本課程涵蓋NumPy數值計算、Matplotlib數據可視化、pandas統計分析、使用pandas進行數據預處理。同時也有大量的實操練習，鞏固學習效果。
1.有python基礎
2.有一定的數據基礎
掌握數據分析的流程
掌握python數據分析核心庫的使用，如numpy、pandas、matplotlib
了解常用數據分析（挖掘）算法的原理，熟悉機器學習的各個環節，并能利用相應的算法建模
熟練使用sk-learn進行數據挖掘
|
章節 |
主要授課內容 |
|
|
|
|
Python數據分析概述 |
1．數據分析的概念、流程、應用場景 2．數據分析常用的工具、python數據分析的優勢、常用類庫的介紹 3．Jupyter Notebook的安裝及使用 |
|
|
|
Numpy數值計算基礎 |
1．ndarray的創建、訪問、常用屬性 2．矩陣的創建 3．通用函數ufunc 4．廣播機制 5．數學知識 6．簡單統計分析，讀寫文件、排序、去重、常用統計函數 |
|
|
Pandas統計分析基礎 |
1．Series常用操作 2．DataFrame常用操作 3．讀寫不同數據源 4．數據過濾與轉換 5．時間序列操作 6．分組與聚合 7．透視與交叉表 |
|
|
|
利用pandas進行數據預處理 |
1．合并數據，堆疊合并、主鍵合并、重疊合并 2．清洗數據，處理重復值、缺失值、異常值的處理 3．標準化數據，離差標準化、標準差標準化、小數定標標準化 4．轉化數據 ，類別型特征處理為啞變量，連續性特征離散化處理 |
|
|
|
數據可視化 |
1．數據可視化概述 2．常用圖表，如柱狀圖、餅狀圖、直方圖、箱線圖等的介紹 3．matplotlib繪圖基礎，如基礎語法、rc參數、標簽刻度、子圖等 4．matplotlib繪圖實戰 5．pandas繪圖實戰 |
|
|
|
機器學習與挖掘建模 |
1．機器學習概述 2．機器學習分類 3．機器學習流程 4．機器學習評估 5．經典機器學習算法原理剖析，如 knn、kmeans、樸素貝葉斯、決策樹、線性回歸、邏輯回歸、支持向量機、關系分析等 6．關聯規則算法 7．時序模式 8．物體推薦算法 9．使用sk-learn建模，包括數據集劃分、數據預處理、模型訓練、模型評估等 |
|
|
|
數據分析與挖掘實戰案例 |
1．招聘網站需求分析 2．航空機構客戶價值分析 3．財政收入預測分析 4．二手房房價分析 |
||
