FIT5147 数据探索和可视化 学习笔记

最新推荐文章于 2024-05-11 16:42:37 发布
最新推荐文章于 2024-05-11 16:42:37 发布
阅读量825 收藏 3
点赞数 1
分类专栏： 学习笔记
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/qq_37305181/article/details/104752143
版权
这篇博客是关于FIT5147课程的数据探索和可视化学习笔记，重点介绍了如何使用Tableau Public进行数据导入、视图创建、数据类型调整、工作表制作、地图制作及融合表格操作。通过实例详细讲解了如何创建水平条形图、 choropleth地图，以及数据过滤和地图样式调整等技巧。
摘要由CSDN通过智能技术生成

Week 1

课前预习

  1. 利用Tableau Public探索数据并将数据可视化
    1.1. Worksheets and Dashboards
    第一步：准备数据
    下载Tableau Public 链接
    下载待处理数据 Cultural-Exchange-International-Program-LA-Dept-of-Cultural-Affairs.xlsx
    该数据是 “row-oriented tables” 格式， 一行代表一个 entity， 一列代表 entity 的某一个属性。这种格式为数据分析提供了方便，但如果你的数据不是这种格式的话，请先进行 data wrangling。
    第二步：将数据导入Tableau
    打开 Tableau Public，导入数据的方法有两种：

