabel('时间(月)')
plt.ylabel('百分比')
plt.title('每月活跃用户的占比分析')

在这里插入图片描述

  • 在17年1月份活跃用户占比较高，在0.5%，但是在1-2月份，急剧下降，猜测：春节的影响，或者温度
  • 结合历年1~2月份销量来看，都会出现一定比例的下降，再次验证我们的猜测：春节的影响
  • 在18年2月和5月出现异常，门票销量下降，猜测：雨水或者台风影响

c8.每月回流用户占比

return_rate.T['return'].plot(figsize=(12,6))
plt.xlabel('时间(月)')
plt.ylabel('百分比')
plt.title('每月回流用户的占比分析')

在这里插入图片描述

  • 整体来看，回流用户比例上升趋势，但是波动较大
  • 在17年1月和6月，18年4月，19年2月，回流用户比例都出现了较大幅度下降，表现为异常信号
  • 不论是回流用户还是活跃用户，在以上几个月份中都表现出下降趋势。
np.mean(return_rate.T['return'])  #回流用户平均值在0.73%左右
  • 在17年9月份以后，仅有两个异常点在平均值以下
  • 在17年9月份以前，所有数据都显示出回流用户比例低于平均值，猜测：景点开放不久，很多游客尚未发现本景点；本景点在该平台上线不久

d1.用户的生命周期

#计算方式：每一个用户最后一个购买商品的时间——用户第一次购买商品的时间，转换成天数，即为生命周期

time_min = df.groupby('author')['time'].min()
time_max = df.groupby('author')['time'].max()
life_time = (time_max-time_min).reset_index()
life_time.describe()

在这里插入图片描述

  • 通过原样本8757条和count=7722得知，存在一个用户多次消费的情况
  • 平均生命周期天数23天，通过25% 50% 75%分位数得知，绝大多用户生命周期为0天
  • 最大生命周期为864天

d2.用户生命周期直方图

#讲日期类型转成数值类型
life_time['life_time'] = life_time['time']/np.timedelta64(1,'D')
life_time['life_time'].plot.hist(bins = 100,figsize=(12,6))
plt.xlabel('天数')
plt.ylabel('人数')
plt.title('所有用户的生命周期直方图')
print(life_time[life_time['life_time']==0])

在这里插入图片描述

  • 生命周期为0的用户（仅仅在一天内有过消费，之后再没消费过），存在7130个用户
  • 由于总用户数为7722，其余592人属于优质的忠诚客户

d3.生命周期大于0天的用户，直方图

life_time[life_time['life_time']>0]['life_time'].plot.hist(bins = 100,figsize=(12,6))
plt.xlabel('天数')
plt.ylabel('人数')
plt.title('生命周期在0天以上的用户分布直方图')
life_time[life_time['life_time']>0]['life_time'].mean()

在这里插入图片描述

  • 去掉生命周期为0的用户，可知
  • 用户平均生命周期为300天,生命周期在100天的用户量达到了最大值17人
  • 生命周期在100~350天来看，用户量呈现缓慢下降的趋势
  • 350~800天左右来看，用户量下降速度明显，存在一定用户流失，而忠诚用户越来越少

d4.各时间段的用户留存率

#pd.cut()函数
np.random.seed(666)  #保证每次运行程序产生的随机数都是相同的。
score_list = np.random.randint(25,100,size=3)
print(score_list)
bins = [0,59,70,80,100]   #指定多个区间
score_cut = pd.cut(score_list,bins)
score_cut

在这里插入图片描述

  • 留存率：1-90天有多少留存用户。求出用户的留存天数，比如留存天数==89，属于190天内的留存用户
  • 留存天数计算方式：用户每一次的消费时间分别减去用户第一次消费时间
  • left:左表，right：右表，how:连接方式，on：连接字段，suffixes：针对相同列名，指定不同的后缀
user_purchase_retention = pd.merge(left=df,right=time_min.reset_index(),how='inner',on='author',suffixes=('','_min'))

#计算留存天数
user_purchase_retention['time_diff'] = user_purchase_retention['time']-user_purchase_retention['time_min']
#将time_diff转成数值
user_purchase_retention['time_diff'] = user_purchase_retention['time_diff'].apply(lambda x:x/np.timedelta64(1,'D'))

