在线客服
扫描二维码
下载博学谷APP扫描二维码
关注博学谷微信公众号
很多学习数据分析的同学苦于没有基础数据,导致自己在学习过程中单纯的学习理论知识,却无法进行实操练习。针对这个问题博学谷的老师结合实际可用数据,专注于使用 Pandas 进行数据准备、清洗、整理、计算与可视化,讲授了最专业的数据清洗与处理工具OpenRefine, 最主流的数据可视化框架Seaborn和Echarts,并利用Bokeh实现动态可视化图表与控制面板。
在本门课程中都可以学到哪些知识呢?
1、EDA探索性数据分析方法
综合运营算法与图表探索数据分布与关系,从而发现数据的规律。
2、数据清洗与处理利器
详细讲解行业主流数据清洗工具OpenRefine,可快速筛选数据、清洗数据、排重、分析时间维度上的分布与趋势等,功能十分强大,工作效率大幅度提升!在实战项目中动手实操并掌握OpenRefine。
3、数据可视化利器
详细讲解行业主流的数据可视化工具Seaborn和国内流行的Echarts可视化框架,绘制高级报表不在话下!
4、五大综合实战项目
根据数据类型的不同,设计了多个典型数据分析实战项目,覆盖多种数据分析方法,包括统计分析方法、时序分析方法、地理分析方法等。项目包括:chipotle西餐厅外卖订单数据分析,UouTube视频流行趋势数据分析,2012年美国总统选举捐款数据分析,北京市空气质量数据分析,2015-2017年美国芝加哥市犯罪记录数据分析。
5、商业智能拓展
以“纽约市出租车数据分析”项目为例,利用Bokeh实现数据分析结果的动态可视化,与商业智能控制面板的实现。
在数据分析实战中应该着重学习那些Python的第三方库呢?目前Python被公认为是数据分析最佳的编程语言,在Python的第三方库中,有大量实现数据科学的模块,那这门课中的实战案例使用到了哪些Python数据分析的库呢?
1、Numpy:支持高级大量的维度数组与矩阵运算,运行效率高校,是处理大量数组类结构和机器学习框架的基础。
2、Pandas:目前最流行的数据分析库,高性能、易使用的数据结构与数据分析工具,是数据的使用既简单又直观。
3、Matplotlib:快速绘制折线图、直方图、饼图、散点图等,适用于简单、朴素的数据呈现、
4、Seaborn:专攻于统计可视化,Matplotlib的高级化,可以做出更具吸引力的图。
5、Bokeh:简单易用,天然支持Python和Pandas,适合与多种场合。
通过本门课程相信大家在掌握数据分析理论的基础上能够实现,全面掌握Python相关数据分析的第三方库的使用;能够掌握数据清洗、分组和聚合等数据分析必备的知识技能;同时能够掌握时间序列、文本序列相关的数据分析方法;并且结合这些实战案例,提高动手实操的能力,可以独立对数据进行处理分析以及其可视化,达到举一反三的水平从而get到自己满意的数据分析岗位工作。课程地址:Python数据分析实战
— 申请免费试学名额 —
在职想转行提升,担心学不会?根据个人情况规划学习路线,闯关式自适应学习模式保证学习效果
讲师一对一辅导,在线答疑解惑,指导就业!
相关推荐 更多
数据分析培训学习多久?都学什么?
数据分析培训学习多久?以博学谷的Python数据分析与应用课程为例,学习数据分析只要22课时。那么学习内容有哪些呢?内容大概包括了Python数据分析的相关知识。感兴趣的小伙伴可以一起来看看课程介绍。
8754
2019-09-25 17:34:14
Python数据可视化操作原理
后端是处理数据提取用户想要的数据。简单常用的是Python,相对于java,c, c++,Python简直对初学者太友好,提供丰富多彩的API接口,比如常见的降维聚类算法:PCA, t-SNE, MDS, k-means等。如果用c实现过PCA算法有几百行代码,可在Python里只需要三行代码。用Python实现对Iris数据集使用PCA算法以及展示效果。
5618
2019-12-18 17:41:06
适合新手练习的Python项目有哪些?
适合新手练习简单易上手的Python项目汇总:Web 项目设计:内容聚合器、正则表达式查询工具、网址缩短、便利贴、功能、测验、GUI 项目设计:MP3 播放器、闹铃提醒工具、文件管理器、记账功能、命令行项目设计:通讯录、网站连接检查、批量文件重命名工具、目录树生成器。
4409
2020-03-10 10:53:51
年薪30万的数据分析师必备技能
年薪30万的数据分析师必备技能,无论各行各业都需要进行数据分析,企业需要大量专业人才来分析挖掘数据的价值,以提升企业利润。市场上出现巨大的数据人才需求。自学数据分析找不到学习方向无从下手,知识点零散总是抓不住重点,学习起来效率非常低。
3718
2020-07-09 10:32:09
数据科学家和数据分析师的区别在哪儿?
数据科学家和数据分析师在所用编程语言、平台/工具,以及所解决的问题方面都有共同之处。这些工具包括但不限于SQL、Tableau,以及相似的分析流程,定义问题、分析数据和输出结果;一部分差异在分析的自动化上,数据科学家专注于使用Python等语言编写算法,进行自动化分析和预测;而数据分析师则使用静态的或者过往的数据,在某些情况下会使用Tableau和SQL等工具去做预测。
4114
2020-08-19 14:50:22