摘要：
列联表是观测数据按两个或更多属性（定性变量）分类时所列出的频数分布表，它是由两个以上的变量进行交叉分类的频数分布表。交互分类的目的是将两变量分组，然后比较各组的分布状况，以寻找变量间的关系。 按两个变量交叉分类的，该列联表称为两维列联表；若按3个变量交叉分类，所得的列联表称为3维列联表，依次类推。一 阅读全文
摘要：
贝叶斯公式：事件Bi的概率为P(Bi)，在事件Bi发生条件下事件A发生的概率为P(A│Bi)，在事件A发生条件下事件Bi发生的的概率为P(Bi│A)。 贝叶斯公式也称作逆全概率公式，我对贝叶斯概率公式的理解： 根据之前的经验，确定事件A是由事件B触发的，事件B有一个划分：B1、B2、...、Bn，每 阅读全文
摘要：
令狐冲在华山学艺时，虽然勤学苦练，但是终不得法，在机缘巧合之下，得到风清扬老前辈的真传，练成独孤九剑之后，才名震江湖。虽然笑傲江湖的故事情节是虚构的，但从令狐冲蜕变的过程可以看出，练武需要秘籍。数据分析也有一本传世秘籍，只有六字，这就是《数据化管理》中提到的六字箴言、数据分析的三板斧：对比、细分、溯 阅读全文
摘要：
数据分析离不开对关键指标的跟踪，指标是衡量事物好坏的一个指数。数据指标有很多，然而，并不是所有的指标都是好的，虚荣指标（Vanity Metrics）看上去很美，让你感觉良好，但这类指标说到底是肤浅的，甚至带有欺诈性，例如，你会关注网站的访问量，但却忽略了跳离率、用户的浏览时间等，这很容易让你掉进虚 阅读全文
摘要：
数据分析，先有数据，而后有分析，认识数据是分析数据的前提。在现实世界中，数据一般都是有缺失的、异构的、有量纲的。认识数据，不仅要了解数据的属性（维）、类型和量纲，还要了解数据的分布特性。洞察数据的特征，检验数据的质量，有助于后续的分析工作，否则，没有可信的数据，数据分析的结果将是空中楼阁。 一，检验 阅读全文
摘要：
在实际的聚类应用中，通常使用k-均值和k-中心化算法来进行聚类分析，这两种算法都需要输入簇数，为了保证聚类的质量，应该首先确定最佳的簇数，并使用轮廓系数来评估聚类的结果。 一，k-均值法确定最佳的簇数 通常情况下，使用肘方法（elbow）以确定聚类的最佳的簇数，肘方法之所以是有效的，是基于以下观察： 阅读全文
摘要：
聚类分析根据对象之间的相异程度，把对象分成多个簇，簇是数据对象的集合，聚类分析使得同一个簇中的对象相似，而与其他簇中的对象相异。相似性和相异性（dissimilarity）是根据数据对象的属性值评估的，通常涉及到距离度量。相似性（similarity）和相异性（dissimilarity）是负相关的 阅读全文
摘要：
聚类是把一个数据集划分成多个子集的过程，每一个子集称作一个簇（Cluster），聚类使得簇内的对象具有很高的相似性，但与其他簇中的对象很不相似，由聚类分析产生的簇的集合称作一个聚类。在相同的数据集上，不同的聚类算法可能产生不同的聚类。 聚类分析用于洞察数据的分布，观察每个簇的特征，进一步分析特定簇的 阅读全文
摘要：
在数据质量得到保证的前提下，通过绘制图表、计算某些统计量等手段对数据的分布特征和贡献度进行分析（帕累托分析），分布分析能够揭示数据的分布特征和分布类型，对于定量数据，可以做出频率分布表、绘制频率分布直方图显示分布特征；对于定性数据，可用饼图和条形图显示分布情况。帕累托分析在频率分布直方图的基础上，绘 阅读全文
摘要：
对于成功的数据分析而言，把握数据整体的性质是至关重要的，使用统计量来检查数据特征，主要是检查数据的集中程度、离散程度和分布形状，通过这些统计量可以识别数据集整体上的一些重要性质，对后续的数据分析，有很大的参考作用。 一，基本统计量 用于描述数据的基本统计量主要分为三类，分别是中心趋势统计量、散布程度 阅读全文
摘要：