#生成时间跨度(3个月，即90天)，判断属于哪个区间
bin = [i*90 for i in range(11)]
user_purchase_retention['time_diff_bin'] = pd.cut(user_purchase_retention['time_diff'],bin)

#统计每个游客，在不同的时间段内的消费频率和值（便于稍后判断该用户在某个区间内是不是留存用户）
pivot_retention =  user_purchase_retention.groupby(['author','time_diff_bin'])['frequency'].sum().unstack()

#判断是否是留存用户（1：留存，0：未留存）
pivot_retention_trans = pivot_retention.fillna(0).applymap(lambda x:1 if x>0 else 0)
#留存率
print(pivot_retention_trans.sum()/pivot_retention_trans.count())
(pivot_retention_trans.sum()/pivot_retention_trans.count()).plot.bar()
plt.xlabel('时间跨度(天)')
plt.ylabel('留存率')
plt.title('各时间段内的用户留存率')

在这里插入图片描述

  • 如图，每个周期是3个月，第一个周期的留存率在2.2%，前三个周期的递减速度在0.3%左右。
  • 在第四五个周期的时候趋于平稳，稳定在留存率1.5%左右
  • 从第五个周期开始，留存率明显下降，下降到几乎0%，在第四五周期（1年）的时候，需要采取方法将用户留住进行再次消费。
  • 如果在跨度为1年的时候，不召回用户，则就会面临大量用户流失的风险。
老虎也淘气
关注
  • 3
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
全国旅游景点数据集（数据项全面）
05-13
从去哪儿网爬取的三千多条数据，无重复，每条都是有效数据，包含景点所在地名、景点名、评论人数、攻略数量、排名、星级（按百分比）、经纬度、简介
pandas+pyecharts 数据可视化分析(数据可视化完整分析流程)使用数据集为 云南旅游数据集
qq_41562735的博客
12-07 8458
在本文中使用pandas加pyecharts对云南旅游数据进行简单的数据可视化分析： 参考资料：pyecharts、pandans手册 #导入pandas相关的库并查看数据集情况 import pandas as pd #from pyecharts import Bar, Line, Scatter, EffectScatter, Grid,Pie,WordCloud,Page,Style,Fu...
基于python的毕业设计选题热门旅游景点数据分析系统的设计与实现爬虫_可视化[源码+文档+答疑+包运行
最新发布
itszkt的博客
03-10 880
🍅选题推荐——以防找不到我们，点击上方订阅专栏-----------------重点该项目含有源码、文档、PPT、配套开发软件、软件安装教程、项目发布教程、包运行成功以及课程答疑与微信售后交流群、送查重系统不限次数免费查重等福利！开发语言：python使用框架：Django前端技术：JavaScript、VUE.js（2.X）、css3开发工具：pycharm、Visual Studio Code、HbuildX数据库：MySQL 5.7.26（版本号）
文化旅游数据合集，多个数据分享~有图有数据
xcitybox的博客
12-22 559
本周我们将分享一类数据分析常用的数据类型——文化旅游，这里将我们目前所上线的文化旅游类相关数据进行汇总，后续也会持续更新~
基于python的智能旅游推荐系统--lw.zip
07-24
