數據分析心得體會

1、數據分析心得體會在數據分析這門課程當中主要學習了 numpy 和 pandas 和數據挖掘的知識，學習過程很充實，也不是很難。首先學習了 Numpy, NumPy(Numerical Python) 是 Python 語言的一個擴展程序庫，主要學習了 1、矩陣生成，2、矩陣切片，3、軸對換、相乘，4、條件填入（where） ，5、數據處理。NumPy 是一個運行速度非常快的數學庫，主要用于數組計算。在 pandas 中有兩類非常

2、重要的數據結構，即序列 Series 和數據 DataFrame。Series 類似于 numpy 中的一維數組，除了通吃一維數組可用的函數或方法，而且其可通過索引標簽的方式獲取數據，還具有索引的自動對齊功能；DataFrame 類似于 numpy中的二維數組，同樣可以通用 numpy 數組的函數和方法，而且還具有其他靈活應用。之后學習了數據索引 index，包括了通過索引值或索引標簽獲取數據以及自動化對齊；此外，pandas 模塊為我

3、們提供了非常多的描述性統計分析的指標函數，如總和、均值、最小值、最大值等，我們來具體看看這些函數；在 SQL 中常見的操作主要是增、刪、改、查幾個動作，那么 pandas 能否實現對數據的這幾項操作呢？答案是 Of Course! 我們發(fā)現，不論是刪除行還是刪除列，都可以通過 drop 方法實現，只需要設定好刪除的軸即可，即調整 drop 方法中的 axis 參數。默認該參數為 0，表示刪除行觀測，如果需要刪除列變量，則需設置為 1。在

4、 Excel 中有一個非常強大的功能就是數據透視表，通過托拉拽的方式可以迅速的查看數據的聚合情況，這里的聚合可以是計數、求和、均值、標準差等。pandas 為我們提供了非常強大的函數pivot_table()，該函數就是實現數據透視表功能的。數據挖掘的技術與方法相關知識包括：數據挖掘的方法分為描述性與預測性兩種。其中描述性數據挖掘指的是分析具有多個屬性的數據集，找出潛在的模式和規(guī)律，沒有因變量。要采用的算法：聚類、關聯分析、因子分析、主

5、成分分析等。預測性數據挖掘指的是用一個或多個自變量預測因變量的值。主要算法：決策樹、線性回歸 Logistic 回歸、支持向量機、神經網絡、判別分析。通過這幾天的學習我了解到數據分析的復雜性和難度，想要學好的它，還需要我花費很長時間。數據分析心得體會在數據分析這門課程當中主要學習了 numpy 和 pandas 和數據挖掘的知識，學習過程很充實，也不是很難。首先學習了 Numpy, NumPy(Numerical Python) 是

6、 Python 語言的一個擴展程序庫，主要學習了 1、矩陣生成，2、矩陣切片，3、軸對換、相乘，4、條件填入（where） ，5、數據處理。NumPy 是一個運行速度非?？斓臄祵W庫，主要用于數組計算。在 pandas 中有兩類非常重要的數據結構，即序列 Series 和數據 DataFrame。Series 類似于 numpy 中的一維數組，除了通吃一維數組可用的函數或方法，而且其可通過索引標簽的方式獲取數據，還具有索引的自動對齊功

7、能；DataFrame 類似于 numpy中的二維數組，同樣可以通用 numpy 數組的函數和方法，而且還具有其他靈活應用。之后學習了數據索引 index，包括了通過索引值或索引標簽獲取數據以及自動化對齊；此外，pandas 模塊為我們提供了非常多的描述性統計分析的指標函數，如總和、均值、最小值、最大值等，我們來具體看看這些函數；在 SQL 中常見的操作主要是增、刪、改、查幾個動作，那么 pandas 能否實現對數據的這幾項操作呢？答案

8、是 Of Course! 我們發(fā)現，不論是刪除行還是刪除列，都可以通過 drop 方法實現，只需要設定好刪除的軸即可，即調整 drop 方法中的 axis 參數。默認該參數為 0，表示刪除行觀測，如果需要刪除列變量，則需設置為 1。在 Excel 中有一個非常強大的功能就是數據透視表，通過托拉拽的方式可以迅速的查看數據的聚合情況，這里的聚合可以是計數、求和、均值、標準差等。pandas 為我們提供了非常強大的函數pivot_table(

9、)，該函數就是實現數據透視表功能的。數據挖掘的技術與方法相關知識包括：數據挖掘的方法分為描述性與預測性兩種。其中描述性數據挖掘指的是分析具有多個屬性的數據集，找出潛在的模式和規(guī)律，沒有因變量。要采用的算法：聚類、關聯分析、因子分析、主成分分析等。預測性數據挖掘指的是用一個或多個自變量預測因變量的值。主要算法：決策樹、線性回歸 Logistic 回歸、支持向量機、神經網絡、判別分析。通過這幾天的學習我了解到數據分析的復雜性和難度，想要學好