scipy包提供了几种通用的插补工具，分别用于1维，2维或高维的数据集，分别是： 类 interp1d 用于对一维数据进行插补 类 griddata 提供了对1D，2D和高维数据进行插补的工具。 spline插补， 用于对一维和二维数据进行平滑的cubic-spline 插补 使用基于径向的函数（R 阅读全文
摘要：
绘制散点图（scatterplots）使用geom_point()函数，气泡图（bubblechart）也是一个散点图，只不过点的大小由一个变量（size）来控制。散点图潜在的最大问题是过度绘图：当一个位置或相邻的位置上出现有多个点，就可能把点绘制在彼此之上， 这会严重扭曲散点图的视觉外观，你可以通 阅读全文
摘要：
数据质量通常是指数据值的质量，包括准确性、完整性和一致性。数据的准确性是指数据不包含错误或异常值、完整性是指数据不包含缺失值、一致性是数据在各个数据源中都是相同的。广义的数据质量还包括数据整体的有效性，例如，数据整体是否是可信的、数据的取样是否合理等。本文的数据质量分析，是指对原始数据值的质量进行分 阅读全文
摘要：
数据标准化处理是数据分析的一项基础工作，不同评价指标往往具有不同的量纲，数据之间的差别可能很大，不进行处理会影响到数据分析的结果。为了消除指标之间的量纲和取值范围差异对数据分析结果的影响，需要对数据进行标准化处理，就是说，把数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析。 在继续下文 阅读全文
摘要：
geom_bar()函数不仅可以绘制条形图，还能绘制饼图，跟绘制条形图的区别是坐标系不同，绘制饼图使用的坐标系polar，并且设置theta="y"： 条形图的高度通常表示两种情况之一：每组中的数据的个数，或数据框中列的值，高度表示的含义是由geom_bar()函数的参数stat决定的，stat在g 阅读全文
摘要：
线图是由折线构成的图形，线图是把散点从左向右用直线连接起来而构成的图形，在以时间序列为x轴的线图中，可以看到数据增长的趋势。 线图中的常用参数： group：线的分组 alpha：线的透明度 color：线的颜色 size：线的粗细 linetype：线的类型，R中可用的类型如下图所示： 使用以下数 阅读全文
摘要：
ggplot2包中绘制点图的函数有两个：geom_point和 geom_dotplot，当使用geom_dotplot绘图时，point的形状是dot，不能改变点的形状，因此，geom_dotplot 叫做散点图（Scatter Plot），通过绘制点来呈现数据的分布，对点分箱的方法有两种：点密度 阅读全文
摘要：
箱线图通过绘制观测数据的五数总括，即最小值、下四分位数、中位数、上四分位数以及最大值，描述了变量值的分布情况。箱线图能够显示出离群点（outlier），离群点也叫做异常值，通过箱线图能够很容易识别出数据中的异常值。 箱线图提供了识别异常值的一个标准： 异常值通常被定义为小于 QL - l.5 IQR 阅读全文
摘要：
Git 基本操作系列博客： Git 第一篇：简单介绍 Git 第二篇：基本操作 Git 第三篇：VS Code使用Git管理代码 Git 第四篇：使用VS2013和git进行代码管理 Git是一个开源的分布式版本控制系统，分布式相比集中式的最大区别是Git没有“中央版本库”，每一位开发者都可以通过克 阅读全文
摘要：
Git 基本操作系列博客： Git 第一篇：简单介绍 Git 第二篇：基本操作 Git 第三篇：VS Code使用Git管理代码 Git 第四篇：使用VS2013和git进行代码管理 Visual Studio Code（简称VS Code）是一个轻量级且强大的代码编辑器，后台是微软，支持Windo 阅读全文