这个基于Python语言开发的项目是一个使用MySQL作为数据存储的应用程序，使用Django作为开发框架。其主要目标是提供一个功能强大且易于使用的语音开发解决方案。 该项目具有以下几个突出的优点： Python语言的优势：Python是一种简单易学、可读性强的编程语言，被广泛应用于各个领域。该项目使用Python作为主要开发语言，借助Python的丰富库和生态系统，开发者可以快速构建出高质量的应用。Python的简洁和可读性也使得项目的代码易于维护和理解。 Django框架的强大功能：Django是一种流行的Python Web框架，提供了丰富的功能和组件，使得开发人员可以高效地构建复杂的Web应用程序。Django具有强大的ORM支持，可以轻松地与MySQL进行交互，简化了数据库操作的流程。同时，Django还提供了丰富的用户认证、URL路由、缓存机制等功能，帮助开发人员快速搭建稳定、安全、高效的应用。 MySQL数据存储：MySQL是一种成熟的关系型数据库管理系统，广泛应用于各个领域。通过使用MySQL作为数据存储引擎，该项目能够提供高度可靠的数据存储解决方案。MySQL提供了强大的数据管理功能，包括事务支持、索引优化、备份恢复等，确保数据的安全性和完整性。同时，MySQL也具有良好的扩展性，可以应对不断增长的数据和用户量。 语音开发的便利性：该项目专注于语音开发，为开发人员提供了丰富的语音处理和识别功能。通过借助Python的语音处理库和Django的强大功能，开发人员可以方便地构建语音识别、语音合成、语音转写等应用，满足用户对语音交互的需求。这使得该项目在语音领域具有独特的优势。 综上所述，这个基于Python语言开发的项目使用MySQL作为数据存储，借助Django框架提供了丰富的功能和组件，以满足语音开发的需求。它具有Python语言的优势、Django框架的强大功能、MySQL数据存储的可靠性和语音开发的便利性等优点。该项目为用户提供了一个高效、稳定和易于使用的语音开发解决方案，适用于各种语音应用场景。
Python项目-python爬虫并实现NBA球员的数据分析-微型项目.zip
03-05
适合学习/练手、毕业设计、课程设计、期末/期中/大作业、工程实训、相关项目/竞赛学习等。 项目具有较高的学习借鉴价值，也可直接拿来修改复现。可以在这些基础上学习借鉴进行修改和扩展，实现其它功能。 可放心下载学习借鉴，你会有所收获。 可放心下载学习借鉴，你会有所收获。 可放心下载学习借鉴，你会有所收获。 —— 博主领域：嵌入式领域&人工智能&软件开发。 有任何使用问题欢迎随时与博主沟通(公主呺：阿齐Archie)。 # 注意 1. 本资源仅用于开源学习和技术交流。不可商用等，一切后果由使用者承担。 2. 部分字体以及插图等来自网络，若是侵权请联系删除。
全国旅游景区数据集（含json、excel格式文件）（2022-06-03）
05-30
数据记录总数12000左右，包括1A至5A等级景点。 数据结构： —景点名称 所在城市 景点地址 景点等级 经度 纬度 提示：下载前，请先通过小程序查看数据是否满足您的要求！ 微信小程序名称：坐着火车去旅行
项目分享：基于python的旅游数据分析系统
AXXXCG的博客
07-27 702
2、设计数据可视化方式：根据数据分析结果来设计数据可视化方式，可以使用Python中的可视化库（如Matplotlib、Seaborn等）来进行数据可视化。3、数据清洗和转换：获取到的数据可能存在格式不一致、数据质量不高等问题，需要进行数据清洗、处理和转换，使其符合系统的数据分析需求。3、实现数据分析和可视化功能：根据需求来实现各种分析和可视化功能，如数据统计、数据挖掘、数据可视化等。3、开发系统功能：根据需求和功能来开发系统功能，包括数据采集、数据处理、数据分析和可视化等。
关于旅游网站用户行为数据集的探索
xm-love-mq的博客
01-20 1116
本项目主要从用户购买行为分析、聚类分析、随机森林三个角度来探究用户情况，并且得出了影响用户购票的主要因素，以下是本项目得到的一些结论：1.用户年龄状态为0时，购买率最高，而0可能代表的是年轻人，处于1、2年龄状态的购买率最低，可能这一类人处于中年状态；有无工作的用户购买率是一样的，这与后面的分析一致，网站中未工作的用户更多；家庭人数位于较低人数的时候，购买率比较高，但是随着人数到达5时，购买率出现了明显下降。
去哪儿热门游记数据分析
qq_45877809的博客
11-22 2696
游记数据爬虫
计算机毕业设计/课程设计系列基于Python的旅游信息管理系统
zhongtailian的博客
07-24 258
本课程演示的是一款基于Python的旅游信息管理系统，主要针对计算机相关专业的正在做毕设的学生与需要项目实战练习的 Python学习者。 1. 包含：项目源码、项目文档、数据库脚本、软件工具等所有资料 2. 带你从零开始部署运行本套系统 3. 该项目附带的源码资料可作为毕设使用 该Python的旅游信息管理系统基于B/S架构，后端采用Flask框架，前端采用Bootstrap等技术，并结合MySQL数据库。该系统分为系统管理员、前台会员用户两种角色：
