- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据分析师小熊
数据分析7大能力：梳理数据需求
今天分享数据分析师必备的工作能力——需求梳理。需求梳理很不起眼，甚至很多小伙伴感受不到他的存在。但它结结实实影响到大家的下班时间和绩效。 一、什么是数据需求？ 顾名思义，数据需求，就是业务部门对数据分析产出的需求。有小伙会说：这还有需求呀，我们公司都是一通电话：“歪！给我个XX数据，快！”就完事了，根本不存在啥需求。 确实有这种无脑公司。 管得了期望时间，才好体现数据分析的业绩。 如是临时发明的，需说清楚指标的计算公式 分类维度：按XXX维度区分数据。 思路清晰的业务部门，自然不用多说。碰到思路混乱的，可以这么引导 你要分析的是人？货？还是场？ 八、小结 满足了5w的，就是一个完整的数据分析需求了。梳理数据分析需求，不但能减少重复工作，更可以为数据分析师发现项目机会，提高BI使用率，体现工作业绩打下坚实的基础。至于具体如何做，下篇再分享。
1.5K21编辑于 2022-04-22 - 来自专栏锦小年的博客
Python数据分析(7)-numpy数组操作
('b 数组为：',b) c = np.concatenate((a,b)) print(c) 输出： a 数据为： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 print('b 数组为：',b) c = np.concatenate((a,b),axis=1) print(c) 输出： a 数据为： [[ 0 1 2 3] [ 4 5 6 7 import numpy as np a = np.arange(4) a.shape=(2,2) print('a 数据为：',a) b = np.array([[5,6],[7,8]]) print ('b 数组为：',b) c = np.stack((a,b),axis=0) print(c) 输出： a 数据为： [[0 1] [2 3]] b 数组为： [[5 6] [7 8]] [[[ ：',a) # b = np.array([[5,6],[7,8]]) # print('b 数组为：',b) c = np.split(a,3) print(c) 输出： a 数据为： [[ 0
1.4K40发布于 2019-05-26 - 来自专栏IT从业者张某某
7-点击流数据分析项目-数据预处理
文章目录 7-点击流数据分析项目-数据预处理 1.数据集介绍 原始数据样式： 待生成的页面点击流模型Pageviews表 待生成的点击流模型Visits表 数据清洗 2.采集日志数据到HDFS上 创建目录 MR-Reducer类ClickStreamVisitReducer 生成Visits访问数据MR-Driver类ClickStreamVisitDriver 导入HDFS 总结 7-点击流数据分析项目 当WEB日志转化成点击流数据的时候，很多网站分析度量的计算变得简单了，这就是点击流的“魔力”所在。 基于点击流数据我们可以统计出许多常见的网站分析度量 数据清洗 时间格式无效 响应状态码》400 静态页面删除（js、css资源） 2.采集日志数据到HDFS上 创建目录 # 创建 /sx/clickstream true : false, fields[1], fields[2], fields[3], fields[4], fields[5], fields[6], fields[7], fields[8])
1.4K31编辑于 2022-11-12 - 来自专栏加米谷大数据
技术分享：数据分析的7个步骤
如何对数据进行分析显得尤为重要，那么数据分析该如何进行呢？ 确定问题 在进行真正的数据分析操作之前，要首先分析你的需要，你为什么要进行数据分析，数据分析是为了什么。 一是确定解决或者弄明白为什么的问题，二是确定涉及到的变量或者数据的问题，由此再去基于接下来科学的数据分析去提出策略解决问题。 数据采集 所谓的数据采集是收集被确定为数据需求的目标变量信息的过程。 数据处理 数据处理也可以说是数据的规范化，需要把收集到的数据进行组织，包括根据相关分析工具的要求构建数据。 ? 数据分析 也称为数据建模，完成以上步骤后，结合统计学，计量经济学等学科做定量分析，同时也要结合业务现实做定性分析、对数据进行描述性分析、探索性分析及信度效度的测量，尽可能建立科学准确的模型(如相关性、回归分析 数据可视化 按照要求，将数据分析的结果进行报告输出，所谓的可视化简单来说就是以图表的方式展示出来，让用户更直观的接受理解你的分析结果。 ?
