本课程涵盖NumPy数值计算、Matplotlib数据可视化、pandas统计分析、使用pandas进行数据预处理。同时也有大量的实操练习，巩固学习效果。
1.有python基础
2.有一定的数据基础
掌握数据分析的流程
掌握python数据分析核心库的使用，如numpy、pandas、matplotlib
了解常用数据分析（挖掘）算法的原理，熟悉机器学习的各个环节，并能利用相应的算法建模
熟练使用sk-learn进行数据挖掘
|
章节 |
主要授课内容 |
|
|
|
|
Python数据分析概述 |
1．数据分析的概念、流程、应用场景 2．数据分析常用的工具、python数据分析的优势、常用类库的介绍 3．Jupyter Notebook的安装及使用 |
|
|
|
Numpy数值计算基础 |
1．ndarray的创建、访问、常用属性 2．矩阵的创建 3．通用函数ufunc 4．广播机制 5．数学知识 6．简单统计分析，读写文件、排序、去重、常用统计函数 |
|
|
Pandas统计分析基础 |
1．Series常用操作 2．DataFrame常用操作 3．读写不同数据源 4．数据过滤与转换 5．时间序列操作 6．分组与聚合 7．透视与交叉表 |
|
|
|
利用pandas进行数据预处理 |
1．合并数据，堆叠合并、主键合并、重叠合并 2．清洗数据，处理重复值、缺失值、异常值的处理 3．标准化数据，离差标准化、标准差标准化、小数定标标准化 4．转化数据 ，类别型特征处理为哑变量，连续性特征离散化处理 |
|
|
|
数据可视化 |
1．数据可视化概述 2．常用图表，如柱状图、饼状图、直方图、箱线图等的介绍 3．matplotlib绘图基础，如基础语法、rc参数、标签刻度、子图等 4．matplotlib绘图实战 5．pandas绘图实战 |
|
|
|
机器学习与挖掘建模 |
1．机器学习概述 2．机器学习分类 3．机器学习流程 4．机器学习评估 5．经典机器学习算法原理剖析，如 knn、kmeans、朴素贝叶斯、决策树、线性回归、逻辑回归、支持向量机、关系分析等 6．关联规则算法 7．时序模式 8．物体推荐算法 9．使用sk-learn建模，包括数据集划分、数据预处理、模型训练、模型评估等 |
|
|
|
数据分析与挖掘实战案例 |
1．招聘网站需求分析 2．航空机构客户价值分析 3．财政收入预测分析 4．二手房房价分析 |
||
