- 综合排序
- 最热优先
- 最新优先
datawhale AI+数据分析 task3、4
修改提示词让ai理解sheet1和sheet2分别是一群和二群感兴趣的主题统计，数字分别代表一种活动。 总结小浣熊在给出对表的解释和要分析的指标后可以正常分析数据特征，要避免出现对操作的模糊性描述，尽量客观指出要分析的数据以及如何分析。 task4日常使用ai对数据分析（根据公选课评价表格选出适合自己的公选课）提示词如下：这是一些课程的评价表格。给我推荐一些好老师和其公选课，分析指标包括对老师上课的评价。 将重要的数据关系用图表展示，并以此达成我们的目标。总结提示词可以分为主要三部分，对数据的解释、数据分析指标和研究目标。其他是否使用图表展示可有可无。 确定好主要的三部分内容的提示词，ai可以生成较好的数据分析。
28210编辑于 2025-08-27- 来自专栏PPV课数据科学社区
数据分析&数据挖掘入门知识分享（4）
编者按：本文为 数据分析&数据挖掘入门知识分享（3）的连载，还有一部分待上传，欢迎小伙伴们关注学习，若对您有帮助请分享至朋友圈，让更多人学习！ 以下图片点击横屏观看效果更佳
98850发布于 2018-04-24 - 来自专栏R语言数据分析
表达芯片数据分析4——复杂数据及其分析（多分组数据）
多分组数据示例：GSE474练习：GSE106191一般有一个对照组，多个实验组或者两两差异比较。 (patchwork)g[[3]]+g[[4]]ggsave("enrich.png",width = 12,height = 7)多分组数据---title: "GSE474"output: html_documenteditor_options 4.tinyarray的简化操作多分组的数据，get_deg_all仍然可以帮你简化操作，目前是三分组就两两差异分析，四个或五个分组的数据是后面几个组与第一个组差异分析，暂不支持其他的做法和更多的分组。 Group,ids,logFC_cutoff = 0.585,entriz = F)dcp$plotsggplot2::ggsave("deg.png",width = 15,height = 10)图片富集分析富集分析的输入数据是差异基因名字 :4]library(patchwork)g[[3]]+g[[4]]ggplot2::ggsave("enrich.png",width = 12,height = 7)
98250编辑于 2023-10-06 AI搜索引用机制的数据分析：4个品牌被AI推荐的案例拆解
AI引擎不是靠关系选信源的，而是靠一套包含权威性、内容可引用度和时效性的评估机制。我花了4个月时间做测试，跑了十几篇文章，拆了12个AI高频引用的品牌案例，整理出一套数据规律。 本文不讲理论，不讲方法论，只基于真实测试数据，拆解4个AI高频引用的品牌案例，分析它们获得推荐的数据逻辑。 4个AI高频引用的品牌案例知乎：结构化优势驱动的高引用率Kimi和豆包在回答中文问题时，顶部来源栏经常出现「来源：知乎」。 这个数据表明，AI搜索引用优化不是大型平台的专利，中小品牌也能通过技术手段获得一席之地。3个机制的叠加效果与数据对比从实测数据来看，三个维度中任何一个短板都会显著降低AI引用概率。 AI引擎看的不是「别人怎么链接你」，而是「你值不值得信任」。AI搜索引用优化的4个技术步骤第一步，诊断当前AI引用状态。
32600编辑于 2026-07-23- 来自专栏生信菜鸟团
GEO数据分析流程之芯片4
生信技能树学习笔记 DEG 差异基因 rm(list = ls())load(file = "step2output.Rdata")#差异分析，用limma包来做#需要表达矩阵和Group，不需要改library design)#线性拟合fit=eBayes(fit)#贝叶斯检验deg=topTable(fit,coef=2,number = Inf)#提取贝叶斯检验结果 #为deg数据框添加几列 logFC > logFC_t)deg <- mutate(deg,change = ifelse(k1,"down",ifelse(k2,"up","stable")))table(deg$change)#4. 加ENTREZID列，用于富集分析（symbol转entrezid，然后inner_join）library(clusterProfiler)library(org.Hs.eg.db)s2e <- bitr fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db)#人类数据库
