1 分布分析:
发现各个维度下数据的分布情况
研究数据分布特征和分布类型;
主要统计量:极差 大小反应分布情况是否稳定
频率分布情况: 一般用直方图 分组区间使用pd.cut . 累积频率.cumsum()
定量一般用直方图 。 定性字段一般用饼图
分组组距及组数
2 对比分析
绝对数比较
相对数比较
3 统计分析
集中趋势度量:
算数平均数 .mean()
位置平均数:中位数。median() 。 众数.mode()、。。。
离中趋势度量
极差
分位差 样本描述性统计.describe() . 四分之三位数/四分之一位数
方差、标准差
4 帕累托分析 (贡献度分析) 二八定律
首先对目标数据进行排序:
data.sort_values(0,ascending = False,inplace=True)
然后求出累计占比:
data['累计占比'] = data[0].cumsum()/data[0].sum()
*** 图表:
plt.figure(figsize=(16,7))data[0].plot(kind='bar', color='g',title='haha')plt.xticks(rotation=0)data['累计占比'].plot(style = '--ko', secondary_y = True)plt.axvline(6,color='r',linestyle='--')plt.show()
5 正态性检验
data = pd.DataFrame(np.random.randn(1000)*1000+16,columns=['value'])fig = plt.figure(figsize=(16,10))ax1 = fig.add_subplot(2,1,1)ax1.scatter(data.index,data.value) #散点图ax2=fig.add_subplot(2,1,2)ax2.hist(data['value'],bins=50) #直方图plt.show()
理论推导:
直接使用函数
from scipy import statsu = data['value'].mean()std = data['value'].std()stats.kstest(data['value'],'norm',(u,std))
6 相关性分析
首先检验数据是否符合正态分布,
如果符合使用皮尔森相关系数:data.corr()
不符合的话使用 斯皮尔曼相关系数:data.corr(method='spearman')
7 数据处理
判断是否有缺失值 :
data.isnull() / data.notnull()返回布尔型结果
删除缺失值
data.dropna(inplace=True)
替换缺失值:
data.fillna('填充的值',inplace=True) data.fillna(method='pad') . 用之前的值填充 。 backfill用之后的值填充
拉格朗日插值法填充数据:
def f(s,n,k=5): y = s[list(range(n-k,n+k+1))] y = y[y.notnull()] return lagrange(y.index,list(y))(n)for i in range(len(data)): if data[0].isnull()[i]: data[0][i] = f(data[0],i) print(f(data[0],i))
数据标准化:
0-1 标准化
def f(df,*cols):• df_n = df.copy()• for col in cols:• ma = df_n[col].max()• mi = df_n[col].min()• df_n[col+'_n'] = (df_n[col]-mi) / (ma-mi)• return df_ndf_n = f(data,'value1','value2')df_n
z-score标准化
z-score 标准化 把非标准正太分布 换成标准正太腹部 (值-平均值)/标准差
def f_z(df,*cols):• df_z = df.copy()• for col in cols:• me = df_z[col].mean()• std = df_z[col].std()• df_z[col+'_z'] = (df_z[col]-me) / std• return df_zdf_z = f_z(data,'value1','value2')df_z
数据连续属性离散化
等宽法:
#cut *** 划分区间bins = [1,30,50,100]cats = pd.cut(data['age'],bins,right=False)data['age_a'] = cats
等频法:
#等频划分 按照分位数划分 以相同的数量记录到某个区间# qcut *** data = pd.Series(np.random.rand(1000))cats = pd.qcut(data,10)cats.value_counts(sort=False)
描述:鉴于现如今还有很多网友们不清楚如何进行网络推广,为解决这问题,宝丞网特地准备了这篇文章以便给有需要的网友们解惑,接下来,就会在文中分享网络推广有哪些常用手段,希望网友们喜欢! 随着互联网时代的...
SEO这么多工具,哪些工具是最适合站长们使用的,结合自己的工作下载更适合自己的工具,达到事半功倍的效果。 看你是不是一个合格的SEO,你是否都知道下面我要推荐的这些seo工具,...
网站域名空间(常用域名知识与空间问题) 值得一看 购置网站域名空间是一个常见的问题,需求主要会合在新手圈。他们会想知道空间是什么。去那边买,买什么。然而,好像域名可以自由选择,只要价值符合。事实上,时...
脸上干燥脱皮的话,我们该怎么办呢?别着急,这里就有可以有效缓解我们脸上干燥脱皮的小妙招。如果你想要了解的话,就赶紧跟上我的脚步,一起来学习一下吧! 如果一个女生肤质好的话,大概会省好多麻烦吧。就...
BI(BusinessIntelligence)即商业智能,越来越多的智能软件供应商推出可视化数据分析工具,应对企业业务人员的大数据分析需求。然而如果你觉得不是数据分析专业、没有挖掘算法基础就无法使用...
对于我们留学英国的小伙伴来说,撇开了很多国外用不上的国内软件、网址等,对于英国的生活也是一片迷茫,无处下手。今天小编就告诉你们,在英国生活,离不开的几大网站,以供大家参考哦~ 1英国留学最实用的网站...