1.2K20发布于 2019-11-06 - 来自专栏BI工具
盘点7款常用的数据分析工具
随着大数据信息化时代的到来，数据分析是各行各业都绕不开的一个话题，企业在发展过程中积累了大量的数据，对这些数据进行专业的分析，能够促进企业更好更精准的发展，能够有效防范企业拍脑袋决策的经营风险。 一款好的数据分析工具可以让你事半功倍，瞬间提高学习工作效率。在此，笔者列出了被提及频率最高且使用最多的几种数据分析工具。 Excel具备多种强大功能，比如创建表单，数据透视表，VBA等，Excel的系统如此庞大，以至于没有任何一项分析工具可以超越它，确保了大家可以根据自己的需求分析数据。 总而言之，要想入行数据分析，SQL是必要技能。 7、BI工具 商业智能BI是为数据分析而生的，它诞生的起点很高。其目的是缩短从商业数据到商业决策的时间，并利用数据来影响决策。 以亿信ABI为例，其融合了ETL数据处理、数据建模、数据可视化、数据分析、数据填报、移动应用等核心功能。
14.5K20发布于 2020-08-25 - 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 实战 ES|QL 分析范式提示：pipeline 抽出的字段名里含点号，在 ES|QL 中需用反引号包裹，如 `attributes.gen_ai.output.messages_tool_names` `| SORT @timestamp ASC7. 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。
27411编辑于 2026-07-19 - 来自专栏AI篮球与生活
7种最常用数据分析思维，解决95%的分析难题
很多人苦恼，学会了很多数据分析工具和技能，依然做不好数据分析。遇到业务问题时，常常觉得无从下手。其实，掌握技能和工具只是第一步，做好数据分析还必须要有数据分析思维。 数据思维具有框架性引导作用，能够帮助确认分析角度、搭配分析方法、选择指标体系以及得出分析结论。 但要明白，数据思维不是一两周就能锻炼出来的，要不断练习，下面我给大家推荐7种常用的数据分析思维技巧，帮助大家缩短学习时间。 通过假设的数据进行反推，再去制定计划，整个过程是先假设，后验证，再分析结果。 第七种：多维法 多维法主要是通过对数据的切割，分成多个维度，通过立方体的形式进行数据展示。在对数据进行交叉分析的时候，可能会出现辛普森悖论，与之而来的应对方法有钻取、上卷、切片、切块、旋转等。
57010编辑于 2023-03-01 - 来自专栏单细胞天地
OSCA单细胞数据分析笔记7—Feature selection
仅保留高变基因信息（不建议） 4.2 标记高变基因，降维设置subset.row=参数（建议） 5、补充：关于“技术误差”的进一步分解 ---- 1、背景知识 1.1 为什么要挑选特定的基因 单细胞数据分析的主要在于考虑细胞 示例数据集如下，已经质控，标准化处理。 如果数据集中没有外参转录本信息，那么可使用泊松分布近似拟合技术误差曲线。 相关函数如下，具体使用可参考原教程。
2.3K41发布于 2021-05-18 - 来自专栏Dance with GenAI
AI数据分析：集中度分析和离散度分析
在deepseek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 2列第21行-31行； 然后按照上面的计算步骤一直计算到第15列第21行-31行； 计算第2列第1行（设为数据起点）到第15列第1行（设为数据终点）数据组的简单年均增长率，写入第16列第1行，然后计算第 2行，第3行数据，一直计算到第20行； 计算第2列第1行（设为数据起点）到第15列第1行（设为数据终点）数据组的复合年均增长率，然后计算第2行，第3行数据，一直计算到第20行； 注意：每一步都输出信息到屏幕 但是代码要整合在一起 计算复合年均增长率的时候，年数n是固定值:13 源代码： import pandas as pd import numpy as np # 读取Excel文件 file_path = "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" df = pd.read_excel(file_path) # 计算第2列到第15
53010编辑于 2024-06-24 - 来自专栏灯塔大数据
每周学点大数据 | No.7大数据规模的算法分析
