Analisis data telah menjadi bahagian penting dalam perniagaan moden, membantu perusahaan mengeluarkan cerapan berharga daripada data dan membuat keputusan termaklum. python ialah bahasa pengaturcaraan yang berkuasa dengan perpustakaan analisis data yang luas, menjadikannya salah satu alat pilihan untuk analisis data.
Pemprosesan data
import pandas as pd # 加载 CSV 文件 df = pd.read_csv("data.csv") # 清洗和准备数据 df = df.dropna()# 删除缺失值 df["column"] = df["column"].astype("cateGory")# 转换数据类型 # 合并数据集 df2 = pd.read_csv("data2.csv") df = pd.merge(df, df2, on="id")
import numpy as np # 创建一个 NumPy 数组 arr = np.array([1, 2, 3, 4, 5]) # 数组操作 arr_mean = np.mean(arr)# 计算平均值 arr_sum = np.sum(arr)# 计算总和
Visualisasi Data
import matplotlib.pyplot as plt # 创建一个散点图 plt.scatter(df["x"], df["y"]) plt.xlabel("x") plt.ylabel("y") plt.show()
import seaborn as sns # 创建一个热力图 sns.heatmap(df.corr())# 计算相关矩阵并绘制热力图 plt.show()
Perlombongan Data dan Pembelajaran Mesin
from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression # 划分训练和测试集 X_train, X_test, y_train, y_test = train_test_split(df[["x", "y"]], df["z"]) # 训练线性回归模型 model = LinearRegression() model.fit(X_train, y_train) # 评估模型 score = model.score(X_test, y_test)# 计算准确率
import Tensorflow as tf # 创建一个神经网络模型 model = tf.keras.Sequential([ tf.keras.layers.Dense(128, activation="relu"), tf.keras.layers.Dense(1, activation="sigmoid") ]) # 训练模型 model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"]) model.fit(X_train, y_train, epochs=10) # 评估模型 loss, accuracy = model.evaluate(X_test, y_test)
Kelebihan analisis data Python
Kesimpulan
Python sesuai untuk analisis data, dan dengan perpustakaan yang kaya serta kemudahan penggunaan, ia membolehkan perniagaan meneroka data dengan cekap dan menyeluruh. Dengan memanfaatkan alat analisis data Python, organisasi boleh mendapatkan cerapan di sebalik data mereka, membuat keputusan termaklum dan meningkatkan hasil perniagaan.Atas ialah kandungan terperinci Analisis data Python: Cerapan tentang corak di sebalik data anda. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!