34910编辑于 2024-06-28 - 来自专栏生物信息云
TCGA数据挖掘（四）：表达差异分析（4）
在之前我们的文章：TCGA数据挖掘（三）：表达差异分析中，我们利用的是TCGAbiolinks包中的TCGAanalyze_DEA函数进行差异表达分析，我们也提到可以选择基于limma或edgeR包进行分析 ，TCGA数据挖掘（三）：表达差异分析这一讲中我们利用的是edgeR包，之后我们在文章：TCGA数据挖掘（四）：表达差异分析（2）和TCGA数据挖掘（四）：表达差异分析（3）中分别也介绍了其他方法的差异分析 数据下载 基因表达数据的下载 数据下载代码和之前的一样，这里再提供一次。避免出错不知道原因。 # 然后，数据即可用于线性建模。 包中的TCGAanalyze_DEA函数，是基于limma包的差异分析。
5.1K51发布于 2019-09-18 - 来自专栏数据森麟
数据分析报告的 4 种情景
作者：林骥 来源：林骥 在《数据分析报告的 3 个层级》这篇文章下面，有位读者留言：有完整的数据分析报告模板吗？ 我回复说： 数据分析报告可以有千千万万个不同的模板，但是你要知道哪一个模板最适合当时的情景，这是非常困难的一件事。 即使收集到了世界上所有数据分析报告的模板，也不代表就有能力写好数据分析报告。 为了缩小选择的范围，我们可以把数据分析报告按情景进行划分，大致分成下面 4 种情景，即：首次分析报告、常规分析报告、问题分析报告、总结分析报告。为了便于理解，分别类比为看病体检时的情景。 情景 4：总结分析报告 当业务需要进行阶段性总结的时候，在写总结分析报告之前，应该先把整体的基调定下来，是想表达做得好？还是想表达有问题？然后再补充相关细节，比如好的经验有哪些？问题的原因是什么？ 以上 4 种情景，无论是哪一种，都要先熟悉业务的背景和分析的目标，搞清楚沟通的对象，对数据有基本的判断，对问题有深入的理解，这样写出来的数据分析报告，才更有吸引力，看数据分析报告的人，才更有收获，而写数据分析报告的人
95320发布于 2020-11-09 - 来自专栏Elastic Stack专栏
通过 OpenTelemetry 分析 AI Agent 数据
—— 以 hermes_agent 的 gen_ai.* 数据为例本文以 Elastic 中一个真实的 Agent 服务 hermes_agent（数据流 traces-generic.otel-default ）为例，讲清楚：LLM 的每一次调用会在 OpenTelemetry span 里留下哪些字段、每个字段装的是什么、input 与 output 字段之间是什么关系、以及如何用 ES|QL 去分析、理解并利用这些数据 4. Token 与成本字段：gen_ai.usage. 小结一次 LLM 调用 = 一个 span，gen_ai.input.messages / gen_ai.output.messages 承载原始对话，pipeline 把它们拆成可分析的结构化字段。 每次调用都为全量历史付费，input token 随轮次单调增长（≈O(轮数²)）；真实数据可见同一会话 input token 从 4 万涨到 9.5 万。
27411编辑于 2026-07-19 第七章 AI数据质量-4
医学影像：利用3D渲染技术生成各种病例的模拟医学影像，用于训练AI辅助诊断系统。 4. 视频监控：生成各种场景下的模拟监控画面，用于训练目标检测和行为识别模型。 这有助于提高AI模型的泛化能力，使其在不同环境下表现良好。 4. 数据标注：在3D渲染过程中，可以自动为生成的数据添加标签，如物体边界框、分割掩码等。这大大降低了手动标注数据的成本和时间。 5. 4. 基于物理的渲染限制：现有的3D渲染引擎可能无法完全模拟现实世界中的物理现象，如光传输、材质反射等。这可能导致生成的数据与现实世界存在差异，影响AI模型的性能。 5. 例如：在医学成像中，罕见疾病或不寻常的症状可能在合成数据中没有很好地被表示，导致AI模型在诊断这些情况时效果较差。 4. 例如：为了训练高分辨率卫星图像分析模型而创建逼真的合成数据可能需要大量的计算资源，这对于预算有限的小型组织或研究人员来说是具有挑战性的。 5.