No.7期 大数据规模的算法分析 Mr. 小可：嗯，听到这里，我理解了如何进行算法的分析和几种记号表示的含义了。 Mr. 王：另外，很多时候，算法的运行时间并不是稳定的，在算法分析的过程中，我们还要考虑算法运行的最好情况、最坏情况和平均情况。 小可：如果有n个元素，在最好情况下，可以以常数时间找到我们所要找的元素，也就是O(1)；在最坏情况下，我们要和最后一个元素进行比较才能得出结论，就是要进行和数据规模n相关的次数比较，也就是O(n)。 内容来源：灯塔大数据
87040发布于 2018-04-09 - 来自专栏山行AI
PandasAI——让AI做数据分析
前言 PandasAI是一款数据分析领域的ChatGPT应用，本文对原项目进行翻译旨在进行知识科普和梳理。 这个项目的github地址为：https://github.com/gventuri/pandas-ai PandasAI Pandas AI 是一个 Python 库，它为 Pandas（一款流行的数据分析和操作工具 隐私和安全 为了生成运行的 Python 代码，我们取 dataframe 的head，将其随机化（对敏感数据使用随机生成，对非敏感数据进行打散）并只发送head。 PandasAI对象 我们主要关注一下它的run方法： 环境变量 由于需要借助LLM（大模型）的能力进行分析结果生成，这里需要设置LLM的API key。 usp=sharing [7] : https://colab.research.google.com/drive/1rKz7TudOeCeKGHekw7JFNL4sagN9hon-?
2.6K40编辑于 2023-06-14 - 来自专栏Java架构师必看
spring源码分析7
spring源码分析7 强烈推介IDEA2020.2破解激活，IntelliJ 原文链接：https://gper.club/articles/7e7e7f7ff3g5agc4
40330发布于 2021-04-13 - 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。 1,2,3,4,5,6]) 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 ---- 【示例6】arange()函数创建数组 import numpy as np x=np.arange(0,6,dtype=int) print(x) 执行结果如图 ---- 【示例 7】 dtype=float) print(x) 执行结果如图 ---- 【示例8】arange()函数创建二维数组 b=np.array([np.arange(1,4),np.arange(4,7)
1.1K20编辑于 2023-03-16 - 来自专栏DotNet NB && CloudNative
AI应用实战课学习总结（7）聚类算法分析实战
最近入坑黄佳老师的《AI应用实战课》，记录下我的学习之旅，也算是总结回顾。 今天是我们的第7站，一起了解下聚类算法基本概念 以及 通过聚类算法辅助用户画像的案例。 聚类的性能效果则不太好评估，只能通过数据的结构或者额外的信息或者做数据可视化来进行观察。 总结：分类是监督学习，用于预测数据的类别；聚类是无监督学习，用于发现数据的隐藏结构。 、金额、时间等 问题目标： 根据历史数据，给用户的消费能力做一个画像 NOTE：和我们之前的第5站做回归分析案例时使用的是同一个数据集，就让我们“一鱼多吃”吧。 构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识。 例如，下图是一个咖啡消费者的画像分析： 用户画像聚类代码实战 Step1 读取数据 及 数据预处理 import pandas as pd #导入Pandas df_sales = pd.read_csv
78010编辑于 2025-03-13 - 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 - 来自专栏大数据成长之路
基于 flink 的电商用户行为数据分析【7】| 页面广告分析
本篇是flink 的「电商用户行为数据分析」的第 7 篇文章，为大家带来的是市场营销商业指标统计分析之页面广告分析的内容。 ---- 页面广告分析 电商网站的市场营销商业指标中，除了自身的APP推广，还会考虑到页面上的广告投放（包括自己经营的产品和其它网站的广告）。 所以广告相关的统计分析，也是市场营销的重要指标。 在代码中我们首先定义源数据的样例类AdClickLog，以及输出统计数据的样例类CountByProvince。 ---- 小结 本期关于介绍flink 电商用户行为数据分析之页面广告分析的文章就到这里，考虑到部分小伙伴对于中间的部分代码有疑问，所以我每行都写上了注释，因此详细的过程笔者就不在这里详细赘述了