python 爬虫项目 爬取猫眼评论数据，并做可视化分析.zip
03-05
适合学习/练手、毕业设计、课程设计、期末/期中/大作业、工程实训、相关项目/竞赛学习等。 项目具有较高的学习借鉴价值，也可直接拿来修改复现。可以在这些基础上学习借鉴进行修改和扩展，实现其它功能。 可放心下载学习借鉴，你会有所收获。 可放心下载学习借鉴，你会有所收获。 可放心下载学习借鉴，你会有所收获。 —— 博主领域：嵌入式领域&人工智能&软件开发。 有任何使用问题欢迎随时与博主沟通(公主呺：阿齐Archie)。 # 注意 1. 本资源仅用于开源学习和技术交流。不可商用等，一切后果由使用者承担。 2. 部分字体以及插图等来自网络，若是侵权请联系删除。
旅游景点数据分析实战旅游景点数据分析实战
06-27
旅游景点数据分析实战
旅游消费数据集——包含用户id，用户评分、产品类别、产品名称等指标，可以作为推荐系统的数据集案例
05-11
旅游消费数据集——包含用户id，用户评分、产品类别、产品名称等指标，可以作为推荐系统的数据集案例
Python项目开发实战_自动化读取Excel数据文件并用可视化分析_编程案例实例课程教程.pdf
05-02
Python 的另一大优势就是自动化处理。它可以使你在处理较为复杂的工作时，节省大量的时间。编写 Python 程序，读取第 11 章所爬取的 Excel 数据文件，并将其按以下要求显示为图，以方便分析。 （1）将全部数据显示为股市大盘走势图。 （2）以直方图显示每天的收盘价。 （3）以折线图显示每天的收盘价与开盘价。 本案例需要使用两个第三方库——Pandas 与 Matplotlib。这两个库都是数据自动化处理中最常用的库。其中，Pandas 专门用于数据的读取、分列、检索等各种复杂操作；Matplotlib 则是用于数据可视化的相关操作。
Python项目-Python数据分析实战项目.zip
03-05
适合学习/练手、毕业设计、课程设计、期末/期中/大作业、工程实训、相关项目/竞赛学习等。 项目具有较高的学习借鉴价值，也可直接拿来修改复现。可以在这些基础上学习借鉴进行修改和扩展，实现其它功能。 可放心...
python数据分析岗位分析.rar
01-12
用python分析国内数据分析师岗位的需求
爬虫+数据分析实战项目（基于python）.zip
03-05
适合学习/练手、毕业设计、课程设计、期末/期中/大作业、工程实训、相关项目/竞赛学习等。 项目具有较高的学习借鉴价值，也可直接拿来修改复现。可以在这些基础上学习借鉴进行修改和扩展，实现其它功能。 可放心...
Python爬虫数据可视化分析大作业.zip
05-29
Python爬虫数据可视化分析大作业，python实战项目：自动化爬虫+数据分析+可视化+UI
Python数据可视化实战期末课程设计——各科目考试成绩可视化项目分析思路
06-09
好的，针对你的问题，我可以提供以下的分析思路： 1. 数据收集：首先需要收集各科目的考试成绩数据，可以从学校或者教育部门获取，也可以通过爬虫技术从网站上获取。 2. 数据清洗和处理：收集到的数据可能存在一些错误或者缺失值，需要进行数据清洗和处理，确保数据的准确性和完整性。 3. 数据可视化：采用Python数据可视化库，如Matplotlib、Seaborn、Plotly等对数据进行可视化分析，可以生成柱状图、折线图、散点图、热力图等，直观地展示各科目成绩的分布情况。 4. 数据分析：通过对数据的可视化分析，可以了解各科目成绩的整体分布情况、高分和低分学生的比例、不同班级或者不同学年成绩的对比等，从而对学生的学习情况进行全面的分析和评估。 5. 结果呈现：根据分析结果，可以生成报告或者PPT进行展示，帮助老师和管理者更好地了解学生的学习情况，以制定针对性的教学和管理方案，从而提高学生的学习效果和成绩。 以上就是Python数据可视化实战期末课程设计——各科目考试成绩可视化项目的分析思路，希望对你有所帮助。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

打赏作者

老虎也淘气

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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