61310编辑于 2025-04-15- 来自专栏决策智能与机器学习
基于Apriori的数据关联分析 | 工业数据分析 | 冰水数据智能专题 | 4th
背景 工业数据中的相关性分析是开展工业数据分析的基础性分析，决定数据分析的优先级，通过支持度和可信度来定义发现数据之间存在的关系。 Apriori 算法的两个输入参数分别是最小支持度和数据集。 ' Apriori 算法 Ben 2015.09.28 ''' #coding:utf-8 from numpy import * def loadData(): return[[1,3,4] 据此结合之前的分析构建完整的算法， 代码如下： #构建多个参数对应的项集 def aprioriGen(Lk,k): retList = [] lenLk = len(Lk) apriori(dataSet,minSupport) rules = generateRules(L,suppData,minConf = 0.5) print rules 上述程序的结果表明该算法在小数据集中可以实现
92810发布于 2020-08-04 - 来自专栏python小分享
4 款 Pandas 自动数据分析神器，yyds！
我们做数据分析，在第一次拿到数据集的时候，一般会用统计学或可视化方法来了解原始数据。 了解列数、行数、取值分布、缺失值、列之间的相关关系等等，这个过程叫做 EDA（Exploratory Data Analysis，探索性数据分析）。 目前已经有很多EDA工具可以自动产出基础的统计数据和图表，能为我们节省大量时间。 本文会对比介绍 4 款常用的EDA工具，最后一款绝了，完全是抛弃代码的节奏。 ，是一个150行 * 4列的 DataFrame。 4. dtale 最后重磅介绍dtale，它不仅提供丰富图表展示数据，还提供了很多交互式的接口，对数据进行操作、转换。
1.5K10编辑于 2022-01-04 - 来自专栏锦小年的博客
Python数据分析(4)-numpy矩阵的操作
在Python中，使用io之后需要关闭他们以释放内存，例如读取或者写入文件。凡是调用open()后必须调用close()来关闭，但是这样比较繁琐，Python提供了with关键词来方便用户编写程序并且能够合理的管理内存。使用方法： with doing something: pass 或者： with doing something as something: pass 实例： with
87860发布于 2018-01-02 - 来自专栏数据分析1480
数据分析4要素，轻松掌握小“套路”！
要做一名优秀数据分析师，首先对数据分析岗位有基本的概念，其次，要明白数据分析中有哪些套路和方法，如此，才能举一反三，才能不同场景数据分析切换自如。下面我们高屋建瓴，抽茧剥丝般讲讲数据分析四大要素。 当然，大的互联网公司也会有自己的数据产品，相对外部工具，数据接入更容易。 4. 演绎：演绎推理是由普通性的前提推出特殊性结论的推理，我们在数据分析中经常会沿用原有的经验，很多都是采用演绎的方式进行，比如28法则是人类收入分配中有这种倾向，电商卖家收入也会有这种倾向。 4. 4. 用户：用户主要关注的是用户粘性，和ARUP值，常用的方法是RFM，将用户分成不同类型精细化运营，终极目标是让用户离不开你，情愿花更多钱。 5. 市场营销：市场营销核心分析思路是影响面，以及投入产出比（roi）。 以上就是数据分析4要素，希望您对数据分析岗有全面的了解。
1.2K20发布于 2019-05-22 - 来自专栏深入浅出区块链技术
Solidity 教程系列4 - 数据存储位置分析
Solidity教程系列第4篇 - Solidity数据位置分析。 阅读本文前，你应该对以太坊、智能合约有所了解， 如果你还不了解，建议你先看以太坊是什么 这部分的内容官方英文文档讲的不是很透，因此我在参考Solidity官方文档（当前最新版本：0.4.20）的同时加入了深入分析部分 (arrays)和数据结构(struct)有一个额外的属性：数据的存储位置（data location）。 数据位置指定非常重要，因为他们影响着赋值行为。 在memory和storage之间或与状态变量之间相互赋值，总是会创建一个完全独立的拷贝。 （Default data location） 函数参数及返回参数：memory 复杂类型的局部变量：storage 深入分析 storage 存储结构是在合约创建的时候就确定好了的，它取决于合约所声明状态变量
1.8K30发布于 2018-07-23 - 来自专栏菩提树下的杨过
spring-ai 学习系列(4)-MCP 处理过程分析
\\target\\spring-ai-0.0.1-SNAPSHOT.jar") 6 .build(); 7 8 StdioClientTransport 二、MCP Host添加MCP Server过程 当MCP Server写好，在CherryStudio/Cline等MCP Host中添加MCP Server时，大致过程如下（注：仍以stdio模式分析 If no tool call is needed, just answer the question directly. 4. 说明大模型表明了意图：知道自己已有的知识搞不定这个，希望MCP Host来调用工具MCP_queryOrderStatus，感兴趣的同学可以按这个思路，继续看后续的抓包报文，就不一一分析了。 https://modelcontextprotocol.io/specification/2025-06-18/basic/lifecycle https://docs.spring.io/spring-ai
85920编辑于 2025-08-22 - 来自专栏嵌入式音视频
