Python全栈之数据分析核心技能

最近更新： 2024-05-02

Python

全栈

数据分析

核心

技能

28+

关任务

348+

课时

359

人学习

387+

条好评

采用Python进行数据分析还需要掌握一系列库的使用，包括Numpy（矩阵运算库）、Scipy（统计运算库）、Matplotlib（绘图库）、pandas（数据集操作）、Sympy（数值运算库）等库，这些库在Python进行数据分析时有广泛的应用。

￥512

第 1 章: 认识数据分析 ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ 共 15 节 【3小时18分54秒】

1-1: 什么是数据分析 15分32秒

1-2: 数据分析师应该具备哪些能力 15分32秒

1-3: 数据类型简单分类 15分32秒

1-4: 数据的统计学分类 15分32秒

1-5: 数据分析流程1 15分32秒

1-6: 数据分析流程2 15分32秒

1-7: 数据分析流程3 15分32秒

1-8: 数据分析流程4 15分32秒

1-9: 数据分析流程5 15分32秒

1-10: 数据分析流程6 15分32秒

1-11: 数据分析流程7 15分32秒

1-12: 数据分析流程8 15分32秒

1-13: 数据分析流程9 15分32秒

1-14: 数据分析流程10 15分32秒

1-15: 定量和定性数据分析 15分32秒

第 2 章: 数组创建与特殊数组 ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ 共 11 节 【3小时18分54秒】

2-1: 数组创建与特殊数组1 15分32秒

2-2: 数组创建与特殊数组2 15分32秒

2-3: 数组创建与特殊数组3 15分32秒

2-4: 数组的创建与特殊数组4 15分32秒

2-5: 数组的创建与特殊数组5 15分32秒

2-6: 数组的创建与特殊数组6 15分32秒

2-7: 数组的创建与特殊数组7 15分32秒

2-8: 数组的创建与特殊数组8 15分32秒

2-9: 数组的创建与特殊数组9 15分32秒

2-10: 数组的创建与特殊数组10 15分32秒

2-11: 数组的创建与特殊数组11 15分32秒

第 3 章: 数组元素数据类型索引与切片 ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ 共 11 节 【3小时18分54秒】

3-1: 数组元素数据类型索引与切片1 15分32秒

3-2: 数组元素数据类型索引与切片2 15分32秒

3-3: 数组元素数据类型索引与切片3 15分32秒

3-4: 数组元素数据类型索引与切片4 15分32秒

3-5: 数组元素数据类型索引与切片5 15分32秒

3-6: 数组元素数据类型索引与切片6 15分32秒

3-7: 数组元素数据类型索引与切片7 15分32秒

3-8: 数组元素数据类型索引与切片8 15分32秒

3-9: 数组元素数据类型索引与切片9 15分32秒

3-10: 数组元素数据类型索引与切片10 15分32秒

3-11: 数组元素数据类型索引与切片11 15分32秒

第 4 章: 数组转置与一元二元函数 ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ 共 10 节 【3小时18分54秒】

4-1: 数组转置与一元二元函数1 15分32秒

4-2: 数组转置与一元二元函数2 15分32秒

4-3: 数组转置与一元二元函数3 15分32秒

4-4: 数组转置与一元二元函数4 15分32秒

4-5: 数组转置与一元二元函数5 15分32秒

4-6: 数组转置与一元二元函数6 15分32秒

4-7: 数组转置与一元二元函数7 15分32秒

4-8: 数组转置与一元二元函数8 15分32秒

4-9: 数组转置与一元二元函数9 15分32秒

4-10: 数组转置与一元二元函数10 15分32秒

第 5 章: 数据的快速挑选与统计函数 ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ 共 9 节 【3小时18分54秒】

5-1: 数据的快速挑选与一元和二元函数1 15分32秒

5-2: 数据的快速挑选与统计函数2 15分32秒

5-3: 数据的快速挑选与统计函数3 15分32秒

5-4: 数据的快速挑选与统计函数4 15分32秒

5-5: 数据的快速挑选与统计函数5 15分32秒

5-6: 数据的快速挑选与统计函数6 15分32秒

5-7: 数据的快速挑选与统计函数7 15分32秒

5-8: 数据的快速挑选与统计函数8 15分32秒

5-9: 数据的快速挑选与统计函数9 15分32秒

第 6 章: 数组排序与去重及数据上载与下载 ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ 共 9 节 【3小时18分54秒】

6-1: 常用布尔数组方法数组排序与去重以及数据的上载与下载1 15分32秒

6-2: 常用布尔数组方法数组排序与去重以及数据的上载与下载2 15分32秒

6-3: 常用布尔数组方法数组排序与去重以及数据的上载与下载3 15分32秒

6-4: 常用布尔数组方法数组排序与去重以及数据的上载与下载4 15分32秒

6-5: 常用布尔数组方法数组排序与去重以及数据的上载与下载5 15分32秒

6-6: 常用布尔数组方法数组排序与去重以及数据的上载与下载6 15分32秒

6-7: 常用布尔数组方法数组排序与去重以及数据的上载与下载7 15分32秒

6-8: 常用布尔数组方法数组排序与去重以及数据的上载与下载8 15分32秒

6-9: 常用布尔数组方法数组排序与去重以及数据的上载与下载9 15分32秒

第 7 章: pandas数据结构-Series基础 ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ 共 4 节 【3小时18分54秒】

7-1: pandas数据结构-series基础1 15分32秒

7-2: pandas数据结构-series基础2 15分32秒

7-3: pandas数据结构-series基础3 15分32秒

7-4: pandas数据结构-series基础4 15分32秒

第 8 章: pandas数据结构-Pandas基础 ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ 共 10 节 【3小时18分54秒】

