目录
数据挖掘:数据挖掘中,有几个非常重要的任务,就是分类、聚类、预测、连接分析、关联分析。
数据可视化:在 Python 中,我们可以使用 Matplotlib、Seaborn 等第三方库进行呈现。
前言:数据分析的本质在于通过搜集、处理、分析和解释数据,从中提取有用的信息。这些信息可以帮助我们更好地理解现象和问题,并可以用于做出决策和规划未来。
数据分析可以分为两个主要方面:描述性分析和推断性分析。描述性分析主要是对数据进行汇总、描述和可视化,例如计算出数据的平均值、标准差、频率分布等。推断性分析则旨在对总体的特征进行推断和预测,例如通过假设检验和回归分析来确定两个或多个变量之间的关系。
数据可视化:数据分析得到结果之后,用可视化技术,把结果呈现出来。
要在Python中进行数据分析,需要安装一些常用的数据分析类库,例如:Numpy、Pandas、Matplotlib、scikit-learn。安装后,就可以开始使用这些类库来进行数据分析了,这里本人用的idea是vscode。
简单的Python数据分析代码实例:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 创建一个二维数组,表示5个人的年龄和身高
data = np.array([[25, 176], [27, 180], [28, 170], [24, 169], [30, 178]])
# 将二维数组转换成DataFrame
df = pd.DataFrame(data, columns=['age', 'height'])
# 输出DataFrame的统计信息
print(df.describe())
# 绘制散点图,观察年龄和身高的关系
plt.scatter(df['age'], df['height'])
plt.xlabel('age')
plt.ylabel('height')
plt.show()
这个例子中,我们首先创建了一个二维数组data
,表示5个人的年龄和身高。然后使用NumPy将二维数组转换成Pandas的DataFrame数据结构,方便进行数据分析。接着打印DataFrame的基本统计信息,看到平均年龄为26.8岁,平均身高为175.0厘米。最后使用Matplotlib绘制散点图,观察年龄和身高的关系。
_