【AI】数据分析-数据可视化模块
NumPy(Numerical Python) 是科学计算基础库，提供大量科学计算相关功能，比如数据统计，随机数生成等。 Numpy 是 Python 语言在科学计算领域取得成功的关键之一，如果想通过 Python 语言学习数据科学、人工智能（包括深度学习、语言处理等分支），就必须学习 Numpy。 ]) print(b) print('b 数组的维度：',b.shape) 执行结果如图 ---- 【示例3】创建二维数组 a=np.array([[1,2,3],[4,5,6],[7,8,9]] ([1,2,3,4,5,6],ndmin=3) print(a) 执行结果如图 ---- 【示例5】array()函数 dtype 参数的使用 a=np.array([1,2,3,4,5,6],dtype ）的随机数组：') x=np.random.random(size=4) print(x) print('生成二维（3,4）的随机数组：') y=np.random.random(size=(3,4))
1.1K20编辑于 2023-03-16 - 来自专栏生信技能树
转录组数据分析的4个维度认识（数据分析继续免费哦）
昨天接到大神任务总结下转录组分析的四个维度，最近我正好也想理清楚下转录组分析的知识点，以便更好地理解RNA-Seq数据的分析结果和方法原理，因此趁周末有些许空暇看了文献并进行了知识点的梳理。 ， 如下： 1.样本 2.基因 3.转录本 4.外显子 如果你感兴趣文献，自行搜索，我们不提供pdf下载通道。 起初是应用与芯片数据的分析，目前可以用来分析归一化后的RNA-seq数据，被广泛用于分析基因表达矩阵来检查基因的聚类和基因的相关性 当然了，很多时候实验设计非常复杂，比如昨天生信技能树分享的：不同时间点不同药物浓度不同细胞系的转录表达 转录水平RNA-Seq分析方法 4.外显子水平 计算选择性剪接中的外显子包含率即外显子可变剪接的概率 总结 ? 通过这篇文献综述的阅读，系统的了解转录组分析四个层面的基础知识点和统计学算法的概念和知识点，算法模型这块涉及到统计学知识，有点难懂，我想后面用到了再来一一详细了解，现在先熟悉RNA-Seq数据分析的软件使用
2.7K22发布于 2020-02-20 - 来自专栏geekfly
Java数据采集-4.分析常见的翻页（加载数据）方式
本篇文章主要分析当下常见的几种翻页（加载数据）的方式，并结合实际例子和截图介绍。在后续博客中针对这些网站，写代码完成数据抓取。 1. 根据页码进行翻页 如CSDN的个人博客列表，我们可以轻松的分析出总页数和列表页地址。 根据下拉网页进行加载数据 上一篇博客写的开源中国新闻列表，其加载数据方式即为下拉刷新。 注意：加载数据请求一般均为Post类型 返回数据样例： 此处我们可以看出，返回的数据和上一篇博客循环解析的节点一致。 接下来的博客针对上述三种加载数据的方式编写实际的代码抓取数据。
88320编辑于 2022-04-24 - 来自专栏IT从业者张某某
4-网站日志分析案例-日志数据统计分析
文章目录 4-网站日志分析案例-日志数据统计分析 一、环境准备与数据导入 1.开启hadoop 2.导入数据 二、借助Hive进行统计 1.1 准备工作：建立分区表 1.2 使用HQL统计关键指标 总结 4-网站日志分析案例-日志数据统计分析 一、环境准备与数据导入 1.开启hadoop 如果在lsn等虚拟环境中开启需要先执行格式化 hadoop namenode -format 启动Hadoop start-dfs.sh start-yarn.sh 查看是否启动 jps 2.导入数据 将数据上传到hadoop集群所在节点 创建hdfs目录 hadoop fs -mkdir -p /sx/cleandlog 将数据上传到 DISTINCT ip) AS IP FROM logtable WHERE logdate='2015_05_30'; select * from logtable_ip_2015_05_30 ; （4） 4部分，基于MR清洗后的数据导入HIVE中，然后进行统计分析。
1.4K30编辑于 2022-11-12 - 来自专栏Dance with GenAI
AI数据分析：根据Excel表格数据进行时间序列分析
ChatGPT中输入提示词： 你是一个Python编程专家，要完成一个Python脚本编写的任务，具体步骤如下： 读取Excel表格："F:\AI自媒体内容\AI行业数据分析\toolify月榜\toolify2023 年-2024年月排行榜汇总数据.xlsx" 用matplotlib绘制一个折线图： X轴为单元格B1到单元格O1的表头； Y轴为第1行到第20行的数据，标签为：月访问量； 用每个单元格A2到A21对应的数据绘制折线图 自媒体内容\AI行业数据分析”，图片标题为：2023年Top20 AI应用近一年的发展趋势； 显示图片； 注意：每一步都输出信息到屏幕 源代码： import pandas as pd import matplotlib.pyplot 自媒体内容\AI行业数据分析\toolify月榜\toolify2023年-2024年月排行榜汇总数据.xlsx' try: df = pd.read_excel(file_path) print("Excel 应用近一年的发展趋势') plt.xlabel('月份') plt.ylabel('月访问量') plt.legend() # 保存图片 output_dir = r'F:\AI自媒体内容\AI行业数据分析
96810编辑于 2024-06-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号