8-1: pandas数据结构-pandas基础1 15分32秒

8-2: pandas数据结构-pandas基础2 15分32秒

8-3: pandas数据结构-pandas基础3 15分32秒

8-4: pandas数据结构-pandas基础4 15分32秒

8-5: pandas数据结构-pandas基础5 15分32秒

8-6: pandas数据结构-pandas基础6 15分32秒

8-7: pandas数据结构-pandas基础7 15分32秒

8-8: pandas数据结构-pandas基础8 15分32秒

8-9: pandas数据结构-pandas基础9 15分32秒

8-10: pandas数据结构-pandas基础10 15分32秒

第 9 章: 索引重建与复杂索引 ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ 共 9 节 【3小时18分54秒】

9-1: 索引重建与复杂索引1 15分32秒

9-2: 索引重建与复杂索引2 15分32秒

9-3: 索引重建与复杂索引3 15分32秒

9-4: 索引重建与复杂索引4 15分32秒

9-5: 索引重建与复杂索引5 15分32秒

9-6: 索引重建与复杂索引6 15分32秒

9-7: 索引重建与复杂索引7 15分32秒

9-8: 索引重建与复杂索引8 15分32秒

9-9: 索引重建与复杂索引9 15分32秒

第 10 章: Series和数据框的简单计算以及排序和排名 ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ 共 8 节 【3小时18分54秒】

10-1: series和数据框的简单计算以及排序和排名1 15分32秒

10-2: series和数据框的简单计算以及排序和排名2 15分32秒

10-3: series和数据框的简单计算以及排序和排名3 15分32秒

10-4: series和数据框的简单计算以及排序和排名4 15分32秒

10-5: series和数据框的简单计算以及排序和排名5 15分32秒

10-6: series和数据框的简单计算以及排序和排名6 15分32秒

10-7: series和数据框的简单计算以及排序和排名7 15分32秒

10-8: series和数据框的简单计算以及排序和排名8 15分32秒

第 11 章: Series和数据框常用统计函数去重频数统计以及空值处理 ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ ‥‥‥‥‥ 共 7 节 【3小时18分54秒】

11-1: series和数据框常用统计函数去重频数统计以及空值处理1 15分32秒

11-2: series和数据框常用统计函数去重频数统计以及空值处理2 15分32秒

11-3: series和数据框常用统计函数去重频数统计以及空值处理3 15分32秒

11-4: series和数据框常用统计函数去重频数统计以及空值处理4 15分32秒

11-5: series和数据框常用统计函数去重频数统计以及空值处理5 15分32秒

11-6: series和数据框常用统计函数去重频数统计以及空值处理6 15分32秒

11-7: series和数据框常用统计函数去重频数统计以及空值处理7 15分32秒

python

开放的数据分析场景，要用编程来进行数据分析。 Python语言在机器学习领域有广泛的应用。采用机器学习的方式进行数据分析需要经过五个步骤，分别是数据准备、算法设计、算法训练、算法验证和算法应用。采用Python进行数据分析还需要掌握一系列库的使用，包括Numpy（矩阵运算库）、Scipy（统计运算库）、Matplotlib（绘图库）、pandas（数据集操作）、Sympy（数值运算库）等库，这些库在Python进行数据分析时有广泛的应用。

python

应知应会：

python

1. 1.掌握SPSS统计分析安装

2.掌握SPSS数据处理

3.掌握描述性分析与相关分析

4.了解机器学习概念

5了解numpy，pandas， matplotlib

6.了解一些统计学知识

7.了解数据清洗

8.了解特征工程

9.了解机器学习算法

python

业务实战：

python

机器学习算法的tensorflow实现

python

主要知识点：

python
☑ SPSS统计分析概述

☑ 介绍、安装、界面等

☑ SPSS数据处理

☑ 数据类型与变量尺度

☑ 数据导入、清洗、抽取、合并分组和标准化

☑ 描述性分析与相关分析

☑ 频率、交叉表和描述分析

☑ 相关分析简介与实践

☑ 数据挖掘

☑ 机器学习算法的tensorflow实现

☑ 数据建模分析

☑ numpy的数组

☑ numpy的索引以及切片

☑ numpy的数据类型

☑ numpy的数学运算

☑ numpy的广播

☑ 计算统计学

☑ Series介绍

☑ DataFrame介绍

☑ 相关函数介绍

☑ 数据可视化

☑ 散点图

☑ 直方图

☑ 折线图

☑ 3D绘图

☑ 热力图

☑ 对比图

☑ 统计学

☑ 离群值介绍

☑ 数据的简单统计值介绍

☑ 相关系数和相关矩阵

☑ 协方差

☑ 皮尔森相关系数

☑ 斯皮尔曼等级相关系数

☑ 平均数和中位数

☑ 数据清洗

☑ 删除重复性特征

☑ 删除无关特征

☑ 解决结构性的错误

☑ 删除离群值

☑ 处理丢失的数据

☑ 数据类型处理

☑ 综合应用

☑ 电商客户特征识别数据分析

python

学习基础：

python

学此阶段需要掌握SPSS数据处理，掌握描述性分析与相关分析，掌握Pandas数据预处理（整理/清洗）及描述性数据分析（指标计算和可视化），掌握文本类结构化数据的分析和可视化，掌握Matplotib图表绘制和高级操作及其他绘图库，掌握综合应用数据分析和数据可视化技术，完成完整的数据分析报告，掌握Numpy数据生成、数据操作和数值计算，掌握常见数学和统计学指标计算原理、向量和矩阵计算原理，理解常用机器学习算法原理，站我算法实现探索性数据分析，解决现实问题。

python