    • 左上角点击 “Excel”，按文件路径加载
    • 直接将文件拖拽到 Tableau 的窗口中

    第三步：视图

最低0.47元/天 解锁文章
DaddyDavidZhang
关注
专栏目录
碳排放预测模型 | Python实现基于机器学习的碳排放预测模型——数据清理和可视化
算法如诗的博客
07-01 1556
碳排放预测模型 | Python实现基于机器学习的碳排放预测模型——数据清理和可视化
【Python数据分析与可视化】期末复习笔记整理（不挂科）
风口IT猪的成长录
12-13 7037
【Python数据分析与可视化】期末复习笔记3. NumPy数值计算基础忘了的函数ndarray 对象属性和数据转换4. Pandas统计分析 3. NumPy数值计算基础 忘了的函数 linspace(start, end, count)：创建等差数列 logspace(start, end, count)：创建等比数列 diag：创建对角矩阵，即对角线元素为0或指定值，其他元素为0 eye：创建一个对角线位置为1，其他位置全为0的矩阵 sort：axis=1，沿横轴排序，axis=0，沿着纵轴排序.
数据探索与可视化（R的DataExplorer包）
weixin_43850016的博客
02-27 1869
这篇文章将介绍在完整数据挖掘过程中的三次可视化里提到的第一次可视化，没有人会在拿到数据的时候就马上去建模，最起码，我们得知道拿到的数据是什么样子，【数据探索】其实就是在给源数据“画初印像”。 数据探索性分析主要包括以下内容： 维度：行列数、变量名称 取值：缺失值、异常值 属性：数值or字符，离散or连续 分布：偏度、是否正态、统计量 以一份订单明细为例，在R里进行数据探索分析。 librar...
数据探索与可视化
最新发布
2202_75530902的博客
05-11 1016
在前面我们说到，所谓机器学习，就是用已知的数据通过算法去预测未来未知的数据。从结果中我们可以看到，SeaSurFaceTemp有3个缺失值，AirTemp有81个缺失值，Humidity有93个缺失值。、直方图、正态图等等，这些都是将单纯的数据以图像的形式呈现，从而可以起到更清晰有效地传达、沟通并辅助数据分析的作用。虽然我们已经知道了数据集中每列缺失值的数量，但是我们还不知道它们具体的分布情况（缺失值在哪一行）。于是，我们可以使用mano.matrix()可视化出缺失值在数据中的分布情况。
Python机器学习：数据探索与可视化（一）
weixin_62917800的博客
01-18 3626
第二次机器学习笔记打卡~缺失值处理、数据描述与异常值发现
探索数据——数据可视化
m0_65532100的博客
04-05 276
位置度量：均值和中位数 对于连续数据，最广泛使用的是均值和中位数，他们是值集位置的度量。 为了克服传统均值定义的问题，又是使用截断均值的概念。指定0和100之间的百分位数p，丢弃高端和低端（p/2）%的数据，然后用常规方法计算均值，所得的结果即是截断均值，而标准均值是对应于p=0%的截断均值。 散布度量：极差和方差 绝对平均偏差（AAD）、中位数绝对偏差（MAD）、四分位数极差（IQR） 对于多元数据，每个属性的散布可以独立于其他属性。对于具有连续变量的数据，数据的散布更多的用协.
机器学习（5）——数据探索与可视化（1）
WHJ226的博客
06-21 1775
目录1 缺失值处理1.1 简单的缺失值处理方法1.1.1 发现数据中的缺失值1.1.2 剔除带有缺失值的行或列1.1.3 对缺失值进行插补 1.2 复杂的缺失值填充方法1.2.1 IterativeImputer多变量缺失值填充1.2.2 K-近邻缺失值填充1.2.3 随机森林缺失值填充2 数据描述与异常值发现2.1 数据描述统计2.1.1 数据集中的位置2.1.2 离散程度2.1.3 偏度和峰度2.1.4 单个数据变量的分布情况2.2 发现异常值的基本方法在数据探索过程中，面对一组已经读取的数据，首要的问
Python 数据可视化学习笔记 之高维数据可视化及其方法
qq_48219609的博客
11-23 6720
一、高维数据 高维数据泛指高维（multidimensional） 和多变量（multivariate）数据 -- 高维是指数据具有多个独立属性 -- 多变量是指数据具有多个相关属性 高维数据可视化的挑战： 如何呈现单个数据点的各属性的数据值分布，以及比较多个高维数据点之间的属性关系，从而提升高维数据的分类、聚类、关联、异常点检测、属性选择、属性关联分析和属性简化等任务的效率。 说明： 1.聚类：聚类是一种无监督学习的手段，其目的是使相似数据点分布在同一类中，而不同数据点处于不同类中或者噪声中 .
机器学习（6）——数据探索与可视化（2）
WHJ226的博客
06-23 1575
目录1 可视化分析数据关系1.1 连续变量间关系可视化分析1.1.1 两个连续变量之间的可视化1.1.2 多个连续变量之间的可视化1.2 分类变量间关系可视化分析1.2.1 两个分类变量1.2.2 多个分类变量1.3 连续变量和分类变量间关系可视化分析1.3.1 一个分类变量和一个连续变量1.3.2 两个分类变量和一个连续变量1.3.3 两个分类变量和两个连续变量1.3.4 一个分类变量和多个连续变量1.4 其他类型数据可视化分析1.4.1 时间序列数据1.4.2 文本数据 1.4.3 社交网络数据2 数据
用Python探索性数据分析和数据可视化：从真实世界数据集中学习基础技能！
qq_23926101的博客
03-30 336
用Python探索性数据分析和数据可视化：从真实世界数据集中学习基础技能！
数据探索之-python数据可视化
Julielalala的博客
08-17 485
数据探索的第一阶段，数据可视化，本文主要讲述如何利用python的matplotlib库提供的pltplot模块来进行数据可视化分析
数据分析案例（二）：学生成绩数据的预处理、探索性分析和可视化
m0_60732994的博客
04-13 3307
实验1 学生成绩数据的预处理、探索性分析和可视化 1. 有60名学生的两门课程成绩的数据文件（文件名分别为ReportCard1和ReporCard2）,分别记录着学生的学号、性别以及不同课程的成绩。请将数据读入Pandas数据框，并做如下处理： 1)将两个数据文件按学号合并为一个数据文件，得到包含所有课程成绩的数据文件。 2)计算每个同学的各门课程的总成绩和平均成绩。 3)将数据按总成绩的降序排序。 4)按性别分别计算各门课程的平均成绩。 5)按优、良、中、及格和不及格，对平均成绩进行分组。
Python读取骑行fit文件
qq_36321330的博客
07-18 4549
有一天，我使用wahoo码表骑行记录了一段没有心率带的数据，导出fit文件至电脑。上传至捷安特APP，结果说数据不完整，此时想用代码把心率数据添加到fit文件中。
FIT5216 离散优化问题建模 学习笔记
David的博客
03-13 4640
Week 1 1 MiniZinc 基础建模 1-1 第一个模型 问题：刘备关羽张飞，正招兵买马。他们有5000两银子，并想从冯、刘、赵、简四个村落里面招人。每个村落的壮丁人数和战斗力不一，薪资要求也不一样，刘关张三人想尽可能地利用有限的资金最大化军队的战斗力。 ...
数据探索与可视化:可视化分析数据关系-中
Cosophia的博客
02-01 1004
在做数据分析的时候，很少会遇到连续变量和分类变量，更多的是需要我们对同时包含连续变量和分类变量进行可视化分析。所以我们在在本篇当中要开始来学习如何处理同时包含连续变量和分类变量进行可视化分析的问题。开始之前还是老样子，先导包和获取数据，得到之后，我们将数据变成长型数据用到melt方法，Id和Species变量与其他数据的变化无关所以我们不将这两个数据进行融合。我们就能得出如上的数据，那么接下来就是开始使用可视化，我们可以使用箱线图，分析在不同分类变量下，连续变量的分布情况。plt.show()
Monash IT Assignment 和Quiz 答案整理
金州饿霸吃不饱的博客
09-04 754
主要用于帮助Monash的IT学生解决Ass大作业的问题，欢迎私聊~
数据挖掘（二）用python实现数据探索：汇总统计和可视化
热门推荐
王大宝的CD
07-17 2万+
数据挖掘的第一步数据探索，包括汇总统计和可视化，介绍了相关概念，并结合鸢尾花数据展示了如何用Python进行汇总统计量的计算以及常用的可视化来帮助我们分析数据的性质。
探索性数据分析与可视化
yujianmin1990的专栏
09-14 7217
世界如此大，数据如此丰富，我想去看看。 　　面对未知，人类是富有探索精神的，可以不畏艰险，可以排除万难，正是这种探索精神使得人类不断进步不断创造一个又一个奇迹。对于纷繁复杂的数据世界，我们如何进行探索性分析呢？
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