1.1K10发布于 2021-01-27 - 来自专栏AI研习社
数据工程师必看：分析数据时常见的 7 类统计陷阱
本文为 AI 研习社编译的技术博客，原标题为 7 Common Mistakes in Interpreting Analytics Data: Statistical Pitfalls for Your 现在，允许我向你揭示当做统计说明时 7 个最常见的错误。 1. 尽可能使用宽泛的访问数据来分析，并作为用户体验和网站性能的指标是解释统计结果时的另一个常见错误： 作为用户体验分析师，最好的分析数据的方法是对这些数据分析后得到什么结果有个概念。 假设网站的转化率为 7%，在你为这个数据过度兴奋前，先拆分一下这个数据。你会发现其中 9% 来自于PC用户，只有 1% 来自于移动端用户 就这样，你就有了线索。 7 解决通用型（One-Size-Fits-All）报告设置 在解释分析数据时另外一个常犯的错误是坚持标准报告设置，而不是尝试调整它，让它向你传递你需要的精准数据：与你网站相关的数据 。
51230发布于 2018-08-16 - 来自专栏算法channel
分享7个数据分析的有用工具
选自TowardsDataScience 作者：Perter Nistrup 机器之心编译 参与：魔王 如何提升数据分析能力？Peter Nistrup 根据自身经验列出了 7 个有用工具。 本文列举了一些提升或加速日常数据分析工作的技巧，包括： 1. Pandas Profiling 2. 使用 Cufflinks 和 Plotly 绘制 Pandas 数据 3. 在 Jupyter（或 IPython）中使一个单元同时有多个输出 7. 为 Jupyter Notebook 即时创建幻灯片 “ 1. Pandas Profiling ” 该工具效果明显。 使用 Cufflinks 和 Plotly 绘制 Pandas 数据 ” 「经验丰富的」数据科学家或数据分析师大多对 matplotlib 和 pandas 很熟悉。 “ 7. 为 Jupyter Notebook 即时创建幻灯片 ” 使用 RISE，你可以仅通过一次按键将 Jupyter Notebook 即时转变为幻灯片。
1.9K20发布于 2019-10-29 - 来自专栏量子位
Pandas循环提速7万多倍！Python数据分析攻略
乾明 编译整理 量子位 报道 | 公众号 QbitAI 用Python和Pandas进行数据分析，很快就会用到循环。 但在这其中，就算是较小的DataFrame，使用标准循环也比较耗时。 他是一位来自德国的数据分析师，名叫Benedikt Droste。 他说，当自己花了大半个小时等待代码执行的时候，决定寻找速度更快的替代方案。 我们一起来看看~ 标准循环处理3年足球赛数据：20.7秒 DataFrame是具有行和列的Pandas对象。如果使用循环，需要遍历整个对象。 Python不能利用任何内置函数，而且速度很慢。 他说，如果你使用Python、Pandas和Numpy进行数据分析，总会有改进代码的空间。 在对上述五种方法进行比较之后，哪个更快一目了然： ?
2.6K30发布于 2019-09-02 - 来自专栏博文视点Broadview
7大类数据分析报告写作指南
“为啥我做的数据分析报告领导不满意？！”是困扰很多同学的问题。特别是，有时候领导会嫌弃“报告太细了，要有重点”。 有时候领导又嫌弃：“太粗了，要细点”到底尺度是啥，该咋拿捏…… 问题的关键在于：数据分析报告，首先是一个报告，得有清晰的报告逻辑。至于数据，只是让报告更可信，更真实。那做报告到底有几种常见逻辑呢？ 根据一个人对报告内容的熟悉程度来分，有7种类型，一一介绍如下： 类型一：介绍型报告 介绍型报告适用于：向不了解情况的人，做第一次汇报时使用。介绍型报告一般采用总分式结构，分若干个角度进行介绍。 最怕是事前没有统一方法，事后大家对着结果扯高了低了，甚至临时修改目标的，这评估报告还不如不写，写了只会让数据分析师节操掉一地。 综合运用 在做数据报告的时候，先想清楚： 1、我要向谁报告？ 本书分了初级、中级、高级方法，从基础的指标体系搭建，数据解读，到中级的销售、运营、产品分析体系搭建，到一些高级复杂难题都有涉及。
94030编辑于 2023-04-04
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